CURSO: Control de calidad de alimentos (AI 546)

PROFESOR: Ing° Antonio Matos Alejandro

Control de Calidad Estadístico

Introducción

La presente separata pretende explicar las ventajas que implica aplicar el control
estadístico en los procesos de producción con el fin de mejorar los procesos
productivos, disminuyendo costos para así ofrecer productos realmente competitivos.
Existe mucha literatura de control de calidad en sus distintas modalidades, todos los
autores de calidad coinciden en la necesidad de usar técnicas de calidad, y para cubrir
esta necesidad existe un conjunto de técnicas estadísticas llamadas herramientas básicas
de la calidad que aplicada combinadamente forman el control estadístico del proceso
(CEP).

Actualmente, todas las empresas modernas saben que lograr un buen nivel de calidad es
fundamental para el éxito de su gestión.

La obtención de este objetivo, no solo es importante desde el punto de vista de la

competencia, sino también para la satisfacción de las necesidades humanas.

Estas necesidades humanas evolucionan constantemente, hay cada día mayor demanda
de mejor precisión, más exactitud, intercambiabilidad, confort, etc. y lo que hoy acepta
el consumidor, mañana puede rechazarlo, pues esta demanda de la cual estamos
hablando, se perfecciona cada día, y toda empresa que no se adapte a este movimiento
continuo corre el riesgo de quedar desplazada a corto plazo.

Para marchar al compás de este ritmo se hacen necesarios mejores instrumentos,

maquinarias, métodos, etc., y lo que es más importante, un mejor aprovechamiento de
los mismos, es decir, obtener mejor calidad con la misma cantidad de dinero. Para
lograr este objetivo debemos recurrir al control estadístico de calidad, como una de las
armas más poderosas para la realización de todas estas ideas.

El objetivo de este tema es dar una buena información de las herramientas existentes
para el control estadístico de la calidad, pero debemos dejar bien claro que los objetivos
de calidad no se logran esgrimiendo solamente estas herramientas estadísticas. Hoy en
día, el concepto de Control Total de Calidad, enseña claramente que todos los
estamentos de la empresa están involucrados en la obtención de la mejor calidad del
producto, y que éste objetivo no es, de ninguna manera, responsabilidad exclusiva de los
departamentos técnicos especializados en el control estadístico de la calidad, sino de
todos los integrantes de la empresa, desde el más humilde empleado, al más
importante de los gerentes.

Definimos el “Control Estadístico de la Calidad” como la aplicación de diferentes

técnicas estadísticas a procesos industriales (mano de obra, materias primas medidas,
máquinas y medio ambiente), procesos administrativos y/o servicios con objeto de
verificar si todas y cada una de las partes del proceso y servicio cumplen con unas
ciertas exigencias de calidad y ayudar a cumplirlas, entendiendo por calidad “la aptitud
del producto y/o servicio para su uso.

La aplicación de técnicas estadísticas al control está basada en el estudio y evaluación

de la variabilidad existente en cualquier tipo de proceso que es principalmente el objeto
de la estadística.

Las fuentes que producen la variabilidad objeto de estudio en la estadística, se clasifica

en “variabilidad controlada” o “corregible” que es posible detectarla por causar una
variabilidad muy grande (ajuste incorrecto de la máquina, errores humanos, siendo
posible eliminar la causa o causas que la han producido, y la “variabilidad debida al
azar”, también denominada “variabilidad no controlable que no puede ser asignada a
una causa única sino al efecto combinado de otras muchas.

Supongamos un esquema de un proceso de fabricación determinado que produce cierta

pieza donde la característica de calidad sea Y (medible u observable). Se observa que la
magnitud de la característica varía de unidad a unidad de producto; esto es, se dice que
el producto posee variabilidad, objetivo primario o base de la Estadística.

Responsabilidad
del supervisor

Variables controlables
Calidad Variabilidad Producto
producto asignable defectuoso

PROCESO
Variabilidad
Producto
No asignable
aceptable
Variables no controlables

Responsabilidad
de la dirección

El objetivo del Control Estadístico de la Calidad es: 1. Detectar rápidamente la

ocurrencia de variabilidad debida a causas asignables. 2. Investigar la(s) causa(s) que la
han producido y eliminarla(s). 3. Informar de ella para la toma de decisión oportuna,
pues de lo contrario se producirían gran cantidad de unidades de calidad no aceptable,
originando una disminución de la capacidad productiva e incremento de costos del
producto terminado (supervisor). 4. Eliminar, si es posible, o al menos reducir al
máximo la variabilidad del proceso (dirección).
El control estadístico de la calidad y la mejora de procesos

Comenzando con la aportación de Shewhart sobre reconocer que en todo proceso de

producción existe variación, puntualizó que no podían producirse dos partes con las
mismas especificaciones, pues era evidente que las diferencias en la materia prima e
insumos y los distintos grados de habilidad de los operadores provocaban variabilidad.
Shewhart no proponía suprimir las variaciones, sino determinar cuál era el rango
tolerable de variación que evite que se originen problemas.
Para lograr lo anterior, desarrolló las gráficas de control al tiempo que Roming y Dodge
desarrollaban las técnicas de muestreo adecuadas para solamente tener que verificar
cierta cantidad de productos en lugar de inspeccionar todas las unidades. Este periodo
de la calidad surge en la década de los 30’s a raíz de los trabajos de investigación
realizados por la Bell Telephone Laboratories.
En su grupo de investigadores destacaron hombres como Walter Shewhart, Harry
Roming y Harold Dodge, incorporándose después, como fuerte impulsor de las ideas de
Shewhart, el Dr. Edwards Deming.
Estos investigadores cimentaron las bases de lo que hoy conocemos como Control
Estadístico de la Calidad (Statistical Quality Control, SQC), lo cual constituyó un
avance sin precedente en el movimiento hacia la calidad.

Causas de variación

 Existen variaciones en todas las partes producidas en el proceso de manufactura. Hay

dos fuentes de variación:
o variación aleatoria, naturales, no asignables o fortuitas, se debe al azar y no se puede
eliminar por completo. Son aquellas variaciones existentes dentro del proceso, son
normales, no producen efectos detrimentes en el producto, dicha variación procede
de causas que son consecuencia de la casualidad o azar, que para corregirlo será
necesario el cambio del sistema a fin de reducirlo.
o variación asignable, no naturales, atribuibles e imputables, es no aleatoria y se puede
reducir o eliminar. Son las variaciones a los que se espera normalmente que ocurra,
se debe a los elementos de la producción y no al azar, cuando este ocurre
afirmamos que el proceso se encuentra fuera de control o no está bajo control. La
mayor preocupación es ubicarlos a erradicarlos.
 Nota: la variación puede cambiar y cambiará la forma, dispersión y tendencia central
de la distribución de las características medidas del producto.

Procedimientos para establecer un control estadístico

Los procedimientos para establecer un control estadístico del comportamiento de la

empresa:
1. Establecer la "capacidad del proceso",
2. Crear un gráfico de control;
3. Recoger datos periódicos y representarlos gráficamente;
4. Identificar desviaciones;
5. Identificar las causas de las desviaciones;
6. Perpetuar los efectos positivos y corregir las causas de los negativos.

Un gráfico de control utiliza medidas de un proceso para determinar el comportamiento

normal de dicho proceso. La desviación típica es una medida de variabilidad que
también puede calcularse, con las cuales trazamos los límites de control superior e
inferior. Incluyendo los datos futuros a medida que se obtienen, veremos si los nuevos
datos se corresponden con los resultados esperados. Si no es así, inferiremos que ha
sucedido algo infrecuente con lo que procederemos a buscar la causa. Estas causas son
denominadas causas especiales para diferenciarlas de las causas comunes de
variabilidad, las cuales siempre están presentes y son las causantes de la variación
incluida en las observaciones previas. Las causas comunes se reflejan en los cálculos de
la media y de la desviación típica utilizados para elaborar el gráfico de control.

El objetivo de los métodos estadísticos de control en los procesos

Podríamos preguntarnos, ¿qué es un producto defectuoso? o más concretamente, ¿qué

es un defecto?

Juran explica lo que es un defecto haciendo un juego de palabras:

"Un defecto es un defecto cuando todos estamos de acuerdo que es un defecto"

Definición tradicional

Un defecto es el incumplimiento de una característica de calidad respecto de un límite

especificado.

Pero, los límites especificados, los determinamos nosotros, previo acuerdo con las
partes interesadas o involucradas en el proceso, luego, por carácter transitivo, vale la
frase del insigne maestro del control de calidad, Dr. Juran.

Otra ilustre definición de lo que es un defecto, es la afirmación de Kahoru Ishikawa,

quien dice que un defecto es lo que causa insatisfacción al cliente.

¿Qué causa los productos defectuosos?

La respuesta universal a esta pregunta es: la variación

La variación en los materiales, en las condiciones de la máquina, en los métodos de

trabajo y en las inspecciones. Estas variaciones son las causas de los productos
defectuosos. Si no existiera ninguna de esas variaciones, todos los productos serían
idénticos y no habría variaciones en la calidad, y no existiría la ocurrencia de productos
defectuosos y no defectuosos.

¿Son todos los defectos iguales? ¿Debemos tratar a todos los defectos por igual?

El sentido común nos dice que no a las dos preguntas. No es lo mismo un defecto
considerado leve como ser una imperfección superficial en la etiqueta de un producto,
que una medida fuera de especificaciones en un repuesto para motor de máquinas que lo
haga absolutamente inservible.
Y consecuentemente, no será el mismo criterio para tolerar la presencia de ambos
defectos, y eso dará paso a distintos planes de calidad según el tipo de defecto.

Clasificación de los defectos, muestrario de defectos.

Existen distintas maneras de clasificarlos. Aquí utilizaremos el siguiente:

Defectos críticos: son aquellos que violan leyes, agreden al consumidor o hacen
inservible al producto.

Defectos mayores: producen una disminución en el correcto funcionamiento o

utilización del producto y es notado por el consumidor.

Defectos menores: producen una disminución leve en el correcto funcionamiento o

utilización del producto, probablemente no lo note el consumidor. Pero si lo nota, el
personal calificado de producción y de control de calidad,

Cada tipo de defecto será objeto de un estudio acabado por las partes interesadas y
deberá finalizar en un muestrario de defectos, debidamente clasificado por tipo de
defecto y firmado por las partes involucradas.

En todos los casos posibles deberá construirse el muestrario con defectos situados justo
en los límites de aceptación o rechazo.

¿Cómo se distribuyen los valores de las variables que medimos? ¿Qué frecuencia tiene
cada valor que la causa llamada "variación" nos entrega?

Tenemos claro que las variaciones nos producen distintas medidas de una variable, la
pregunta es como se distribuyen.

En general siguen un comportamiento llamado gaussiano o normal

De que se trata lo veremos más adelante pero por ahora nos alcanza con comprender
que dicho comportamiento significa que los valores más cercanos al valor central, son
los que más frecuentemente se repiten, y a medida que nos alejamos del valor central, la
frecuencia baja dramáticamente. La gráfica de este comportamiento tiene una forma de
campana.

¿Que tipos de variables conocemos?

Existen dos tipos de variables a considerar, variables continuas y variables discretas.

Las variables continuas son aquellas que se miden...

y las variables discretas se cuentan.

Las primeras dan origen al control por variables y las segundas al control por atributos.
Las características de calidad que llamaremos variables son todas aquellas que podemos
representar por una cifra. Por ejemplo, la medida de un perno, la composición química
de los alimentos, el contenido de cenizas en carbón, etc., etc.

Los atributos son aquellas características de calidad no mensurables, cuya dimensión en

general no se puede representar con una cifra. Como por ejemplo podemos tomar las
imperfecciones visuales de las superficies de los productos, tales como manchas,
diferencias de tono, etc., etc.

Por fin, debemos tener en cuenta, que tanto los procesos como los lotes terminados
pueden ser inspeccionados por atributos o por variables.

Distribución de probabilidades

En la mayoría de los problemas estadísticos nos interesa un número o unos cuántos

números asociados con los resultados de los experimentos. En la inspección de un
producto manufacturado quizá solo nos interese el número de defectos. Estos números
se asocian con situaciones que implican un elemento de azar; en otras palabras, son
valores de variables aleatorias.

Son modelos matemáticos de la distribución de frecuencias, en las cuales en lugar de

considerar frecuencias, se consideran probabilidades. Pueden ser cuadros o gráficos
(histogramas de probabilidad, gráficos de barra).

La variable aleatoria, es la asignación de un valor numérico a cada uno de los resultados

de un ensayo, asume un valor X siendo ésta un valor o número real dentro del rango de
la variable aleatoria. Estas pueden ser: discretas, cuando el número asignado es un valor
entero (finito) (Binomial, Poisson e Hipergeométrica) y, continuas cuando el número
asignado es un valor real (normal estandarizada).

Discretas

Distribución Binomial

Supongamos que un experimento aleatorio tiene las siguientes características:

 En cada prueba del experimento sólo son posibles dos resultados: el suceso A
(éxito) y su contrario(fracaso).
 El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
 La probabilidad del suceso A es constante, la representamos por  p, y no varía de
una prueba a otra. La probabilidad de    es  1- p  y la representamos por  q.
 El experimento consta de un número  n  de pruebas.

Todo experimento que tenga estas características diremos que sigue el modelo de
la distribución Binomial. A la variable  X  que expresa el número de éxitos obtenidos en
cada prueba del experimento, la llamaremos variable aleatoria binomial.

La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores 0,
1, 2, 3, 4, ..., n  suponiendo que se han realizado  n  pruebas. Como hay que considerar
todas las maneras posibles de obtener  k-éxitos  y  (n-k) fracasos debemos calcular éstas
por combinaciones (número combinatorio n sobre k).

La distribución Binomial se suele representar por  B(n,p)  siendo  n  y  p  los parámetros

de dicha distribución.

Función de Probabilidad de la v.a. Binomial

Función de probabilidad de la distribución Binomial o también denominada función de

la distribución de Bernoulli (para n=1). Verificándose:  0 ≤  p ≤ 1

Parámetros de la Distribución Binomial

Sea X una variable aleatoria discreta correspondiente a una distribución binomial.

Ejemplo 1

Una máquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de
piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas sólo haya una
defectuosa.

Solución:

Se trata de una distribución binomial de parámetros B(50, 0'007) y debemos calcular la

probabilidad  p(X=1).

Ejemplo 2
La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la probabilidad de
que una vez administrada a 15 pacientes:

a) Ninguno sufra la enfermedad

b) Todos sufran la enfermedad

c) Dos de ellos contraigan la enfermedad

Solución:

Se trata de una distribución binomial de parámetros B (15, 0'72)

Ejemplo 3

La probabilidad de que el carburador de un coche salga de fábrica defectuoso es del 4

por 100. Hallar:
a) El número de carburadores defectuosos esperados en un lote de 1000
b) La varianza y la desviación típica.

Solución:

Distribución de Poisson

En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de

probabilidad discreta. Expresa la probabilidad de un número k de eventos ocurriendo en
un tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son
independientes del tiempo discurrido desde el último evento.
Proceso de Poisson
La distribución de Poisson, se aplica a varios fenómenos discretos de la naturaleza (esto
es, aquellos fenómenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de
tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es
constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser
modelados por la distribución de Poisson incluyen:

 El número de autos que pasan a través de un cierto punto en una ruta

(suficientemente distantes de los semáforos) durante un periodo definido de tiempo.
 El número de errores de ortografía que uno comete al escribir una única página.
 El número de llamadas telefónicas en una central telefónica por minuto.
 El número de servidores web accedidos por minuto.
 El número de animales muertos encontrados por unidad de longitud de ruta.
 El número de mutaciones de determinada cadena de ADN después de cierta cantidad
de radiación.
 El número de núcleos atómicos inestables que decayeron en un determinado período
en una porción de sustancia radiactiva. La radiactividad de la sustancia se debilitará
con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser
significativamente menor que la vida media de la sustancia.
 El número de estrellas en un determinado volumen de espacio.
 La distribución de receptores visuales en la retina del ojo humano.
 La inventiva de un inventor a través de su carrera.

Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo 

Investigación sobre la probabilidad de los juicios en materias criminales y civiles.

La función de densidad de la distribución de Poisson es:

donde λ es un parámetro positivo que representa la frecuencia esperada del fenómeno

modelado por la distribución.

Tanto el valor esperado como la varianza de una variable aleatoria con distribución de

Poisson son iguales a λ. Los momentos de orden superior son polinomios de
Touchard en λ cuyos coeficientes tienen una interpretación combinatorio. De hecho,
cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula
de Dobinski, el n-ésimo momento iguala al número de particiones de tamaño n.

La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual

a  , el mayor de los enteros menores que λ (los símbolos   representan la función parte
entera). Cuando λ es un entero positivo, las modas son λ y λ − 1.
La función generadora de momentos de la distribución de Poisson con valor esperado λ
es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.

Ejm. Si el 2% de los libros encuadernados en cierto taller tiene encuadernación

defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller
tengan encuadernaciones defectuosas puede calcularse usando la distribución de
Poisson. En este caso concreto, k es 5 y , λ, el valor esperado de libros defectuosos es el
2% de 400, es decir, 8. Por lo tanto, la probabilidad deseada es

Este problema también podría resolverse recurriendo a una distribución binomial de

parámetros k = 5, n = 400 y θ=0,02.

Distribución hipergeométrica

En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta

relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se tiene una
población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La
distribución hipergeométrica mide la probabilidad de obtener x ( )
elementos de la categoría A en una muestra de n elementos de la población original.

Características:

a) Al realizar un experimento con este tipo de distribución, se esperan más de dos tipos
de resultados.

b) Las probabilidades asociadas a cada uno de estos resultados no son constantes.

c) Los ensayos o repeticiones del experimento no son independientes entre sí.

d) El número de repeticiones del experimento n, es constante.

Propiedades

La función de probabilidad de una variable aleatoria con distribución hipergeométrica

puede deducirse a través de razonamientos combinatorios y es igual a
donde N es el tamaño de población, n es el tamaño de la muestra extraída, d es el
número de elementos en la población original que pertenecen a la categoría deseada
y x es el número de elementos en la muestra que pertenecen a dicha categoría. La

notación   hace referencia al coeficiente binomial, es decir, el número de

combinaciones posibles al seleccionar b elementos de un total a.

El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica

es:

y su varianza,

En la fórmula anterior, definiendo

se obtiene

La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a

muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones
en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda.
Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N, es
pequeño.
Ejemplo:

En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2

con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la
probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga
defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga
defectos menores.
Solución:
a) N= 20+3+2 =25 total de artículos

a=20 productos sin defectos

b= 3 productos con defectos menores

N-a-b= 2 productos con defectos mayores

n= 5 productos seleccionados en la muestra

x = 3 productos sin defectos en la muestra = variable que nos define el # de productos

sin defectos en la muestra

y = 1 producto con defectos menores en la muestra = variable que nos define el # de

productos con defectos menores en la muestra

z = n-x-y = 5–3−1 = 1 producto con defectos mayores en la muestra = variable que nos
define el # de productos con defectos mayores en la muestra

b) N= 25

a=20 productos sin defectos

b= 3 productos con defectos menores

N-a-b= 2 productos con defectos mayores

n= 5 productos seleccionados en la muestra

x = 4 productos sin defectos en la muestra = variable que nos define el # de productos

sin defectos en la muestra

y = 1 producto con defectos menores en la muestra = variable que nos define el # de

productos con defectos menores en la muestra

z = n-x-y = 5–4−1 = 0 productos con defectos mayores en la muestra = variable que nos
define el # de productos con defectos mayores en la muestra

Distribución continua

Distribución Normal
Un histograma se construye a partir de un cierto número de datos. Pero ¿que le pasaría
al histograma si continuamos aumentando el número de datos? Si el intervalo de clase
se reduce poco a poco a medida que aumenta el número de datos, se obtiene una
distribución de frecuencias continua, como límite de una distribución de frecuencia
relativa. En realidad es una expresión de la población misma, puesto que se obtiene de
un número infinito de datos.

Existen muchas clases de distribución, y una de las más frecuentes es la distribución

normal. En muchos casos, cuando la variación de una característica de calidad es
causada por la suma de un gran número de errores infinitesimales independientes
debidos a diferentes factores, la distribución de la característica de calidad se aproxima
a una distribución normal. La forma de la distribución normal puede describirse como la
de una campana.

La siguiente figura muestra la forma de esta distribución:

Propiedades de la distribución normal

La curva característica queda determinada totalmente por dos parámetros: μ y σ

Si bien en este curso no tenemos espacio para desarrollar el concepto de probabilidades,

será necesario definir los siguientes puntos:

Un suceso es más o menos probable según la frecuencia con que ocurre. A mayor
frecuencia de ocurrencia pasada será mayor la probabilidad de ocurrencia futura.

Los histogramas y los gráficos de frecuencia, también pueden interpretarse como

gráficos de probabilidades de ocurrencia. En particular, la Campana de Gauss, o Curva
Normal, es una función de probabilidades, y la superficie que se encierra debajo de la
curva, y limitada por dos valores de x es directamente una medida de la probabilidad de
ocurrencia de un suceso determinado.

Aceptando estos conceptos veremos como se puede hacer los cálculos partiendo de la
curva normal. En primer término, la curva normal hay que transformarla en lo que se
llama forma canónica, esto significa que el cero de las X irá al medio del gráfico. Para
lograrlo se usa una variable llamada z y es:

Esta transformación hace que siempre el valor de la desviación típica, en una curva
canónica, sea igual a uno, y el valor de z no es más que un dato medido en relación a su
propia desviación. Esto hace que la curva tenga características muy particulares que
veremos luego de los siguientes comentarios.

Esta variable depende de datos conocidos, es decir la media de la muestra y su

desviación, por lo tanto para determinados valores de x, se hace el cálculo y las tablas
dan la respuesta en términos de probabilidad de ocurrencia.

Este punto es muy importante pues de aquí parte todos los criterios de control del
control de la calidad.

De todo esto se desprende lo siguiente:

La superficie, y por lo tanto la probabilidad de ocurrencia del suceso, vale:

68,27 % para una desviación típica a ambos lados del cero

95,45 % para dos desviaciones típicas a ambos lados del cero

99,73 % para tres desviaciones típicas a ambos lados del cero

Esto se aprecia en los siguientes gráficos:

Ejercicios de comprensión sobre la distribución normal.

Los siguientes ejercicios, tienen como objetivo aprender el uso de las tablas de Gauss.

Ejercicio 01

Hallar el área bajo la CURVA NORMAL en cada uno de los 7 casos siguientes:

a) Entre z = 0 y z = 1,20

De tablas leemos que para z = 1,2 es 0,3849, por lo tanto: Pr {0 " z " 1,2} = 0,3849 Esto
significa que el área bajo la curva normal para z entre 0 y 1,2 es del 38.49%

b) Entre z = - 0,68 y z = 0
En tablas se lee para z = 0,68 es 0,2518 por lo tanto, Pr {-0,68 " z " 0} =0,2518 Esto
significa que el área bajo la curva, para z= -0,68 y z=0 es el 25,18%

c) Entre z = - 0,46 y z 2,21

En tablas se lee que, para z = 0,46 es 0,1772 por lo tanto, Pr {-0,46 " z " 0} =0,1772

Nótese que en la lectura se prescindió del signo menos.

Por otra parte, para z = 2,21 se lee 0,4864. Lo cual significa: Pr {0 " z " 2,21} =0,4864

Para encontrar el área total debemos sumar ambos resultados: 0,1772+0,4864 = 0,6636

Esto significa que el área bajo la curva, para z= - 0,46 y z=2,21 es del 66,36%

d) Entre z = 0,81 y z = 1,94

Para z = 0,81 es 0,2910 por lo tanto, Pr {0,81 " z " 0} =0,2910

Para z = 1,94 es 0,4738 esto es: Pr {0 " z " 1,94} =0,4738

Para encontrar el área entre los dos puntos elegidos, debemos restar ambos resultados:
0,4738 – 0,2910 = 0,1828

Esto significa que el área bajo la curva, para z= 0,81 y z=1,94 es del 18,28%

e) A la izquierda de z = - 0,6, esto significa, entre z = - " y z = - 0,6

Tener presente que desde z = - " y z = 0 la superficie bajo el área es 0,5000 (50%)
 DISTRIBUCION NORMAL STANDARD  

                     
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
                     
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0754
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1239 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1626 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
                     
0,5 0,1926 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2258 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2996 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
                     
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3835
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4013
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4176
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4317
                     
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4733 0,4744 0,4750 0,4756 0,4716 0,4767
                     
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
                     
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
                     
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
                     
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000