Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística al
Control
de Calidad
Ángel Pola Maseda
P R O D U C T I C A
MARCOMBO, S.A., 1993
Reservados todos los derechos
de publicación, reproducción, préstamo,
alquiler o cualquier otra forma de cesión del
uso de este ejemplar en cualquier idioma por
MARCOMBO, S.A.
Gran Via de les Corts Catalanes, 594
08007 Barcelona (España)
ISBN: 978-84-267-0691-1
Depósito Legal: B-42.729-92
Impreso en España
Printed in Spain
Fotocomposición: FOlNSA-Passatge Gaiolà, 13-15 -08013 Barcelona
Impresión: Vanguard Gràfic, S.A. -Joan Miró, 17-19 - 08930 San Adrià
de Besòs (Barcelona)
Presentación
El autor
5
Índice general
6
Índice general
7
El Control de la Calidad.
Enfoque histórico
INTRODUCCIÓN
Hasta finales del siglo XIX la empresa era muy distinta de lo que hoy es.
Orientada generalmente a lo agrícola, minero o comercial, la explotaban
sus propietarios, con la aportación del esfuerzo físico de obreros o escla-
vos. La calidad ocupaba un segundo plano, determinado por el descono-
cimiento del consumidor y la falta de competencia.
Con la revolución industrial, el maquinismo, la automatización, las ideas
de pensadores como Marx y la aplicación de nuevos sistemas de gestión
establecidos por Taylor, nace un nuevo tipo de empresa. El mercado se
hace más competitivo, lo que lleva a los empresarios a controlar la calidad
de sus productos.
El inicio del control estadístico de calidad se remonta a 1.924, cuando en
los laboratorios de la Bell Telephone se aplicaron por primera vez gráficos
estadísticos para el control de calidad de productos manufacturados.
En 1.931 se publicaba en Nueva York un libro titulado Control Económi-
co de calidad de productos manufacturados. Aunque este libro buscaba la
"economía" del control de calidad, la mayoría de las aplicaciones resulta-
ron altamente costosas. De aquí que, cuando mencionamos el control de
calidad a muchos fabricantes que vivieron en esa época, el recuerdo que
llega a su mente es de grandes esperanzas sobre reducción de costes,
montones de papeles y trabajo administrativo, seguido de la desilusión
resultante de objetivos valiosos, pero no logrados.
En la década de 1.940 comenzó el desarrollo y aplicación de tablas de
muestreo para inspección. Se publicaban tablas de muestreo para usos
militares y se aprueba su empleo por las fuerzas armadas.
El Dr. Eduards Deming, especialista en Estadística, visitó el Japón en
1.950. El pueblo japonés se recuperaba de los estragos de la guerra, las
industrias trataban de salir a flote, pero la calidad de los productos japone-
ses era muy inferior a la que presentaban los productos importados. El Dr.
Deming en una conferencia ante dirigentes de las grandes industrias,
afirmó que si se implantaba en sus fábricas un adecuado control estadísti-
co de la calidad, la marca "Made in Japan" llegaría a ser un símbolo de alta
calidad.
En 1.954 el Dr. J. M. Juran, experto en control de calidad, difunde el
entusiasmo por los métodos estadísticos y los sistemas de control de
calidad, no sólo entre los especialistas de cada empresa, sino también
entre todos los dirigentes y mandos intermedios.
Esta inquietud se extiende a todo el pueblo japonés, al cual se le
9
Aplicación de la Estadística al Control de la Calidad
CONCEPTO DE CALIDAD
Existen distintas definiciones de este término. Una de ellas nos dice que
calidad es el CONJUNTO DE PROPIEDADES Y CARACTERÍSTICAS DE UN
PRODUCTO, PROCESO O SERVICIO, QUE LE CONFIEREN SU APTITUD
PARA SATISFACER NECESIDADES establecidas o implícitas. Figura 1.
Otras definiciones se refieren a la calidad como la IDONEIDAD o
APTITUD PARA EL USO, lo cual refleja los mismos aspectos antes citados.
En la actualidad están tomando gran relevancia otros términos asocia-
dos al concepto clásico de calidad, como son:
— Fiabilidad.
— Mantenibilidad.
— Disponibilidad.
Peter F. Drucker define la calidad como: Lo que el diente está dispuesto a
pagar, en función de lo que obtiene y valora.
Dada la diferencia entre las definiciones escritas, consideramos necesa-
rio dejar claros algunos aspectos que, con frecuencia, producen confu-
10
El Control de la Calidad. Enfoque histórico
Figura 1. Concepto de
Un producto ES DE CALIDAD cuando SATISFACE LAS NECESIDADES calidad.
Y EXPECTATIVAS del usuario.
11
Aplicación de la Estadística al Control de la Calidad
ESTADÍSTICA Y CALIDAD
Hoy el mercado exige productos de calidad. Para conseguirlos no basta
con un control de calidad que seleccione las unidades buenas y rechace
las defectuosas, pues ésto hace que la calidad buscada tenga un alto
precio, tanto mayor cuantas más unidades defectuosas hayamos fabrica-
do. Además, estadísticamente se demuestra que efectuar una inspección
de la totalidad de los productos fabricados, tiene un elevadísimo coste y
no siempre proporciona la confianza deseada.
Factores como el cansancio del inspector, la monotonía por la repetitivi-
dad de la producción, etc., conllevan la obtención de resultados de hasta
un 15 % de productos aceptados o rechazados incorrectamente, es decir:
— Productos defectuosos que han sido aceptados como no defectuosos,
o
— Productos no defectuosos rechazados por considerarlos defectuo-
sos.
Aquí es donde interviene la Estadística, brindándonos procedimientos
sencillos, rápidos, económicos y que nos permiten obtener resultados
con una fiabilidad muy superior a la citada en el apartado anterior.
El término Estadística surge de la palabra "estado", por ser en losasuntos
referentes a éste, tales como nacimientos, riqueza, tierras, cosechas, etc.,
donde ha sido utilizada para su descripción, desde hace ya varios milenios.
Una definición amplia de la Estadística nos dice que es la ciencia que
establece métodos para la recopilación, ordenación, análisis e interpreta-
ción de datos, con el fin de conocer las características específicas de una
población.
Debemos distinguir entre la Estadística Descriptiva que, como su nom-
bre indica, describe las características de una población en estudio y la
Estadística Inductiva que podríamos definirla como señala la figura 3.
Figura 3. Concepto de
Estadística.
Ciencia que trata de OBTENER INFORMACIÓN DEL TOTAL DE UNA
POBLACIÓN, mediante la OBSERVACIÓN Y EL ESTUDIO DE UNA
MUESTRA REPRESENTATIVA de esa población o conjunto.
12
El Control de la Calidad. Enfoque histórico
13
Recogida de información.
Representación gráfica
VARIACIONES
Como hemos visto hasta ahora, la Estadística ha venido penetrando en
el sector industrial, alcanzando en nuestros días una vital importancia
como herramienta imprescindible en cualquier tipo de empresa y en las
distintas áreas de trabajo.
En nuestro país, la industria del automóvil tal vez sea la que más
aplicación ha dado a esta ciencia, aunque no debemos olvidarnos de otros
sectores como el químico-farmacéutico, metalúrgico, del plástico, textil,
de alimentación, que están desarrollando amplios programas de forma-
ción de su personal e implantación de técnicas estadísticas en las más
variadas áreas de trabajo.
La mayor aplicación se centra en las áreas de producción y control de
calidad, aunque se extiende con rapidez hacia planificación, I+D, adminis-
tración, gerencia y dirección, y en general, a toda la empresa.
Para que la Estadística pueda aplicarse y su aplicación tenga sentido, es
15
Aplicación de la Estadística al Control de la Calidad
necesario que entre los elementos que deseamos estudiar existan "varia-
ciones". Esto puede parecer contradictorio, dado que el objetivo a alcan-
zar es unificar resultados. En el caso de la fabricación de un producto, el
ideal de la empresa sería que todos los productos fabricados tuvieran
exactamente la medida nominal deseada. Ante un caso como éste, no
tendría sentido la aplicación de técnicas estadísticas. Pero la realidad está
muy lejos del ideal antes mencionado. Lo cierto es que en todo proceso
productivo, por muy automático que sea, existen variaciones. Definire-
mos con mayor claridad lo que es una variación:
16
Recogida de información. Representación gráfica
VARIABLES O ATRIBUTOS
Estas diferencias pueden ser cuantificables o no. En lo que se refiere al
primer tipo, podemos emplear instrumentos para medir las diferencias
existentes entre las piezas, en las distintas características objeto de estu-
dio, otorgando a cada una el valor numérico correspondiente de acuerdo
con la escala de medición utilizada. Las características que son así cuantifi-
cables las denominamos VARIABLES.
Existen otras características cuya variación no podemos cuantificar, pero
que igualmente son objeto de estudio. Nos referimos a los ATRIBUTOS.
Podemos mencionar, como ejemplo de este tipo, el acabado, la presenta-
ción, el color y muchas otras que podemos observar en el cuadro de la
figura 7.
Figura 7. Tipos de
características que se pueden
presentar en el trabajo.
17
Aplicación de la Estadística al Control de la Calidad
RECOGIDA DE INFORMACIÓN
Habiendo establecido las diferencias entre variables y atributos, pode-
mos proceder a recoger datos de nuestra población para dar inicio al
estudio.
19
Aplicación de la Estadística al Control de la Calidad
Tipos de muestreo
La figura 10 describe el muestreo como la selección de un subconjunto
de elementos de una población o universo, que posteriormente serán
sometidos a estudio y análisis para obtener resultados aplicables a la
totalidad de la población de donde fueron extraídos.
Para que las conclusiones o resultados obtenidos sean válidos, la mues-
tra seleccionada tiene que ser REPRESENTATIVA del conjunto de donde
procede. De no ser así, se estarían cometiendo errores.
Existen distintos tipos de muestreo que pueden aplicarse para garantizar
la representatividad de la muestra. Figura 11.
20
Recogida de información. Representación gráfica
21
Aplicación de la Estadística al Control de la Calidad
22
Recogida de información. Representación gráfica
23
Aplicación de la Estadística al Control de la Calidad
PRESENTACIÓN DE DATOS
El conjunto de datos recogidos en el estudio debe procesarse para que
permita visualizar las variaciones de la característica objeto de análisis. Una
de las formas más sencillas es la tabulación, para la que se puede emplear
Figura 13. Ejemplo de un impreso como el que aparece en el apéndice, el cual seguidamente
encabezado del impreso
de presentación de datos. veremos de qué manera debe usarse.
24
Recogida de información. Representación gráfica
25
Aplicación de la Estadística al Control de la Calidad
26
Recogida de información. Representación gráfica
27
Aplicación de la Estadística al Control de la Calidad
Recorrido o rango
Es una medida de la dispersión de los valores. Podemos definirlo como
la "distancia" existente entre el valor máximo y el mínimo de la muestra:
La moda
Es una medida de tendencia central. Da idea de dónde se centra el
conjunto de datos. Se define como el
o también:
28
Recogida de información. Representación gráfica
Datos agrupados
Si en el conjunto de datos recogidos aparecen valores muy dispersos (si
el rango es grande), es posible que la tabulación de datos presentada
antes no sea de gran ayuda, puesto que aparecerán muchos valores
distintos que darán lugar a una información poco precisa. Considérese a
tal efecto la tabla de datos de la figura 18(a). En ella aparecen 21 valores
distintos, con sus respectivas frecuencias, pudiendo observar que para
algunos la frecuencia es cero y no por eso dejan de aparecer en la tabla.
29
Aplicación de la Estadística al Control de la Calidad
30
Recogida de información. Representación gráfica
Cualquiera de las tres formas puede ser válida. Según lo visto antes la
que despreciaría menos información sería la segunda.
Teniendo ya los valores agrupados pueden determinarse las columnas
correspondientes a (%); (FA) y (% A), de igual forma que si se tratara de
valores individuales. Ver las figuras 15 y 16.
En cuanto a la interpretación, las frecuencias y los porcentajes se refie-
ren ahora al intervalo de clase respectivo y no a valores individuales. Las
frecuencias y los porcentajes acumulados toman como referencia el valor
superior de cada intervalo de clase. Por ejemplo: 6 sobres de la muestra
tienen pesos iguales o inferiores a 1,89 gramos. Ver figura 18(b).
La Media Aritmética
Cuando se trabaja con conjuntos de valores, resulta muy importante
conocer la tendencia central del conjunto. Antes definimos la moda como
una medida de la tendencia central. Ahora nos referiremos a la media
aritmética como la principal y más efectiva de estas medidas. Podría
definirse como el punto de equilibrio entre los valores que están por
encima y los que quedan por debajo de ella.
La Mediana
Es otra de las medidas de tendencia central. Tiene aplicación cuando se
trabaja con pequeñas muestras impares, como en algunos casos del
control estadístico de procesos. La definimos como el valor tal que el 50 %
de los datos están por encima de él, mientras que el otro 50 % están por
debajo.
31
Aplicación de la Estadística al Control de la Calidad
La figura 21 nos muestra los pasos a seguir para calcularla. Suele denotarse
por x o por las letras Mdn.
En la figura 22 aparece un ejemplo del cálculo de la mediana para una
muestra de 5 elementos.
Desviación
Se entiende como tal la distancia existente entre un valor dado pertene-
32
Recogida de información. Representación gráfica
Desviación típica
Si sumamos las "desviaciones al cuadrado" y las dividimos entre el
número de ellas, obtendremos el promedio. Extrayendo la raíz cuadrada a
este promedio compensaremos el haber elevado previamente al cuadra-
do, obteniendo lo que se conoce como Desviación Estándar o Desviación
Típica. Todo esto lo expresamos con la fórmula:
33
Aplicación de la Estadística al Control de la Calidad
donde:
34
Recogida de información. Representación gráfica
REPRESENTACIÓN GRÁFICA
Hasta aquí se han desarrollado distintas formas de recoger información,
ordenarla y clasificarla para poder describir el comportamiento de nues-
tros datos de forma más simple, pudiendo transmitir a otros dicha informa-
ción resumida y fácilmente comprensible. Muchas veces no es suficiente
con esto y necesita acompañarse de gráficos que ilustren dicho comporta-
miento y que permitan efectuar mejor los análisis. Veamos cómo construir
algunos gráficos importantes y cómo pueden utilizarse en la empresa.
El Gráfico Lineal
Es una de las formas más sencillas de representar los datos para que
podamos visualizar las variaciones de la característica objeto de análisis.
Trataremos de explicarlo mediante un ejemplo:
35
Aplicación de la Estadística al Control de la Calidad
Diagrama de Barras
Cuando empleamos técnicas de representación, en muchas ocasiones
36
Recogida de información. Representación gráfica
Diagrama de Sectores
Resulta muy ilustrativo en estos casos el diagrama de sectores, también
37
Aplicación de la Estadística al Control de la Calidad
llamado diagrama circular o "del pastel", dada la forma que tiene. El dia-
grama circular suele obtenerse en base a porcentajes. Veamos un ejemplo
con los datos de la tabla de la figura 28.
Para obtener los porcentajes, multiplicamos por 100 las ventas totales
de cada artículo y dividimos el resultado entre el total.
Por ejemplo, para hallar el porcentaje para el artículo B:
Ventas B x 100 284.000
%B= = = 4,67
Total ventas 60.755
Figura 29. Diagrama circular
mostrando las ventas
de cinco artículos, de acuerdo
con la tabla de la figura
28.
38
Recogida de información. Representación gráfica
El Histograma
Al observar un diagrama lineal, se aprecia con facilidad el comporta-
miento de los datos, uno a uno. Aunque, como se ha visto, resulta de gran
utilidad este gráfico, es difícil extraer de él conclusiones referentes al
conjunto de datos de forma directa, pero puede servirnos de base para la
explicación de otro gráfico que nos permita obtener las conclusiones
deseadas. Nos referimos al Histograma.
39
Aplicación de la Estadística al Control de la Calidad
En Estadística existe una regla llamada "de los tres cuartos" que está
directamente relacionada con la construcción de un histograma. En ella
se señala que la relación entre los ejes vertical y horizontal de un histogra-
ma debe ser de 3 a 4. Es decir, construido ya el eje horizontal con sus
valores, dividimos el espacio destinado a éste en cuatro partes; tomando
40
Recogida de información. Representación gráfica
41
Aplicación de la Estadística al Control de la Calidad
Polígono de Frecuencias
Algunas veces resulta de interés construir lo que se conoce con el
nombre de Polígono de Frecuencias en lugar del histograma. Podemos
hacerlo a partir del propio histograma, o independientemente de éste,
con los datos que aparecen en la tabla de frecuencias.
Considerando la figura 32(b), si unimos los puntos medios de los techos
de las columnas en forma consecutiva y mediante segmentos de recta,
obtendremos una línea poligonal como la que aparece en la figura 33.
42
Recogida de información. Representación gráfica
Si se desea construir directamente el polígono de frecuencias, puede Figura 34. (a). Tabla de
hacerse marcando los puntos correspondientes a cada pareja (valor, fre- frecuencias del ejemplo
anterior. La pareja de números
cuencia) obtenida de la tabla de frecuencias. encerrados en el
recuadro corresponde al
En la figura 34(b) se muestra el mismo polígono desarrollado con los punto señalado en la
datos de la tabla de frecuencias (figura 34(a)), sin haber construido previa- gráfica (b).
mente el histograma. Obsérvese que en la tabla (a) la columna F comienza (b). El mismo
y termina en cero. Esto es para obtener los puntos extremos del polígono polígono del ejemplo
anterior obtenido a partir de la
que permiten cerrar la figura. tabla de frecuencias.
Curva de Frecuencias
Los polígonos que desarrollamos en el apartado anterior, presentan una
serie de vértices más o menos agudos en los puntos de unión de cada dos
segmentos consecutivos. Si tratamos de "suavizar" los vértices del polígo-
no por medio de una curva suave y continua que se adapte a él, compen-
sando las áreas perdidas en unos casos con las ganadas en otros, obten-
dremos lo que se conoce con el nombre de curva de frecuencias. La figura
35 muestra una curva de frecuencias que puede adaptarse bien al polígo-
no sobre el que está construida.
43
Aplicación de la Estadística al Control de la Calidad
44
Probabilidades. Distribución
de probabilidad
PROBABILIDADES
Antes de entrar directamente en el desarrollo de las probabilidades,
introduciremos algunos conceptos que consideramos necesarios para el
estudio de este tema.
Un Experimento Aleatorio es un proceso que cumple con las siguientes
propiedades:
— Se efectúa en base a un conjunto de reglas.
— Se repite o puede concebirse la repetición del mismo.
— No se puede predecir un resultado único.
Como ejemplo de experimentos aleatorios podemos citar:
a) Lanzar un dado.
b) Tirar una moneda al aire.
c) Seleccionar aleatoriamente e inspeccionar un grupo de piezas.
Al conjunto de todos los resultados posibles de un experimento aleato-
rio se le denomina Espacio Muestral del experimento. Suele denotarse por
S. Así, para los experimentos citados en el ejemplo anterior, tendremos los
siguientes espacios muéstrales:
Sa = {1,2, 3, 4, 5, 6}
Sb = {cara, cruz}
Sc = {defectuoso, no defectuoso}
A cada uno de los subconjuntos del espacio muestral se le llama
Evento. Se representa comúnmente por la letra E. Siguiendo con los
experimentos antes citados, podemos formar, entre otros, los eventos:
Ea = {1,2}
Eb = {cruz}
Ec = {defectuoso}
Cada uno de ellos contiene elementos del espacio muestral del que fue
obtenido.
Pero revísese atentamente el siguiente ejemplo, pues al ser un caso
común en la práctica permitirá aclarar más lo antes explicado.
Supongamos que queremos extraer dos piezas del conjunto de cinco
45
Aplicación de la Estadística al Control de la Calidad
46
Probabilidades. Distribución de probabilidad
47
Aplicación de la Estadística al Control de la Calidad
48
Probabilidades. Distribución de probabilidad
49
Aplicación de la Estadística al Control de la Calidad
P (A ) P (B ) P(A ∩B)
50
Probabilidades. Distribución de probabilidad
VARIABLE ALEATORIA
Es una función que se asocia con un experimento aleatorio. Se define en
el espacio muestral del experimento. El conjunto de todos los resultados
del espacio muestral para los que la variable aleatoria adopta un valor
determinado, tiene una probabilidad definida.
Supóngase el ejemplo del lanzamiento de dos monedas (A y B) a la vez.
Vamos a definir nuestra variable aleatoria como:
x = Número total de caras que se obtienen en el lanzamiento.
El espacio muestral correspondiente a este experimento es:
51
Aplicación de la Estadística al Control de la Calidad
DISTRIBUCIONES DE PROBABILIDAD
Considérese una variable aleatoria x discreta:
x = número que se obtiene al arrojar un dado.
Los distintos valores que puede tomar x son:
x = (1,2, 3,..., 6)
Las probabilidades de que x adopte cada uno de esos valores, ya son
conocidos:
P(x=1) = 1/6 ; P(x=2)=1/6;...; P(x=6)=1/6
La probabilidad de que x tome un valor a distinto de los anteriores
queda determinada por:
P(x=a)=0
Todo esto podemos expresarlo por medio de la función
1/6 si x=(1;2;3;...;6)
f(x)=
0 en cualquier otro caso
La función f (x) nos da las probabilidades para los distintos valores de la
variable. Por esta razón, se dice que f(x) es la Función de Probabilidades de
la variable aleatoria considerada. Véase en la figura 44 la representación
gráfica.
52
Probabilidades. Distribución de probabilidad
53
Aplicación de la Estadística al Control de la Calidad
54
Probabilidades. Distribución de probabilidad
Distribución Normal
Fue desarrollada por F. Gauss, de aquí que también se conozca como
distribución gaussiana o "de Gauss". Es la distribución continua más impor-
tante, dado que muchas variables, en la práctica, se distribuyen normal-
mente o bien se acercan a la normalidad. Muchas distribuciones halladas
en control de calidad se aproximan a la curva normal. En el caso del control
estadístico de procesos por variables, se parte del supuesto de que la
distribución de datos se aproxima a la normal.
Las distribuciones normales se presentan gráficamente en forma de una
curva suave, acampanada y simétrica. A esta curva de distribución normal,
suele dársele también el nombre de curva de Gauss o campana de Gauss,
dada su forma acampanada.
Mediante un examen visual de la distribución de frecuencias de la
muestra, se puede apreciar si la población a la cual pertenece dicha
muestra puede suponerse razonablemente normal. En la figura 49 aparece
el histograma de frecuencias de una muestra que se adapta a una normal.
Obsérvese la forma acampanada de la curva, simétrica con respecto a la
media de la muestra ( x ). Debido a la simetría, la media coincide con la
moda (Mo) y con la mediana (Mdn).
55
Aplicación de la Estadística al Control de la Calidad
56
Probabilidades. Distribución de probabilidad
57
Aplicación de la Estadística al Control de la Calidad
Figura 52. Fragmento de la Según la tabla, para Z=2,46 obtenemos 0,49305. Quiere decir que
tabla de áreas bajo la entre la media (60 días) y nuestro valor (100 días), tenemos el 49,305 % de
curva normal entre la media y las bombillas. Por ser la distribución normal simétrica, a la derecha de la
distintos valores de Z.
Para buscar el valor media hay el 50%, luego para saber cuántas bombillas siguen funcionan-
correspondiente a 2,46 do después de 100 días, restamos los porcentajes anteriores:
entramos por la fila 2,4 hasta
encontrar el número % después de 100 días = 50% - 49,305% = 0,695%
situado en la columna 6.
Diremos entonces que aproximadamente sólo el 0,7 % de las bombillas
seguirá funcionando después de 100 días.
La figura 53 representa gráficamente el % buscado.
58
Probabilidades. Distribución de probabilidad
59
Aplicación de la Estadística al Control de la Calidad
60
Probabilidades. Distribución de probabilidad
Distribución exponencial
Tiene importancia en la industria para describir el comportamiento del
tiempo entre fallos en equipos complejos cuando se hacen estudios de
fiabilidad. También es útil en la construcción, distribución de cargas, etc.
Se caracteriza porque muchos datos se sitúan por debajo de la media,
mientras que sólo unos pocos están por encima. Esto es lo que hace
decidir su aplicación. En una población exponencial, el 63,2% de los
valores están por debajo de la media, mientras que el 36,8% están por
encima. Puede apreciarse en la figura 55. Véase también la forma de la
curva, que no llega a tocar a ninguno de los ejes de coordenadas.
61
Aplicación de la Estadística al Control de la Calidad
Distribución Binomial
Es una de las distribuciones discretas más importantes. Suele dársele
también el nombre de distribución de Bernoulli.
Supongamos que la probabilidad P(A) de que ocurra el evento A en un
experimento aleatorio es constante y que los resultados del experimento
no influyen uno sobre otro.
Definimos p como la probabilidad de que ocurra A en un solo ensayo:
p=P(A)
Luego 1–p es la probabilidad de que en un solo ensayo no ocurra A que
llamaremos q.
1–p=q
En ocasiones se le llama a p probabilidad de éxito en un ensayo único.
Si el experimento se lleva a cabo varias veces, por ejemplo, n veces, el
número de éxitos x puede ser un valor cualquiera: x = 0,1,2...,n y el
número de fracasos queda definido por n –x .
Las probabilidades correspondientes a cada número determinado de
éxitos pueden calcularse por medio de la expresión:
⎛n⎞
f (x )= ⎜ ⎟ p x .qn-x para x = (0,1,2, ...,n ) y
⎝x⎠
62
Probabilidades. Distribución de probabilidad
P (x = 2) = f (2) = ⎛5⎞
⎜ ⎟
0,52 . 0,53 = 10 . 0,25 . 0,125 = 0,3125
⎝2⎠
P (x=3) = f(3) = ⎛ 5 ⎞
0,53 . 0,52 = 10 . 0,25 . 0,125 = 0,3125
⎜ ⎟
⎝ 4 ⎠
63
Aplicación de la Estadística al Control de la Calidad
σ = p (1-p ) / n
Considérese que los valores n . p y p antes expresados, son valores
poblacionales rara vez conocidos, por lo que se estiman en la práctica a
partir de las respectivas medias aritméticas n . p y p de los resultados
muéstrales.
La distribución binomial es aplicable entonces para definir la probabili-
dad de x éxitos en n pruebas de un experimento que tiene una probabili-
dad p = c t e en cada prueba.
Luego si p tiene que ser constante, el muestreo, en teoría, tendría que
realizarse con reemplazo, es decir, tomar la primera pieza, examinarla,
anotar el resultado (defectuosa o no defectuosa) y devolverla de nuevo al
lote antes de tomar la segunda, siguiendo de esta forma hasta haber
examinado el número de piezas correspondiente al tamaño de la muestra.
Esto haría que el lote presentara exactamente las mismas condiciones ante
la extracción de cada pieza.
En la práctica es poco usado el muestreo con reemplazo, pero cuando
el tamaño del lote es suficientemente grande puede ser lo mismo mues-
trear con o sin reemplazo.
Suele fijarse que si el lote tiene como mínimo un número de elementos
igual a diez veces el tamaño de la muestra, resulta adecuado aplicar la
distribución binomial, independientemente de que el muestreo se realice
con o sin reemplazo.
Luego, aplicaremos la binomial si p = c t e y N ≥ 0 n. Si n es grande, la
distribución binomial puede aproximarse por medio de la normal, con
64
Probabilidades. Distribución de probabilidad
Distribución de Poisson
Fue introducida a principios del siglo pasado por S.D. Poisson. Es otra de
las distribuciones discretas con importantes aplicaciones.
Resulta ser una buena aproximación de la distribución binomial cuando
existe un gran número de ensayos y una probabilidad de éxito pequeña en
un solo ensayo, siendo aplicable cuando:
n ≥ 16 N ≤ 10n y p ≤ 0,1
La figura 57 muestra la gráfica de la función de probabilidades de la
distribución de Poisson para varios valores de la media μ .
La distribución de Poisson se aplica para el estudio por atributos del
número de piezas defectuosas (np) y del número de defectos (c). La media
de la distribución es:
μ =np o μ= c según los casos.
Donde np o c son los valores esperados de piezas defectuosas o
defectos de la población, respectivamente.
La desviación estándar de la distribución de Poisson es la raíz cuadrada
de la media, por lo que:
σ = np o σ= c
∑ np i ∑c i
np = i =1
; c= i =1
m m
Esto que acabamos de desarrollar tiene especial importancia para los
65
Aplicación de la Estadística al Control de la Calidad
{x − K ≤ μ ≤ x + K}
donde K es:
K=z. σ / n
Efectuando los cálculos para K:
K = 2,58 . 3 / 100 = 0,774
con lo que el intervalo de confianza es:
{12 − 0,774 ≤ μ ≤ 12 + 0,774} que es lo mismo que:
{11,226 ≤ μ ≤ 12,774}
A veces se expresa como μ = 12 ± 0,774
66
Probabilidades. Distribución de probabilidad
67
Aplicación de la Estadística al Control de la Calidad
68
Control estadístico del proceso
INTRODUCCIÓN
Consideramos un proceso como una combinación de máquinas, mate-
riales, métodos, mano de obra, medio ambiente y mantenimiento, que
intervienen en la producción.
El control de calidad tradicional en un proceso de fabricación, se carac-
teriza por desarrollarse después de la fabricación del lote de producto,
como indica la figura 59. Los productos fabricados son sometidos a una
"detección", que permite decidir cuáles son productos buenos, separán-
dolos de los que resultan defectuosos. Los productos buenos siguen su
curso hacia el mercado. Los defectuosos que pueden recuperarse regre-
san para ser reprocesados, mientras que los no-recuperables pasan a la
"chatarra", convirtiéndose en desperdicios.
69
Aplicación de la Estadística al Control de la Calidad
70
Control estadístico del proceso
71
Aplicación de la Estadística al Control de la Calidad
72
Control estadístico del proceso
GRÁFICOS DE CONTROL
Para que el proceso sea predecible es necesario que la variabilidad en el
producto se deba sólo a causas aleatorias. Esto se logra identificando y
73
Aplicación de la Estadística al Control de la Calidad
Por variables
— Gráfico de medias x .
— Gráfico de rangos R.
— Gráfico de medianas x .
— Gráfico de desviaciones s.
— Gráfico de individuos x.
Por atributos
— Proporción defectuosa p.
— Número de defectuosos np.
— Número de defectos c.
— Proporción de defectos u.
Estos gráficos son objeto de amplio desarrollo en los capítulos siguien-
tes.
74
Gráficos de control por variables
GRÁFICO DE INDIVIDUOS
El gráfico más sencillo de construir es el de valores individuales o
individuos. El procedimiento a seguir es el mismo que el desarrollado para
la construcción de un diagrama lineal. Se recogen los datos de las piezas a
estudiar de uno en uno, señalando la medida de cada pieza y la hora
exacta en que fue fabricada. Obtendremos así parejas de valores (hora,
medida) que representaremos gráficamente en un diagrama como el de la
figura 66. La línea de trazos horizontal que aparece en el gráfico correspon-
de a la media x de los datos recogidos. Es conveniente que esta línea se
Figura 66. Un ejemplo de
sitúe siempre en el centro de la zona destinada al gráfico. Calculando la aplicación del gráfico
desviación estándar s de los datos, se pueden fijar los límites de control de control de individuos al
estadísticos o límites experimentales superior e inferior, que quedan de- estudio de la resistencia
terminados por los puntos +3s y –3s, respectivamente, medidos a partir a la rotura en la fabricación de
correas. Obsérvese que
de la media x . En el gráfico están representados por líneas gruesas conti- para el valor señalado con el
nuas situadas a ambos lados de la línea media. asterisco, el punto del
gráfico sale fuera del limite de
En el apéndice se presenta un impreso para la construcción de este tipo control.
75
Aplicación de la Estadística al Control de la Calidad
de gráficos. También aparece allí una hoja de registro para el control del
proceso, que debe acompañar siempre a todo gráfico de control. Esta hoja
tiene gran importancia para el análisis del gráfico al que corresponde, pues
en ella quedan registradas todas las incidencias que se han presentado a lo
largo de la fabricación y que pueden haber dado lugar a variaciones
sustanciales en el gráfico.
Una simple revisión de los registros anotados puede darnos a conocer,
en muchos casos, las causas de variación que están influyendo en el
proceso.
El gráfico de individuos tiene aplicación cuando se dispone de pocos
datos para el estudio, como en el caso de lotes de fabricación pequeños.
Uno de los inconvenientes de su aplicación es que dependen del compor-
tamiento de la distribución de los datos, que puede ser muy irregular en
algunos casos, lo que dificulta su posterior análisis. Otro de los inconve-
nientes que presenta es la poca sensibilidad para detectar cambios en el
proceso de fabricación.
GRÁFICO DE MEDIAS/RANGOS
donde:
σ x = Desviación de la distribución de medias.
σ = Desviación de la distribución de valores individuales.
n = Tamaño de las muestras de donde se han extraído las medias.
Esto hace que la probabilidad de detección de un cambio en el proceso
sea mayor si se emplean medidas de pequeñas muestras que en el caso
de trabajar con valores individuales.
Además, estadísticamente se comprueba que una distribución de me-
dias de pequeñas muestras tomadas de una población cualquiera, se
aproxima a la distribución normal en la medida en que el número de
muestras procesadas se hace mayor. Esta afirmación tiene vital importancia
en el análisis de los gráficos, permitiendo fijar pautas únicas basadas en las
propiedades ya conocidas de la distribución normal.
Por otro lado, se presenta la desventaja de que al trabajar con medias
puedan aparecer uno o varios valores individuales fuera de los límites
permitidos, que resulten compensados en el cálculo de la media, obte-
niéndose en definitiva un punto "bueno" en el gráfico, que está encu-
briendo a la pieza o piezas defectuosas individualmente analizadas.
76
Gráficos de control por variables
77
Aplicación de la Estadística al Control de la Calidad
Límites de control
Habiendo determinado ya los valores de x y R podemos pasar a calcular
los límites de control que servirán de pautas para el análisis.
Tomando los datos correspondientes al ejemplo de la figura 67:
x =301,8 R =12,65
procederemos a desarrollar los pasos a seguir para obtener los límites.
78
Gráficos de control por variables
A2 = 0,729 D3 = 0 y D4 = 2,282
Los límites superior e inferior para la media serán, respectivamente:
LSx = x + A2 . R = 301,8 + 0,729 . 12,65 = 311,02 ≈ 311
LI x = x + A2 . R = 301,8 − 0,729 . 12,65 = 311,02 ≈ 311
y para el rango:
LSR = D4 . R =2,282 . 12,65 = 28,87 ≈ 28,9
U R =D 3 . R = 0 .12,65= 0
Por estos valores, según las escalas correspondientes a cada diagrama,
se trazan líneas gruesas continuas horizontales, que representan a los
79
Aplicación de la Estadística al Control de la Calidad
80
Gráficos de control por variables
Para que los cálculos resulten en verdad más sencillos, se necesita que
las muestras sean de tamaño impar, por ejemplo de 5 unidades.
En la construcción del gráfico x necesitamos determinar:
— La mediana x de cada muestra.
— La media de las medianas x .
— Los límites de control superior e inferior.
En el capítulo de Presentación de datos vimos cómo calcular la mediana
(figuras 21 y 22).
La media de medianas es la media aritmética de las medianas de cada
muestra.
Los límites de control los obtenemos a partir de las expresiones:
81
Aplicación de la Estadística al Control de la Calidad
82
Gráficos de control por variables
En el gráfico R o s
Aumento de la variabilidad (el proceso ha empeorado) cuando el punto
está por encima del límite superior.
La existencia de un punto por debajo del límite inferior indica, general-
mente, que la dispersión ha disminuido (mejorado).
Si el tamaño de la muestra es menor que 7, siempre que los puntos se
acerquen a cero, será un indicativo de que la variabilidad ha disminuido.
Conviene investigar las causas de esta mejora para introducirlas en el
proceso de forma permanente.
En el gráfico x o x
Un punto fuera de los límites representa un cambio en la tendencia
central que indica que el proceso ha empeorado, independientemente de
que el punto se sitúe por encima del límite superior o por debajo del
inferior. Figura 71.
La posición de los puntos dentro del área de control. Entendiendo como tal
la zona comprendida entre los límites, es la siguiente, para un conjunto de
20 a 25 muestras:
— En la zona central se sitúa el 68% del total de puntos del gráfico.
Figura 72(a). Equivale a decir que en esta zona deben existir entre 12 y 18
puntos, aproximadamente. Es necesario intervenir el proceso si hay 13 o
más puntos consecutivos en la zona central.
— En la zona media debe aparecer el 27 % de los puntos. Deben existir
entre 6 y 10 puntos, aproximadamente. Se hace necesario intervenir si hay
4 o más consecutivos. Figura 72(b).
— La zona externa contiene aproximadamente el 5 % del total de pun-
tos. Deben existir entre 1 y 3 puntos, aproximadamente. Hay que interve-
83
Aplicación de la Estadística al Control de la Calidad
nir si aparecen dos consecutivos. La figura 72(c) define esta zona como la
más próxima a los límites de control.
Si los puntos del gráfico que estamos analizando no se corresponden
con lo antes señalado, verifiquemos que los límites estén bien calculados y
marcados.
De no haber errores de cálculo o representación, las posiciones indebi-
das de los puntos pueden indicar mezclas o estratificaciones en las piezas
84
Gráficos de control por variables
85
Aplicación de la Estadística al Control de la Calidad
86
Gráficos de control por atributos
INTRODUCCIÓN
En la industria es frecuente encontrarse con características que no son
medidas como variables, en unos casos porque corresponden a aspectos
cualitativos y en otros porque supondría un coste elevado. Aquí es donde
intervienen los controles por atributos, brindándonos un método sencillo,
rápido y que puede ser fácilmente comprendido por todo el personal.
Además, en todos los procesos hay atributos, bien por tratarse de aspec-
tos cualitativos como decíamos antes, o porque se han convertido las
características variables en atributos para simplificar el control.
Entre los gráficos de control por atributos citaremos:
— p : Proporción de unidades defectuosas.
— np : Número de unidades defectuosas.
— c: Número de defectos.
— u : Número de defectos por unidad de inspección.
Estos cuatro gráficos se agrupan de dos en dos, según estudien:
— Unidades defectuosas (p y np).
— Defectos (c y u).
Pero por otro lado también pueden agruparse de acuerdo a cómo
procesen los datos:
— Cantidad de defectos o de piezas defectuosas (np o c).
— Proporción de defectos o de piezas defectuosas (p o u).
Si bien para procesar estadísticamente los datos de características varia-
bles era necesario que existieran variaciones, para trabajar con atributos es
necesaria la presencia de defectos o de piezas defectuosas.
Al igual que en el estudio por variables, los gráficos por atributos
distinguen entre causas comunes y especiales de variación.
Estos gráficos son de gran utilidad en la mejora de procesos que produ-
cen cantidades significativas de defectos.
Entre sus desventajas puede citarse que no cuantifican la variación. Por
regla general, necesitan muestras de tamaño grande. Diremos también que
se prestan a subjetividades por parte de las personas que califican las
piezas, aunque esta desventaja puede minimizarse si se establecen crite-
rios de conformidad adecuados.
El gráfico p
Mide la proporción de unidades defectuosas en relación al tamaño de la
muestra.
87
Aplicación de la Estadística al Control de la Calidad
Cada unidad objeto de control debe registrarse sólo una vez (conforme-
/no conforme) sin importar el número de defectos que presente.
Se necesitan muestras grandes, recogidas en un mismo período de
operación del proceso. Las muestras han de tener un tamaño tal que
permita la aparición de defectos o piezas defectuosas. Es aconsejable que
el tamaño de la muestra sea constante. En su defecto, la variación máxima
permitida será de un 25 % en relación con el tamaño medio de la muestra.
Si el tamaño de una muestra excede este máximo permitido, habrá que
calcular límites de control especiales para dicha muestra.
La frecuencia de muestreo debe establecerse en consonancia con los
períodos de producción.
Para estimar el comportamiento del proceso deben examinarse al menos
20 muestras.
La obtención de valores y límites correspondientes al gráfico p se
muestra en la figura 75.
El gráfico np
Mide el número de unidades defectuosas encontradas en las muestras.
Necesita muestras grandes, pero por tratarse de un gráfico de "cantida-
des" es obligatorio que tengan tamaño constante.
Los datos se obtienen con más facilidad que en el gráfico p, pues no es
88
Gráficos de control por atributos
necesario determinar las proporciones para cada muestra, evitando así los
errores que ocasiona el trabajar con decimales.
Cada unidad sólo se registrará una vez, sin importar el número de
defectos que tenga.
La frecuencia de muestreo se fija en consonancia con los períodos de
producción.
Para estimar el comportamiento del proceso, se debe examinar un
mínimo de 20 muestras.
El cálculo de valores y límites para el gráfico np puede observarse en la
figura 76.
El gráfico c
Mide el número de defectos encontrados en la muestra.
Requiere cantidades constantes de material en cada muestra. Por ejem-
plo:
— Defectos por cada 100 metros de tela.
— Defectos de aislamiento en 100 metros de cable.
— Burbujas en un cristal.
— Defectos de pintura en una pieza.
Tiene aplicación cuando en una misma unidad de inspección pueden
encontrarse defectos de muchas fuentes distintas.
La figura 77 nos indica cómo efectuar el cálculo de los valores y límites
correspondientes al gráfico c.
El gráfico u
Mide el número de defectos por unidad de inspección. Es similar al
89
Aplicación de la Estadística al Control de la Calidad
gráfico c, sólo que aquí se obtiene el resultado por unidad. Utiliza los
mismos datos básicos que el tipo anterior. Debe emplearse si el tamaño
de la muestra no puede mantenerse constante de un período del proceso
a otro.
Conviene que las muestras sean de tamaño constante para facilitar los
cálculos, aunque utilizando los mismos límites de control se permite una
variación del 25 % en el tamaño con respecto a la muestra media.
En la figura 78 podemos ver cómo determinar los valores y límites de
control del gráfico u.
Si en cualquier gráfico por atributos, el límite inferior diera un resultado
negativo, se despreciaría dicho valor, situando el límite en la línea del cero.
90
Gráficos de control por atributos
91
Aplicación de la Estadística al Control de la Calidad
Tendencias o tramos
Existen dos tipos de tendencias o tramos:
Tendencias ascendentes o tramos por encima de la media. Dan a
entender que:
— El proceso ha empeorado y puede estar empeorando aún.
— El criterio de aceptación ha sido modificado.
Tendencias descendentes o tramos por debajo de la media. Indican
que:
— El proceso ha mejorado y puede seguir mejorando. Debemos estu-
diarlo para introducir mejoras permanentes.
— El criterio de aceptación fue modificado.
92
Gráficos de control por atributos
93
Estudios de capacidad
INTRODUCCIÓN
El estudio de capacidad es una forma de comparación entre la variabili-
dad permitida en el diseño de una pieza y la variabilidad obtenida en la
fabricación de la misma. La variabilidad permitida en el diseño se refleja en
las especificaciones y tolerancias de la pieza. La variabilidad obtenida en la
fabricación la determinamos con el estudio estadístico de un conjunto de
piezas fabricadas.
Para iniciar un estudio de capacidad debe definirse la característica a
estudiar, con sus correspondientes especificaciones.
Es necesario que los instrumentos de medida a utilizar estén en perfecto
estado, teniendo como mínimo una precisión de 1 /10 de la tolerancia que
tiene la característica a medir.
Estudios de Capacidad
95
Aplicación de la Estadística al Control de la Calidad
96
Estudios de capacidad
97
Aplicación de la Estadística al Control de la Calidad
98
Estudios de capacidad
99
Aplicación de la Estadística al Control de la Calidad
100
Estudios de capacidad
101
Apéndice
103
Aplicación de la Estadística al Control de la Calidad
104
Apéndice
105
Aplicación de la Estadística al Control de la Calidad
Considérese
xi − μ
Z=
σ
106
Apéndice
5) Distribución exponencial
⎛n⎞
6) Tabla de números combinatorios ⎜ ⎟
⎝k ⎠
107
Aplicación de la Estadística al Control de la Calidad
7) Distribución binomial
108
Apéndice
109
Aplicación de la Estadística al Control de la Calidad
110
Apéndice
111
Aplicación de la Estadística al Control de la Calidad
n : Tamaño de la muestra.
A1: Factor para el cálculo de límites en el gráfico x (a partir de s )
A2: Factor para el cálculo de límites en el gráfico x (a partir de R )
A 2 : Factor para el cálculo de límites en el gráfico x (a partir de R )
D3: Factor a partir de R) para el cálculo del límite inferior Gráficos R
D4: Factor para el cálculo del límite superior
B3: Factor para el cálculo del límite inferior
Gráficos s
B4: Factor para el cálculo del límite superior
112
Apéndice
113
Aplicación de la Estadística al Control de la Calidad
114
Apéndice
σx
Desviación standard en una distribución de medias.
x /R Gráfico de control de medias y rangos.
x Media de medias (línea central del gráfico x ).
LSx Límite superior del gráfico de medias.
LI x Límite inferior del gráfico de medias.
R Media de los rangos. (Línea central del gráfico R).
A2 Constante para el cálculo de los límites de control en el gráfico x
cuando éste se combina con R.
D3 Constante para el cálculo del límite inferior del gráfico R.
D4 Constante para el cálculo del límite superior del gráfico R.
x /s Gráfico de control de medias y desviaciones.
A1 Constante para el cálculo de los límites de control en gráfico x cuando
éste se combina con s.
s Media aritmética de las desviaciones estándar de las muestras.
x /R Gráfico de medianas y rangos,
x Media aritmética de las medianas de las muestras.
A
2 Constante para el cálculo de los límites de control para el gráfico x .
B3 Constante para el cálculo del límite inferior del gráfico s.
B4 Constante para el cálculo del límite superior del gráfico s.
LSp Límite superior del gráfico p.
LIp Límite inferior del gráfico p.
LSnp Límite superior del gráfico np.
Llnp Límite inferior del gráfico np.
LSc Límite superior del gráfico c
LIc Límite inferior del gráfico c
LSu Límite superior del gráfico u.
Llu Límite interior del gráfico u.
115