UNIVERSIDAD CATÓLICA DE SANTA MARIA

Guía de Prácticas de Control Estadístico de Procesos

 OBJETIVOS
✓ Entender el concepto de probabilidad y aplicarlo a casos relacionados con el control
estadístico de procesos.
✓ Definir y aplicar el concepto de Esperanza Matemática y varianza.
✓ Aplicar las principales distribuciones de probabilidades al control estadístico de procesos.

 R E C URSOS

✓ Computadora con acceso a internet

✓ Guía de Prácticas.
✓ Apuntes de clase
✓ Libros según bibliografía del curso

 D U R A C I Ó N D E L A P R Á C T I CA
✓ Una sesión (2 horas).

 M A R C O T E Ó RICO1

INTERPRETACIÓN DE LA PROBABILIDAD EN CEP

Es útil cuantificar la posibilidad de que se presente cierto resultado. Por ejemplo, conociendo el porcentaje
histórico de productos fallados, es necesario conocer cuál es la probabilidad de obtener menos de 5
productos defectuosos, ya que ese es el límite tolerado por el cliente. O conociendo la media y desviación de
un proceso, es necesario conocer la probabilidad de que las medidas de la característica de calidad estén en
el rango que solicita el cliente.

1 Extraído de: Control Estadístico de la Calidad y Seis Sigma, Humberto Gutiérrez Pulido / Román de la Vara Salazar

Ing. Eva Cornejo Paredes

VARIABLE ALEATORIA DISCRETA

La variable aleatoria discreta es aquella que tiene un rango finito (o infinito numerable).

Por ejemplo:
- el número de tornillos defectuosos en una muestra aleatoria de tamaño 15,
- el número de llamadas de servicio que hacen los clientes durante un mes.

VARIABLE ALEATORIA CONTINUA

Es aquella que tiene un rango infinito y no es numerable. Por ejemplo, las mediciones de largo, peso,
diámetro, ph, índice de dureza, etc u otra característica de calidad.

DISTRIBUCIÓN DE PROBABILIDAD DE X

Es una descripción del conjunto de los valores posibles de una variable aleatoria X con la probabilidad
asociada a cada uno de estos valores.
La grafica de una distribución de probabilidades discreta se denomina gráfica de bastones, que consiste en
segmentos verticales continuos o punteados de longitud proporcional a la probabilidad respectiva en cada
valor xi de la variable.
Se estudiarán las siguientes distribuciones discretas: binomial, geométrica, hipergeométrica y de Poisson,
que son de uso frecuente en control de calidad.

1. DISTRIBUCION BINOMIAL

Un experimento aleatorio que consiste en una secuencia den ensayos independientes (Bernoulli) con
probabilidad de éxito constante p, recibe el nombre de experimento binomial. Se emplea en CEP ya que
es frecuente que en control de calidad se den variables del tipo “pasa, no pasa”. Por ejemplo, un artículo
cumple con especificaciones o no, una pieza resiste cierta fuerza o no, una lámpara enciende o no. Se
requiere conocer p, la proporción promedio o histórica de productos defectuosos.

Características:
a) Las n pruebas (muestras) son estadísticamente independientes
b) Los resultados de cada prueba son dos mutuamente excluyentes, producto conforme y no
conforme o defectuoso.
c) La probabilidad de éxito en invariante en cada una de las pruebas.

Fórmula de EXCEL:
=DISTR.BINOM.N(num_exito; ensayos; prob_exito; acumulado)

Donde:
Num_exito : el valor que buscamos
Ensayos : tamaño de muestra, n
prob_exito : proporción promedio histórico de productos defectuosos.
Acumulado : Falso si es un valor puntual, Verdadero si es acumulado

Media o valor esperado:

Varianza:

Ing. Eva Cornejo Paredes

 Ejemplo:

1. En una prueba de artículos electrónicos se tiene una historia de que 40% tiene alguna falla, que es
necesario reparar antes.

a) hallar la probabilidad de encontrar 3 artículos fallados en los siguientes 20 inspeccionados.

b) hallar la función de distribución de probabilidades y graficar.
c) hallar la pérdida media diaria en $, si se sabe que la pérdida diaria es de $ 500 por tener un equipo
averiado

Solución:

a) Probabilidad P(x=3)

c) pérdida media diaria en $, si se sabe que la pérdida diaria es de $ 500 por tener un equipo
averiado

Ing. Eva Cornejo Paredes

2. DISTRIBUCIÓN DE POISSON

Se aplica a problemas donde la variable aleatoria es el número de eventos

independientes que ocurren en un intervalo de tiempo, o en una región plana (con un
promedio dado), por ejemplo, entre otros:

a) Número de quejas que recibe una central telefónica en el periodo de un minuto.

b) Número de fallas de maquinaria que ocurren en una fábrica durante una semana.
c) Número de defectos en la superficie de una cerámica rectangular.
d) Número de bacterias en un volumen de un m3 de agua.

Fórmula de EXCEL:

=POISSON.DIST(X; media; verdadero)

Donde:
X : numero ocurrencias buscado
Media : promedio ocurrencias por unidad de tiempo o área
Acumulado : Falso si es un valor puntual, Verdadero si es acumulado

Media o valor esperado:

=E(X)=
Donde  es el número promedio de ocurrencias por unidad de periodo o región

Aproximación de la distribución binomial a la de Poisson

Sea X ~ B( n , p ). Si cuando n € , p € 0 y  = np permanece constante,

entonces la distribución binomial se aproxima a la distribución de Poisson con
parámetro .

Entonces esta aproximación nos permite resolver el problema de distribución

binomial aplicando la distribución de Poisson, básicamente cuando:

n  30 y p  0,05

Ejemplo:

1. En una planta ocurren fallas de maquinaria, con un promedio de cinco fallas al mes. Calcular las sgtes
probabilidades:

a) de que no ocurra ninguna falla

b) de que ocurran hasta 3 fallas
c) ocurra por lo menos 1 falla
d) Si la atención de c/falla cuesta S/. 500, ¿Cuál es el costo esperado al mes?

Ing. Eva Cornejo Paredes

 Solución:

Terminología en Binomial y Poisson:

3. LA DISTRIBUCIÓN HIPERGEOMETRICA
Se aplica en ciertos tipos de experimentos Bernoulli, en los cuales la probabilidad de
éxito no se mantiene constante, y eso ocurre cuando el tamaño de lote es pequeño con
respecto al tamaño de la muestra. Es decir:

• Cuando n/N es mayor que 0.1, se debe aplicar hipergeométrica.

• Cuando n/N es menor que 0.1, la distribución binomial se aproxima bien a la

hipergeométrica Y se puede aplicar la distribución binomial en lugar de la
hipergeométrica.

Fórmula de EXCEL:

Ing. Eva Cornejo Paredes

 =DISTR.HIPERGEOM.N(muestra_éxito;núm_de_muestra;población_éxito;núm_de_población;acumulado)

Donde:
muestra_éxito x : valor de ocurrencias buscado
núm_de_muestra n : tamaño de muestra
población_éxito k : cantidad de defectuosos promedio
núm_de_población N : tamaño de lote
Acumulado : Falso si es un valor puntual, Verdadero si es acumulado

Media o valor esperado: μ = np,

Varianza: σ2 = np(1 − p)[(N − n)/(N − 1)]

p = K/N

Ejemplo:

1. Se sabe que, en una empresa industrial, cada día se produce un lote de N = 50 piezas
grandes de cierto tipo. Los registros muestran que, de éstas, en promedio K = 6 son defectuosas.
Si en forma aleatoria se examinan n = 10 piezas de la producción de un día, ¿cuál es la
probabilidad de encontrar x = 0 o x = 1 piezas defectuosas?

Solución:

4. LA DISTRIBUCIÓN NORMAL
La distribución normal es probablemente la distribución “continua” más importante, tanto
en estadística teórica como aplicada.
Se dice que una variable aleatoria continua, X, que toma los valores reales, - <  < ,
se distribuye normalmente (o más brevemente es normal) con parámetros  y  y se
describe por X ~ N(, 2), si su función de densidad es:

Ing. Eva Cornejo Paredes

 Teorema central del límite

Una de las razones por las que la distribución normal es tan importante es debido a este teorema,
que en un caso particular afirma: sea x1, x2,..., xn una muestra aleatoria de cualquier población, y
sea X – la media muestral; entonces, independientemente de cómo sea la distribución de la
población de donde se extrajo la muestra, la distribución de X – se aproxima a la normal conforme
n crece. Cuando la distribución de donde proviene la muestra no sea radicalmente distinta a la
normal, entonces la aproximación empieza a ser buena para tamaños de muestra mayores o
iguales que n = 4. En caso de que sea muy diferente se requieren tamaños de muestra mayores.

Fórmula de EXCEL:

=DISTR.NORM(X;media;desv_estandar;acumulado)

Donde:
X : valor de ocurrencias buscado
Media : media 
Desv_estandar : desviación 
Acumulado : Falso si es un valor puntual, Verdadero si es acumulado

Su gráfica de función de densidad es:

f(x)

Ejemplo:

La dimensión de una pieza es NORMAL con μ =82.0 mm, y σ = 0.5. Se desea calcular el
porcentaje de piezas que cumplen con especificaciones pactadas con el cliente: 82 ± 1
Solución:

Ing. Eva Cornejo Paredes

A C T I V I D A D E S DE LA PRÁCTICA

1. Una fábrica de baterías, produce un lote de 120 computadoras, de los cuales se piensa
hay 3 defectuosos. Un cliente pide revisar de forma aleatoria de 14 de ellos. Si X es el nº
de unidades defectuosas que se compran:
a) Encontrar la probabilidad de extraer los 3 defectuosos
b) Encuentre la distribución de probabilidad de X.
c) Representarla gráficamente.
d) Encuentre la distribución acumulada de X.
e) Representarla gráficamente.
f) Calcule la Varianza y la Media de X.

2. Una empresa recibe quejas de los clientes con un promedio de 6 al mes. Calcular:
a) Encuentre la distribución de probabilidad de X desde P(x=0) hasta P(x=12); graficar e interpretar.
b) Calcular la probabilidad de que en el periodo de un mes no ingrese ninguna queja.
c) Calcular la probabilidad de que en el periodo de un mes ingresen más de 7 quejas
d) Si cada queja tiene un costo de atención de $ 35, ¿Cuánto es el costo esperado al mes?

3. En un proceso de fabricación, se sabe por datos históricos que en promedio 3.15% de ellos
están defectuosos. Los artículos son empacados en cajas de 10. Se extrae una caja, y se
quiere saber:
a) cuál es la probabilidad de que haya como máximo 5 artículos defectuosos en cada caja.
b) por lo menos 4 artículos defectuosos,
c) La pérdida media diaria en $, por caja, si se sabe que la pérdida por tener 1 articulo
fallado es de $ 160.
d) de acuerdo a lo contestado comente los costos por productos fallados que podría
afrontar la empresa mensualmente, si se sabe que fabrica 500 cajas al mes.

4. Un proceso de producción de partes trabaja con un porcentaje promedio de defectos de

2.85%. Cada hora se toma una muestra aleatoria de 20 artículos y se prueban. Si la muestra
contiene más de 2 defectos el proceso deberá detenerse.
a) Calcule la probabilidad de que el proceso se detenga debido al esquema de muestreo.
b) De acuerdo con lo contestado ¿considera que el esquema de muestreo es adecuado o
generará demasiadas interrupciones?

5. La distribución de probabilidad de las dimensiones de un producto es NORMAL, con

media 120 y desv estandar 3.5. Indique cual es la probabilidad de extraer un producto y
que éste mida:
a) Entre 114 y 121
b) Entre 124 y 126
c) Si el cliente indica que aceptará solo piezas que miden entre 118 y 120, indique cual es
la probabilidad de cumplir con las especificaciones.

Ing. Eva Cornejo Paredes

REFERENCIAS BIBLIOGRÁFICAS
• Control Estadístico de la Calidad y Seis Sigma, Humberto Gutiérrez Pulido / Román de la Vara Salazar
•
• Montgomery, D. 2005. Control Estadístico de la Calidad. Ed. LIMUSA WILEY. pp 51 – 81.

• CALLE, C. 1995. El control analítico, la calidad total y la excelencia humana. pp 19 – 65.

• Córdova, M. 2003. Estadística Descriptiva e Inferencial. pp 136 – 340.

Ing. Eva Cornejo Paredes