Apuntes de TEMA 2.

ADMINISTRACIÓN DE CALIDAD TOTAL

Y CONTROL ESTADÍSTICO DE PROCESOS. (2ra Parte)
2.2. CONTROL ESTADISTICO DE PROCESOS.-
2.2.1. INTRODUCCIÓN AL CONTROL ESTADÍSTICO DE PROCESOS.- El “Control Estadístico de
Procesos” nació a finales de los años 20 en los Bell Laboratories. Su creador fue W. A. Shewhart, quien
en su libro “Economic Control of Quality of Manufactured Products” (1931) marcó la pauta que
seguirían otros discípulos distinguidos (Joseph Juran, W.E. Deming, etc.). Sobre este libro han
pasado más de 70 años y sigue sorprendiendo por su frescura y actualidad. Resulta admirable el
ingenio con el que plantea la resolución de problemas numéricos pese a las evidentes limitaciones de
los medios de cálculo disponibles en su época.
Lamentablemente, a Shewhart se le recuerda “solo por las gráficos de control” (X-R, etc.). Por si fuera
poco, a menudo se emplean estos gráficos de modo incorrecto o se desconoce las limitaciones de los
mismos. Normalmente, la utilización incorrecta de los gráficos de control dimana del desconocimiento de
los fundamentos estadísticos que los sustentan. Por esta razón se ha considerado conveniente
hacer hincapié en los fundamentos estadísticos.
2.2.2. ¿POR QUÉ VARÍAN LOS PROCESOS? Un proceso industrial está sometido a una serie de
factores de carácter aleatorio que hacen imposible fabricar dos productos exactamente iguales. Dicho
de otra manera, las características del producto fabricado no son uniformes y presentan una
variabilidad. Esta variabilidad es claramente indeseable y el objetivo ha de ser reducirla lo más posible
o al menos mantenerla dentro de unos límites. El Control Estadístico de Procesos es una herramienta útil
para alcanzar este segundo objetivo. Dado que su aplicación es en el momento de la fabricación,
puede decirse que esta herramienta contribuye a la mejora de la calidad de la fabricación.
Permite también aumentar el conocimiento del proceso (puesto que se le está tomando “el pulso”
de manera habitual) lo cual en algunos casos puede dar lugar a la mejora del mismo. Los resultados de
los procesos varían porque están afectados por factores que varían como: Mano de Obra, Máquinas,
Material, Método, Ambiente, Mantenimiento. 2.2.3. FUNDAMENTOS ESTADÍSTICOS. Para el
entendimiento del Control Estadístico de Procesos no es necesario ser un experto en estadística, pero es
preciso recordar al menos los puntos que se describen a continuación. a) Distribución Normal o
Campana de Gauss. La distribución normal es desde luego la función de
densidad de probabilidad “estrella” en estadística. Depende de dos
parámetros µ y , que son la media y la desviación típica respectivamente.
Tiene una forma acampanada (de ahí su nombre) y es simétrica respecto
a µ. Llevando múltiplos de  a ambos lados de µ, nos encontramos con
que el 68% de la población está contenido en un entorno ±1 alrededor
de µ, el 95% de la población está contenido en un entorno ±2 alrededor
de µ y que el 99,73% está comprendido en ±3 alrededor de µ.
b) Teorema del Límite Central. El teorema del límite central (TLC) establece que si una variable aleatoria
(v.a.) se obtiene como una suma de muchas causas independientes, siendo cada una de ellas de poca
importancia respecto al conjunto, entonces su distribución es asintóticamente normal. Es decir: Si:

c) Distribución de las medias muestrales. Si X es una v.a. N(µ, ) de la que se extraen muestras de
tamaño n, entonces las medias muestrales se distribuyen según otra ley normal:
Obsérvese que como consecuencia del TLC, la distribución de las medias muestrales tiende a ser
normal aún en el caso que la población base no lo sea, siempre que el tamaño de la muestra sea
suficientemente grande n >= 25, si bien este número depende de la asimetría de la distribución.
d) TEORÍA DEL MUESTREO. Es la selección adecuada en cantidad y calidad de los productos o
individuos que constituirán el grupo de observación, para ello es necesario tener conceptos muy claros
respecto a población o universo y muestra. POBLACIÓN: Es todo conjunto de elementos, finito o infinito,
definido por una o más características, de las que gozan todos los elementos que lo componen, y sólo
ellos. En muestreo, se entiende por población a la totalidad del universo que interesa conocer, y que es
necesario que esté bien definido para que se sepa en todo momento qué elementos lo componen.
Conviene recordar que población es el conjunto de elementos a los cuales se quieren inferir los
resultados. UNIVERSO: El término es empleado generalmente como sinónimo de población. No obstante,
cuando se realiza un trabajo puntual, conviene distinguir entre universo ideal: conjunto de elementos a los
cuales se quieren extrapolar los resultados, y universo muestral: conjunto de elementos accesibles en
nuestro estudio. MUESTRA: En todas las ocasiones en que no es posible o conveniente realizar un
censo, lo que hacemos es trabajar con una muestra, entendiendo por tal una parte representativa y
adecuada de la población. Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar
las semejanzas y diferencias encontradas en la población, ejemplificar las características y tendencias de
la misma. Cuando decimos que una muestra es representativa indicamos que reúne aproximadamente
las características de la población que son importantes para la investigación. Cuando decimos que una
muestra es adecuada, nos referimos a que contiene el número de unidades de estudio , tal que permita
aplicar pruebas estadísticas que den validez a la inferencia de los resultados a la población.
DETERMINACIÓN DEL TAMAÑO DE MUESTRA.- Como el tamaño de muestra es una proporción o cantidad de individuos
u objetos que pertenecerán a la muestra, debemos conocer varios aspectos:
El nivel de confianza o seguridad (1 - a). El nivel de confianza prefijado da lugar a un coeficiente (Za). Coeficiente que
servirá como dato en las fórmulas de la determinación del tamaño de muestra y que se lo obtiene de las tablas de
distribución Normal Z. Ejemplo 01.- Con las tablas de distribución normal Z, comprobar lo siguiente: a) Para una seguridad
del 95%, Za = 1.96, b) Para una seguridad del 99%, Za = 2.58.
Una idea del valor aproximado del parámetro que queremos medir.- Donde deberemos considerar la probabilidad de que
ocurra el evento (p) y la de que no se realice (q); siempre tomando en consideración que la suma de ambos valores p + q
será invariablemente siempre igual a 1, cuando no contemos con suficiente información, le asignaremos p = .50 q = .50.
La precisión que deseamos para el estudio.- Es determinar el grado de error máximo aceptable en los resultados de
la investigación. Éste puede ser hasta del 10%; ya que variaciones superiores al 10% reducen la validez de la información.
Fórmula para el cálculo del tamaño de la muestra.- Se utilizan fórmulas de acuerdo con el tipo de población.
Para poblaciones Infinitas.- Cuando no se sabe el número exacto de unidades del que está compuesta la población.
Z= nivel de confianza, P = probabilidad de éxito, o proporción esperada Q = probabilidad de fracaso

d = precisión (error máximo admisible en términos de proporción)

Para poblaciones Finitas.- Cuando se conoce cuántos elementos tiene la población. (N=Tamaño de la población)

Ejemplo 02.- ¿Cuántos productos tendríamos que seleccionar como muestra para conocer algunas características de
calidad en su producción si se conoce que la cantidad producida en un periodo determinado es de 15 000 unidades? Con
una seguridad de 85%, una precisión de 4% y asumiendo una proporción esperada próxima al 9%.
Ejemplo 03.- Supóngase que se desea determinar la calidad y el nivel de servicio que ofrece nuestra Unidad de
información Archivística; por lo que resulta necesario entrevistar a los distintos usuarios que acuden a nuestro  archivo para
así conocer su opinión. el registro de visitantes a nuestra Unidad de Información del año pasado es de 43 700 visitantes.
¿Cómo calcularíamos el tamaño de la muestra?
PRÁCTICA 2.2.
De los ejercicios adicionales, resolver los números: 2,4,6 y 7.