MODULO 3 1 CURSO BASICO DE ESTADISTICA PARA CONTROL DE CALIDAD RCH

Curso Básico de Estadística para Control de Calidad 2010
CURSO BASICO DE ESTADISTICA PARA CONTROL DE CALIDAD
Revisión de octubre de 2021
Los dos módulos tiene como finalidad dar a conocer un amplio panorama de los fundamentos
estadísticos mínimos que requieren los estudiantes para aplicarlos en el control de calidad de
procesos industriales especialmente y presentar las técnicas que se aplican al Control de
Calidad estadístico.
Es importante advertir que ambas partes, los fundamentos Estadísticos y las técnicas de
control de calidad son complementarias y de ninguna manera son reemplazables una por la
otra. No es posible edificar un buen control de calidad si no se han repasado y entendido los
fundamentos estadísticos aplicables en el Control de Calidad. Ambas son vitales y necesarias,
ambas son el objetivo primordial de todo Técnico en Control de Calidad.
Los conceptos y conocimientos que se resumen, son suficientes para que, llevadas a cabo,
produzcan excelentes resultados principalmente en empresas de tipo industrial.
Este trabajo es de apoyo a las clases de Control de Calidad que se realizan en distintas
carreras, como técnicos e ingenieros Industriales, Administradores de Empresas etc. Por esta
razón, algunos temas, solo son mencionados y necesariamente se desarrollarán en clase.
El autor
Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 1

Módulo 1
Fundamentos Estadísticos aplicables en el Control de Calidad
1. Conceptos estadísticos de Distribuciones de Frecuencia e Histogramas
1.1 Población y muestra

1.2 ¿Cómo se distribuye los valores de las variables que medimos? ¿Qué frecuencia
tiene cada valor que la causa llamada "variación" nos entrega?
1.3 ¿Que tipos de variables conocemos?
1.4 Distribuciones de frecuencias.
1.5 Histogramas
2 Medidores de tendencia central y de dispersión
2.1 Media aritmética

2.2 Desviación típica
2.3 Método de cálculo por compilación
2.4 Ejercicios prácticos en clases
3 Distribución Continua, o Distribución Gaussiana, o Distribución Normal
3.1 Comprensión del concepto de Distribución Continua, Distribución Normal

3.2 Propiedades de la Distribución Normal
3.3 Ejercicios de comprensión sobre la Distribución Normal
Bibliografía

MODULO 1
FUNDAMENTOS ESTADISTICOS APLICABLES EN EL CONTROL DE CALIDAD
2. Conceptos estadísticos de Distribuciones de Frecuencia e Histogramas
1.1 Población y muestra
En el área de producción podemos definir el concepto estadístico de población y muestra de

la siguiente manera:
Una población es el total de las unidades que se producen en un lote de producción.
En esta población queremos investigar una característica para conocer su situación relativa
con los valores del diseño.
Una población es el conjunto de mediciónes que son de interés a un investigador, las cuales
se efectúan sobre una característica común de un grupo de seres o conjunto de objetos,
algunos ejemplos son:
• Conjunto de valores, del coeficiente intelectual de los alumnos de bachillerato en la el
INEM.
• Conjunto de mediciones, en toneladas de la carga máxima soportada por cables de
acero producidos por la compañía 3M.
• Conjunto de mediciones, en litros por día, de la producción lechera de las vacas de la
raza Holstein en el valle del magdalena.
Una muestra es una cantidad estadísticamente calculada de unidades de dicha población,

cada unidad deberá ser extraída al azar.
La medición y cálculo de una determinada característica de la muestra nos dará con cierto
grado de confianza o margen de error, una estimación del verdadero valor en la población.
La muestra es una parte de la población, o sea, un número de individuos u objetos

seleccionados científicamente, cada uno de los cuales es un elemento del universo. Se
obtiene con la finalidad de investigar, a partir del conocimiento de sus características
particulares, las propiedades de la población

1.2 ¿Cómo se distribuyen los valores de las variables que medimos? ¿Qué frecuencia
tiene cada valor que la causa llamada "variación" nos entrega?
En producción las maquinas nos producen con una programación de una medida que
estandarizamos pero este ideal esta sujeto a las variaciones nos producen realmente las
distintas medidas de la variable cantidad en unidades de: longitud, área, volumen, capacidad,
peso, etc.
Si tomamos una muestra de un lote de producción, la pregunta es cómo se distribuyen estos

datos?
En el campo de producción las medidas de las variables en general siguen un comportamiento

llamado gaussiano o normal
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. Si unimos estos puntos la gráfica de este comportamiento tiene una
forma de campana y por este motivo podemos sustentar la aplicación de la teoría de la
distribución normal en el campo de control de calidad en Producción
1.3 ¿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.
Una variable discreta es una variable cuantitativa que toma valores aislados, es
decir no admite valores intermedios entre dos valores específicos.
Una variable continua, es aquella que puede tomar un valor cualquiera para un determinado
intervalo. O sea en la práctica los valores para esta variable solo están limitados por la
precisión de los instrumentos de medición
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 resistencia de resistores de
alambre, 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, aspectos de una soldadura, etc., etc.
Por fin, debemos tener en cuenta, que tanto los procesos como los lotes terminados pueden
ser inspeccionados por atributos o por variables.
1.4 Distribuciones de frecuencias.
Estudiemos el caso de control por variables, es decir estamos midiendo con un instrumento
cuya resolución nos permite medir las variaciones que produce nuestro proceso.
Una vez que el inspector recibe la muestra tomada estadísticamente de la población a valorar,
procede a las correspondientes mediciones de cada una de las muestras. Téngase presente
que lo más probable es que en cada unidad se hagan varias mediciones por variables y por
atributos.
Como resultado de esta acción tendremos una tabla de valores desordenados e

incomprensibles. Lo primero que deberemos hacer es clasificarlas de menor a mayor, luego
agruparlas en clases siguiendo algún criterio que nos permita acumular los datos dentro de
clases, esto es dentro de valores que contengan varios de estos datos.
Supongamos que tenemos la siguiente tabla de valores experimentales:
38 47 54 61 26 35 28 48 53 44
32 52 46 42 63 35 50 38 35 57
49 68 47 45 65 45 25 19 56 58
44 73 50 40 46 76 40 64 36 42
Total, n: 40 datos
Valor mínimo: 19, valor máximo: 76
Rango, 76-19= 57
Número de clases: (cálculo empírico): 40
Raíz de 40 y se redondea: 6
Ancho de clase: 9
57 dividido 6 y se lleva al número impar más cercano: 9
El motivo por el cual conviene usar el ancho de clase como número impar es para que la
marca de clase sea un número entero igual que los datos que se están estudiando. Si se
utilizara un número par, el ancho de clase resulta con un decimal que habría que conservar
hasta el final del cálculo y esto es fuente de errores.

Con estos datos procedemos a construir nuestro diagrama de frecuencias, el cual una vez
finalizado tiene el siguiente diagrama:
LI LS Marca de Clase (mediana) (x)

18 26 22 ( 18 + 26 ) / 2
27 35 31
36 44 40
45 53 49
54 62 58
63 71 67
72 80 76
Una vez obtenido este cuadro procedemos al recuento y anotamos la frecuencia:
LI LS X recuento frecuencia
18 26 22 /// 3
27 35 31 //// 5
36 44 40 //// //// 9
45 53 49 //// //// // 12
54 62 58 //// 5
63 71 67 //// 4
72 80 76 // 2
Total 40 40
Este cuadro es el diagrama de frecuencias obtenido de los 40 datos obtenidos como

variables y agrupados convenientemente en clases, este recuento ya nos está informando de
que es lo que pasa con esta variable.
La representación de los datos: FRECUENCIAS.
Cuando se reúne gran cantidad de datos primarios es útil distribuirlos en clases y categorías y
determinar las frecuencias de las clases, o sea, el número de elementos que pertenecen a
una clase. El ordenamiento tabular de los datos por clases conjuntamente con las frecuencias
de clases se denomina distribución de frecuencias
El caso que se describe a continuación, variables discretas se denomina distribución por

conteo de valores individuales. Supongamos que un determinado colectivo, representado por
la variable estadística Xi, que para mayor sencillez consideraremos como unidimensional;
sean los datos de esta variable (representativo cada uno de ellos de un suceso) X1, X2, … ,
Xn (supuesto que sean n los valores de la variable considerada.)
Definiremos como frecuencia de un dato el número de veces que este aparece en el colectivo;
consecuentemente, si una variable estadística toma r valores, cada uno de los cuales puede
repetirse un cierto número de veces, podríamos decir que el número de datos representado
por la variable serían N, siendo N la suma de las respectivas frecuencias de cada dato
(N=ΣXi).
Este valor N será denominado como frecuencia total, mientras que la frecuencia de cada dato
recibirá el nombre de frecuencia absoluta o simplemente frecuencia (fi). La frecuencia
absoluta nos habla del número de veces que un dato aparece en un colectivo, más ello no
nos dice demasiado en orden al establecimiento de comparaciones sobre la importancia de
este dato. Para obtener una idea de la importancia que un dato posee en el seno de un
colectivo, puesto que no es suficiente concepto de frecuencia, se utiliza
el concepto frecuencia relativa, que se definirá como: el coeficiente entre la frecuencia
absoluta del dato considerado y la frecuencia total (fr=fi/ΣXi).
Para efectos prácticos, asumiremos las siguientes definiciones de frecuencias:

• frecuencias absolutas : es el número de veces que aparece en la muestra dicho valor de la
variable y se representa por fi.
• frecuencias relativas: es el cociente entre la frecuencia absoluta y el tamaño de la muestra.
La denotaremos por fri
• frecuencias absoluta acumulada: para poder calcular este tipo de frecuencias hay que tener
en cuenta que la variable estadística ha de ser cuantitativa o cualitativa ordenable. En otro
caso no tiene mucho sentido el cálculo de esta frecuencia. La frecuencia absoluta
acumulada de un valor de la variable, es el número de veces que ha aparecido en la
muestra un valor menor o igual que el de la variable y lo representaremos porfa, se puede
acumular, en la tabla estadística) en orden ascendente (fa↑) o descendente (fa↓).
• frecuencia relativa acumulada: al igual que en el caso anterior se calcula como el cociente
entre la frecuencia absoluta acumulada dividido por el tamaño de la muestra (N) y la
denotaremos por fra.
Resumiendo lo expuesto, si Xi es un valor de la variable, podemos representar por fi a su

frecuencia y por fi /ΣXi a su frecuencia relativa (siendo ΣXi=N o la frecuencia total). Para
el conjunto de los valores de la variable Xi tendríamos, así la tabla #1, compresiva de
la información sobre dicha variable, a través de las respectivas frecuencias:
Tabla #1: Variables Discretas
Valores de la variable Xi frecuencias absolutas frecuencias relativas
(datos) fi fi/N
X1 f1 f1/N
X2 f2 f2/N
… … …

… … …
Xn fn fn/N
Donde: N=Σfi y Σfi/N=1
Otro es el caso de las clases representadas en forma de intervalos, variables continuas,

llamados intervalos de clases que poseen extremos llamados limite inferior y limite
superior, Un intervalo se dice que es abierto o no cerrado, por un extremo si no contiene el
límite correspondiente.
La longitud, tamaño o amplitud de un intervalo de clases (C) es la diferencia entre los limites
superior e inferior (C=lim sup – lim inf). El Recorrido (R) es la diferencia entre el dato mayor y
el menor del conjunto da datos en estudio (R=Xn – X1)
En el caso de variables continuas será necesario fijar intervalos de frecuencias para llegar a
un resumen efectivo de la información original. A menudo es necesario representar una clase,
o más particularmente, un intervalo por un único valor, este representará a todo el intervalo y
se denominará marca de clases. Matemáticamente el punto medio de cada
intervalo corresponde a lo que denominamos marca de clase, se denotará porXi, y constituirá
el valor representativo de cada intervalo. El número de observaciones que correspondan a
cada intervalo se denominará frecuencias absolutas.
Tabla #2: Variables Continuas
Intervalos Marcas de Clases Frecuencias Absolutas
(C) Xi fi
X1-X2 X1 f1
X2-X3 X2 f2
… … …
… … …
Xn-1-Xn Xn fn
Donde

N = Σfi = Número de observaciones
C = X’ – X" = Amplitud del intervalo
1.5 Histograma:
El cuadro anterior puede llevarse a un gráfico como sigue, dando lugar al Histograma:
HISTOGRAMA
FRECUENCIAS
15 12
9
10 5 5
3 4
5 2
0 0
0
21 22 31 40 49 58 67 76 85
MARCAS DE CLASE
Histogramas de frecuencias:
Un histograma es un gráfico que sirve para representar una distribución de frecuencias. Este
gráfico está formado por un conjunto de rectángulos (caso de variables continuas) que tienen
como base un eje horizontal (generalmente el eje de las abscisas o de las X), y como centro
los puntos medios de las clases. Los anchos de las clases y las áreas de los rectángulos son
proporcionales a las frecuencias de las clases. En el caso de las variables discretas el gráfico
consiste de un conjunto de barras verticales en lugar de rectángulos, hallándose cada barra
sobre la observación respectiva y con una altura proporcional a la frecuencia de
la observación

- Polígono de frecuencias:
El polígono de frecuencias es un gráfico formado por líneas quebradas, que tiene los centros
de las clases representadas en un eje horizontal (eje de las X) y las frecuencias de las clases
en un eje vertical (eje de las Y). La frecuencia correspondiente a cada centro de clase se
señala mediante un punto y luego los puntos consecutivos se unen por líneas rectas. Del
correspondiente histograma se puede lograr el polígono de frecuencia uniendo los puntos
medios de las bases superiores de cada rectángulos mediante líneas rectas.
-Ojivas:
Las ojivas se refieren a los gráficos que se construyen utilizando una distribución acumulativa
de frecuencias, el orden de acumulación se aplica al cuadro de distribución de frecuencia y
puede ser descendente (fa↓, fra↓) o ascendente (fa↑, fra↑). La figura que se forma al unir los
puntos del polígono de frecuencias acumulativas es lo contrario del orden anunciado (por
ejemplo si se utilizó el orden descendente en la acumulación de los datos en el cuadro, la ojiva
resulta ser ascendente).


2 Medidores de tendencia central y de dispersión
Son varios los medidores de la tendencia central y de la dispersión de una serie de datos
experimentales, de ellos estudiaremos los dos más frecuentes y útiles en Control de
Calidad, estos son : la Media Aritmética , medidor de la tendencia central, y la
Desviación Típica, medidor de la dispersión de los datos alrededor de la Media
Aritmética.
El desarrollo de las fórmulas es materia que se entrega durante el desarrollo de las

clases.
2.1 Media aritmética
Mide la tendencia central. La media aritmética es el valor obtenido al sumar todos

los datos y dividir el resultado entre el número total de datos.
Se define como Media Aritmética al valor central producto del siguiente cálculo:
k
f . X + f2 . X 2 + ...+ fk . Xk
fX
j=1
j j
 fX =  fX
X= 1 1 = =
f1 + f2 + ...+ fk k
f j
f N
j=1
de donde deriva:
 k 
  fju 
X = A + c  j=k1  = A + c  fu 
   N 
 
  fj 
 j=1 
Nota: El desarrollo de las Fórmulas se explica en clase o pueden consultarse, n el libro de

Estadística de Murray Spieguel.
2.2 Desviación típica
Mide la dispersión de los valores con respecto al valor central.

La desviación típica es la raíz cuadrada de la varianza . Es decir, la raíz
cuadrada de la media de los cuadrados de las puntuaciones de desviación.
Se define como desviación típica al valor que surge del siguiente cálculo:
 f (X )
k
2
− X
 f( X − )
2
j j
j= 1
X
S= k
=
N
pues f = n
f
j= 1
j
Esta fórmula puede derivarse mediante sencillos cálculos a esta otra:
 fu  fu 
2
2

S = c * − 
 
N  N 
2.3 Método de cálculo por compilación:
X F U fu fu2
22 3 -3 -9 27
31 5 -2 -10 20
40 9 -1 - 9 9
49 12 0 0 0
58 5 1 5 5
67 4 2 8 16
76 2 3 6 16
fu = - 9 fu2 = 95
donde: c = 9 y A = 49
Media aritmética: 46,98 Desviación típica: 13.72
Este cálculo tiene un error como consecuencia de suponer a todos los datos dentro de cada
clase como iguales.
Nota: Los decimales de las respuestas obtenidas, deberán guardar relación con los
decimales que tengan los datos, sin embargo, cuando use las calculadoras deberá conservar
en cada cálculo, todos los decimales que genera la calculadora, para luego aproximar la
respuesta a la cantidad de decimales igual a los que tengan los datos, nunca menos. En
particular en estos cálculos es costumbre usar uno o dos decimales más que los datos.
Tampoco es correcto usar muchos decimales pues no tienen significado alguno.
2.4 Ejercicios prácticos en clases:
Mediante la extracción de datos de una urna normal se construye la correspondiente

distribución de frecuencias, el histograma, se calcula la Media Aritmética y la Desviación
Típica.
Se usarán dos métodos de cálculo, uno por medio de la calculadora y otro por medio de las
fórmulas vistas en clases.
Nota: se exigirá un correcto manejo algebraico de números escritos de forma exponencial.

3 Distribución Continua, o Distribución Gaussiana, o Distribución Normal
3.1 Comprensión del concepto de 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:
Curva Normal de Gauss
3.2 Propiedades de la Distribución Normal
La curva característica queda determinada totalmente por dos parámetros:
 y 
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:
z =
(X − X )

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:

AREA BAJO LA CURVA NORMAL

IGUAL A 68.27%
45
40
PROBABILIDADES
35
30
25
20
15
10
5
0
-3 -1 1 3
DESDE -1 A +1 DESVIACION TIPICA

IGUAL A 95,45%
50
PROBABILIDADES
40
30
20
10
-3

50 IGUAL A 99,73%
PROBABILIDADES
40
30
20
10
0
-3 -1 1 3
3.3 Ejercicios de comprensión sobre la Distribución Normal.

Los siguientes ejercicios, tienen como objetivo aprender el uso de las tablas de Gauss.
Ejercicio nº 1
Hallar el área bajo la CURVA NORMAL en cada uno de los 7 casos siguientes:
a) Entre z = 0 y z = 1.20

CURVA NORMAL DE GAUSS
PROBABILIDADE
50
40
30
S
20
10
0
-3 -2 -1 0 1 2 3
Area bajo la curva entre z = 0 y z = 1,2
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
PROBABILIDADES
50
40
30
20
10
0
-3 -2 -1 0 1 2 3
Area bajo la curva 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

PROBABILIDADES
50
40
30
20
10
0
-3 -2 -1 0 1 2 3
Area bajo la curva de z = -0,46 a 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

PROBABILIDADES
40
30
20
10
0
-3 -2 -1 0 1 2 3
Ar ea bajo la curva 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%)

PROBABILIDADES
40
30
20
10
0
-3 1
Area bajo la curva entre z = - infinito yz
= - 0,6
Para z = 0.6 es 0.2258 por lo tanto, Pr {0.6  z  0} =0.225

Para z = -  es 0.5000, esto es : Pr { -   z  0} =0.5000
Para encontrar el área entre los dos puntos elegidos, debemos restar ambos
resultados: 0.5000 - 0.2258 = 0.2742
Esto significa que el área bajo la curva, para z = -  y z=- 0.6 es del 27.42%
f) A la derecha de z - 1.28, esto es ,entre z = - 1.28 y z = + 


50
PROBABILIDADE
40
30
S
20
10
0
-3
Area entre z = -1,28 y z = + infinito
Para z = 1.28 es 0.3997 por lo tanto, Pr {-1.28  z  0} = 0.3997. Para z = 0 y z= + es

0.5000, esto es : Pr {0  z  +} = 0.5000. Para encontrar el área entre los dos puntos
elegidos, debemos sumar ambos resultados: 0.3997+0.5000 = 0.8997. Esto significa que
el área bajo la curva, para z = -1.28 y z =+  es del 89.97%
g) A la derecha de z = 2.05, y a la izquierda de z = - 1.44

PROBABILIDADES
20
15
10
5
0
-3 -2 -1 0 1 2 3
A la izquierda de -1,44 y a la derecha de
2,05
Área total bajo la curva = 1-(área entre-1.44 y 0) - (área entre 0 y 2.05)

1 - 0.4251 - 0.4798 = 0.0951, esto es 9.51%
Ejercicio nº 2
Este ejercicio ayuda a entender el uso de los procedimientos anteriores para el cálculo de las
probabilidades en eventos reales.
Se recomienda al alumno dibujar las “campanas” e ir identificando las áreas escogidas.
Si los diámetros de las bolillas de rodamientos están normalmente distribuidas con media
0.6140 mm y desviación típica 0.0025 mm determinar el % con diámetro :
a) entre 0.6100 y 0.6180 mm
b) mayores que 0.6170 mm
c) menores que 0.6080 mm
Solución:
a) - z = (0.6100-0.6140) / 0.0025 = - 1.60

+ z = (0.6180-0.6140) / 0.0025 = + 1.60
Área solicitada = probabilidad buscada = 0.4452 + 0.4452 = 0.8904
La probabilidad de que el diámetro de las bolillas se encuentren entre 0.610 y 0.618 mm es

del 89.04%
b) z = (0.6170 - 0.6140) / 0.0025 = 1.20
El área para z = 1,2 es 0.3849

El área solicitada es 0.5000 – 0.3849 = 0.1151
La probabilidad de que el diámetro de las bolillas sea mayor que 0.617 es del 11.51%
c) z= (0.6080-.6140) / 0.0025 = 2.40
Para z = 2.40 es 0.4918
El área buscada es 0.5000 - 0.4918 = 0.0082
Probabilidad = 0.82 %

EJERCICIOS DE PROFUNDIZACION
Una distribución normal de media μ y desviación típica σ se designa por N(μ, σ).
Su gráfica es la campana de Gauss :
El área del recinto determinado por la función y el eje de abscisas es igual a la unidad.
Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha .
La probabilidad equivale al área encerrada bajo la curva.
Distribución normal estándar
N(0, 1)
La distribución normal estándar, o tipificada o reducida, es aquella que tiene
pormedia el valor cero, μ =0, y por desviación típica la unidad, σ =1 .
La probabilidad de la variable X dependerá del área del recinto sombreado

en la figura. Y para calcularla utilizaremos una tabla.
Tipificación de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribución N(μ, σ) en otra variable Z que siga una distribución N(0, 1).
Cálculo de probabiladades en distribuciones normales

La tabla nos da las probabilidades de P(z ≤ k) , siendo z la variable tipificada.
Estas probabilidades nos dan la función de distribución Φ(k).
Φ(k) = P(z ≤ k)
Búsqueda en la tabla de valor de k

Unidades y décimas en la columna de la izquierda.

Céntesimas en la fila de arriba.
P(Z ≤ a)
P(Z > a) = 1 - P(Z ≤ a)
P(Z ≤ −a) = 1 − P(Z ≤ a)
P(Z > −a) = P(Z ≤ a)

P(a < Z ≤ b ) = P(Z ≤ b) − P(Z ≤ a)
P(−b < Z ≤ −a ) = P(a < Z ≤ b )

Nos encontramos con el caso inverso a los anteriores, conocemos el valor de la probabilidad
y se trata de hallar el valor de la abscisa. Ahora tenemos que buscar en la tabla el valor que
más se aproxime a K.
P(−a < Z ≤ b ) = P(Z ≤ b) − [ 1 − P(Z ≤ a)]
p = K
Para calcular la variable X nos vamos a la fórmula de la tipificación.
Aproximación de la binomial por la normal

Teorema de Moivre
Si: n·p ≥ 0 y n·q ≥ 0.

La distribución binomial B(n, p) se puede aproximar mediante una distribución

normal:
Ejercicios
En una ciudad se estima que la temperatura máxima en el mes de junio sigue una distribución
normal, con media 23° y desviación típica 5°. Calcular el número de días del mes en los que
se espera alcanzar máximas entre 21° y 27°.
La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviación típica 3 kg.

Suponiendo que los pesos se distribuyen normalmente, hallar cuántos estudiantes pesan:
1. Entre 60 kg y 65 kg.

2. Más de 90 kg.
3.Menos de 64 kg.
4.64 kg.
5.64 kg o menos.
Se supone que los resultados de un examen siguen una distribución normal con media 78 y
varianza 36. Se pide:

1. ¿Cuál es la probabilidad de que una persona que se presenta el examen obtenga una
calificación superior a 72?
2.Calcular la proporción de estudiantes que tienen puntuaciones que exceden por lo menos
en cinco puntos de la puntuación que marca la frontera entre el Apto y el No-Apto (son
declarados No-Aptos el 25% de los estudiantes que obtuvieron las puntuaciones más bajas).
3. Si se sabe que la calificación de un estudiante es mayor que 72 ¿cuál es la probabilidad

de que su calificación sea, de hecho, superior a 84?

Tras un test de cultura general se observa que las puntuaciones obtenidas siguen una
distribución una distribución N(65, 18). Se desea clasificar a los examinados en tres grupos
(de baja cultura general, de cultura general aceptable, de excelente cultura general) de modo
que hay en el primero un 20% la población, un 65% el segundo y un 15% en el tercero.
¿Cuáles han de ser las puntuaciones que marcan el paso de un grupo al otro?
Baja cultura hasta 49 puntos.

Cultura aceptable entre 50 y 83.
Excelente cultura a partir de 84 puntos.

Varios test de inteligencia dieron una puntuación que sigue una ley normal con media 100 y
desviación típica 15.
1. Determinar el porcentaje de población que obtendría un coeficiente entre 95 y

110.
2. ¿Qué intervalo centrado en 100 contiene al 50% de la población?
3. En una población de 2500 individuos ¿cuántos individuos se esperan que tengan un

coeficiente superior a 125?

En una ciudad una de cada tres familias posee teléfono. Si se eligen al azar 90 familias,
calcular la probabilidad de que entre ellas haya por lo menos 30 tengan teléfono.
En un examen tipo test de 200 preguntas de elección múltiple, cada pregunta tiene una
respuesta correcta y una incorrecta. Se aprueba si se contesta a más de 110 respuestas
correctas. Suponiendo que se contesta al azar, calcular la probabilidad de aprobar el examen.
Un estudio ha mostrado que, en un cierto barrio, el 60% de los hogares tienen al menos dos
televisores Se elige al azar una muestra de 50 hogares en el citado barrio. Se pide:

1. ¿Cuál es la probabilidad de que al menos 20 de los citados hogares tengan cuando menos
dos televisores?
2. ¿Cuál es la probabilidad de que entre 35 y 40 hogares tengan

cuando menos dos televisores?

Bibliografía
Control de Calidad de García y Arrondo, Instituto Argentino de Control de Calidad.
Herramientas estadísticas básicas para el mejoramiento de la calidad de Hitoshi Kume,

Editorial Norma.
Estadística de Murray R. Spiegel . Serie Schaum Mc Graw Hill.
Control de Calidad Estadístico de Eugene Grant, Compañía Editorial Continental S.A.

1) Estadística para administración y economía de LIND, Douglas y MARCHAL, William
y MASON, Robert. AlfaOmega. Colombia. 11a edición. 2004.
2) Estadísticas para la gestión en salud, de CÓRDOVA Jorge Herramientas, 3ra edición.

JC ediciones. Versión electrónica
3) Estadística para administración y economía de LIND, Douglas y MARCHAL,

William y MASON, Robert.. Alfaomega. Colombia. 10a edición. 2002.
4) EL ANÁLISIS FACTORIAL de Nathan Grabinsk & Alfred W.

Klein, Banco de México. Investigaciones Industriales
5) INGENIERÍA INDUSTRIAL. MÉTODOS, ESTÁNDARES Y DISEÑO DEL

TRABAJO, de Niebel & Freivalds, , Ed. Alfa omega

MODULO 3 1 CURSO BASICO DE ESTADISTICA PARA CONTROL DE CALIDAD RCH

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MODULO 3 1 CURSO BASICO DE ESTADISTICA PARA CONTROL DE CALIDAD RCH

Cargado por

Copyright:

Formatos disponibles

Curso Básico de Estadística para Control de Calidad 2010

CURSO BASICO DE ESTADISTICA PARA CONTROL DE CALIDAD

Revisión de octubre de 2021

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 1

Fundamentos Estadísticos aplicables en el Control de Calidad

1. Conceptos estadísticos de Distribuciones de Frecuencia e Histogramas

1.1 Población y muestra

2 Medidores de tendencia central y de dispersión

2.1 Media aritmética

3 Distribución Continua, o Distribución Gaussiana, o Distribución Normal

3.1 Comprensión del concepto de Distribución Continua, Distribución Normal

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 2

FUNDAMENTOS ESTADISTICOS APLICABLES EN EL CONTROL DE CALIDAD

2. Conceptos estadísticos de Distribuciones de Frecuencia e Histogramas

1.1 Población y muestra

En el área de producción podemos definir el concepto estadístico de población y muestra de

Una población es el total de las unidades que se producen en un lote de producción.

Una muestra es una cantidad estadísticamente calculada de unidades de dicha población,

La muestra es una parte de la población, o sea, un número de individuos u objetos

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 3

Si tomamos una muestra de un lote de producción, la pregunta es cómo se distribuyen estos

En el campo de producción las medidas de las variables en general siguen un comportamiento

1.3 ¿Que tipos de variables conocemos?

Existen dos tipos de variables a considerar, Variables Continuas y Variables Discretas.

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 4

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

1.4 Distribuciones de frecuencias.

Como resultado de esta acción tendremos una tabla de valores desordenados e

Supongamos que tenemos la siguiente tabla de valores experimentales:

Valor mínimo: 19, valor máximo: 76

Número de clases: (cálculo empírico): 40

57 dividido 6 y se lleva al número impar más cercano: 9

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 5

LI LS Marca de Clase (mediana) (x)

Una vez obtenido este cuadro procedemos al recuento y anotamos la frecuencia:

Este cuadro es el diagrama de frecuencias obtenido de los 40 datos obtenidos como

La representación de los datos: FRECUENCIAS.

El caso que se describe a continuación, variables discretas se denomina distribución por

Para efectos prácticos, asumiremos las siguientes definiciones de frecuencias:

Resumiendo lo expuesto, si Xi es un valor de la variable, podemos representar por fi a su

Tabla #1: Variables Discretas

Valores de la variable Xi frecuencias absolutas frecuencias relativas

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 7

Donde: N=Σfi y Σfi/N=1

Otro es el caso de las clases representadas en forma de intervalos, variables continuas,

Tabla #2: Variables Continuas

Intervalos Marcas de Clases Frecuencias Absolutas

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 8

N = Σfi = Número de observaciones

C = X’ – X" = Amplitud del intervalo

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 9

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 10

Facultad de Economía y Administración USCO Prof. Rodrigo Charry Tovar Página 11

2 Medidores de tendencia central y de dispersión

El desarrollo de las fórmulas es materia que se entrega durante el desarrollo de las

2.1 Media aritmética

Mide la tendencia central. La media aritmética es el valor obtenido al sumar todos

Nota: El desarrollo de las Fórmulas se explica en clase o pueden consultarse, n el libro de

2.2 Desviación típica

Mide la dispersión de los valores con respecto al valor central.

Esta fórmula puede derivarse mediante sencillos cálculos a esta otra:

2.3 Método de cálculo por compilación:

Media aritmética: 46,98 Desviación típica: 13.72