POBLACIÓN VS.

MUESTRA

Población o
Característica Muestra
Proceso
Número de
N n
individuos
 x
x
Media N
x
n


 ( x  x)
2
( x  x)
2

Varianza  2
s2 
n 1
N
Desviación
σ s
Estándar
Proporción p’ ó π p
Correlación ρ r
Las Las
características características
de una de una
población se muestra se
llaman llaman
PARÁMETROS ESTADÍSTICAS
y son constantes y son variables
Los parámetros son constantes cuyos valores son generalmente
desconocidos. Tratamos de determinar su valor o tomar decisiones
sobre estos.

Las estadísticas son variables que se emplean para estimar el

valor de los parámetros. Debido a que son variables, su
comportamiento necesita ser determinado en términos de
probabilidad.

1
Muestreo Aleatorio
Básico
El objetivo de la obtención de un producto con
características vendibles es compartido entre el
inspector y aquellos para quienes él trabaja. Para
cada persona involucrada, la obtención de este
objetivo significa mayor seguridad en el trabajo. El Correcto Incorrecto
cumplimiento con las prácticas sólidas de muestreo Apilamiento de lotes
requiere la cooperación de todos los involucrados y es
motivado por un entendimiento claro del Fig. 2 Se necesita accesibilidad para el muestreo aleatorio
razonamiento que apoya los procedimientos
establecidos. Flujo de Materiales

Muestreo Aleatorio Muy a menudo, pasarán materiales sin ser

El lote mostrado en la figura 1 puede evaluarse
mediante el muestreo aleatorio. Para esto, es
esencial la obtención de unidades individuales de
todas las partes del lote—no solo de una esquina, de
un segmento o de una capa o estrato.
inspeccionados y aprobados por la estación. Las
etiquetas claramente visibles e inspeccionables,
áreas especiales de almacenamiento para los
materiales rechazados y el reconocimiento del
problema por aquellos involucrados, ayudará a
minimizar errores.

Representación Comunicación

La producción, a menudo viene en lotes. Cuando dos
lotes deben ser evaluados como si fueran uno solo
(por ejemplo, la producción de la mañana y de la
tarde), la muestra debe representar cada porción en,
aproximadamente, las mismas proporciones. A su vez,
cada una de las sub-muestras (mañana y tarde) deben
estar seleccionadas aleatoriamente. Estos principios
también aplican para la inspección en la recepción de
materiales. En algunos casos, el muestreo aleatorio
se dificulta por la forma en que los lotes están
entarimados o acomodados (Fig. 2). Se debe hacer
todo esfuerzo necesario para tener accesibles todas
las partes del lote.
Existe una razón para los métodos y procedimientos
detallados de control de la calidad. Entre más gente
esté consciente de ellos, será mayor las probabilidad
de su cumplimiento y cooperación. Por ejemplo, la
diferencia entre el muestreo lote a lote, la
inspección al 100%, y la inspección en proceso, debe
ser dada a conocer.
Diferencia Entre La Inspección Al 100% y La
Inspección Lote Por Lote
Inspección al 100% Inspección Lote por Lote

El producto se hace llegar al El producto se envía al

inspector en un flujo inspector como un lote. El
continuo. inspector toma muestras.

Incorrecto
La muestra proviene de un solo segmento

El inspector trata de El inspector examina las

examinar cada pieza. piezas en la muestra.

Correcto
3 3
La muestra proviene de todos los segmentos
El inspector rechaza las Si el inspector no encuentra
piezas defectuosas que demasiadas piezas
Fig. 1 Las unidades confinadas a esquinas, capas o segmentos encuentra y acepta la defectuosas en la muestra,
especiales tienen una muy baja probabilidad de reflejar las verdaderas
características del lote, sesgando de esta manera la evaluación de la
prueba. acepta el lote completo. De
calidad. lo contrario, rechaza el lote
completo.

2
Para detalles de cómo llevar a cabo el muestreo, consultar los siguientes
documentos incluidos en el material del curso:

1) ANSI/ASQ Z1.4: Procedimientos de Muestreo y Tablas para inspección

por Atributos.

2) ANSI/ASQ Z1.9: Procedimientos de Muestreo y Tablas para Inspección

por Variables para porcentaje de incumplimiento

3
 Cinco Reglas básicas de Probabilidad

Si E es un evento cualquiera, la probabilidad de que el evento E, o sea p(E), ocurra está dada por:

Número  de  maneras  en  que  E  puede  ocurrir

p( E ) 
Total  de  resultados  posibles

La cual puede ser expresada tal cual (en número de probabilidad) o en porcentaje (número de
probabilidad x 100)

Ejemplo: Para una moneda, ¿cuántas probabilidades tenemos de obtener un “sol” en un

“volado”?
1
p( sol ) 
2
Esto es un modelo en el cual, para que sea correcto, se presuponen las siguientes condiciones:

a) La moneda está perfectamente balanceada.

b) La moneda nunca caerá de canto.
c) El volado será aleatorio.
d) Se echará sin ningún sesgo.

NOTA IMPORTANTE sobre los modelos: No se puede demostrar que sean correctos para describir la
realidad a la cual pretendemos aplicarlo, pero si podemos demostrar que no son correctos.

Existen algunas reglas:

1. Complementación: p(no E)= 1- p(E)

2. Adición de probabilidades para eventos mutuamente excluyentes : Si dos eventos, E y F son

mutuamente excluyentes, es decir, que no pueden ocurrir juntos, entonces p(E o
F)=p(E)+p(F)

3. Multiplicación de probabilidades para eventos independientes: Si E y F son independientes,

es decir, que la ocurrencia de E no afecta la ocurrencia de F, entonces p(E y F)=p(E) x p(F)

4. Multiplicación de probabilidades cuando los eventos no son independientes, probabilidades

condicionales:

Si E y F no son independientes, sino que la ocurrencia del evento E afecta la probabilidad de

ocurrencia del evento F, entonces la probabilidad de ocurrencia de E y F está dada por:

F
p( E  y  F )  p( E )  p( )
E

5. Adición de probabilidades cuando los eventos no son mutuamente excluyentes:

Si E y F son eventos que no son mutuamente excluyentes, esto es, que pueden ocurrir juntos,
entonces la probabilidad de ocurrencia de E o F está dada por:

p( EóF )  p( E)  p( F )  P( EyF )

4
ÁREAS APROXIMADAS
PARA UNA
CURVA TÍPICA NORMAL
(ESTANDARIZADA)

5
 Tabla de la Distribución Normal
________________________________________
x
Esta tabla contiene las proporciones del área total bajo la curva desde -∞ hasta Z . Para ilustrar: Cuando Z=2, la

probabilidad de obtener un valor igual a o menor que x es .9773.

6
 Ejercicios de la Distribución Normal

1. Cuáles son los valores de Z (dos colas) correspondientes al 95% del área bajo la
Curva (ABC) de la DN?

2. ¿Cuál es el valor de Z correspondiente al 95% del ABC a una cola (superior)?

3. ¿Cuál es el valor de Z correspondiente al 95% del ABC a una cola (inferior)?

4. Contesta las tres primeras preguntas para el ABC correspondiente al 90, y al

99 del ABC

5. Si el ensayo del activo de un producto tiene como especificación no más del

105 ni menos del 95% del activo, y se obtuvieron los siguientes resultados
individuales de cada una de 10 unidades de producto:

98
99
95
95
95
99
96
97
96
95

y sabemos que los resultados históricos siguen una DN, ¿aprobarías este lote
de producto?

6. Si consideras no aprobarlo, ¿Cuál es la razón con base en un posible

porcentaje de unidades fuera de especificación?

7
 Distribución Exponencial

Valores de la distribución exponencial de e  x /  para distintos valores

___________________________________________________________________
x
Se muestran los valores fraccionales del área total (1.000) bajo la curva exponencial mayores a x. Para ilustrar: si es

0.45, la probabilidad de ocurrencia de un valor mayor a x es de 0.6376.

8
 Ejercicios con la Distribución Exponencial

1. Abre el libro de Excel “Validación SAPUF-Cuentas Microbianas.xlsx”.

2. Prepara el histograma de los valores de cuentas microbianas obtenidas a lo

largo del periodo de la calificación del desempeño de este sistema.

3. Calcula la media de las cuentas a lo largo del periodo.

4. Establece cuál sería un límite de alera adecuado para este sistema y explica
por qué.

9
 Teorema del Límite Central
Este teorema tiene tres postulados:

1. Cuando se toman muestras de tamaño constante (n, llamada aquí ‘tamaño de subgrupo’)
provenientes de una población cualquiera, los promedios de los valores individuales de cada
subgrupo tenderán hacia una distribución normal en la medida en que el tamaño de n
aumenta, independientemente de que la distribución de donde provienen sea o no normal.

2. Media: El valor promedio de ambas distribuciones, la de los datos individuales y la de los

datos promediados, son el mismo.
xx
3. Desviación Estándar: La desviación estándar de los subgrupos es igual a la desviación
estándar de los valores individuales dividida entre el tamaño del subgrupo.

S
SX 
n

Este teorema es muy importante en Estadística.

En este se basan los gráficos de control de Shewhart para llevar a cabo el Control Estadístico de
Proceso (CEP).

Los Gráficos de Control de Proceso son herramientas muy potentes y muy reveladoras sobre el
comportamiento de un proceso, pero es muy frecuente que, si no se entiende correctamente su
fundamento, el cual se basa completamente en este teorema, degeneren en registros inútiles y
pérdida de tiempo.

10
 Control
Estadístico
del Proceso

(CEP)

11
 ANÁLISIS DE PARETO

WILFREDO PARETO (1848-1923) es famoso por su observación de

que el 20% de la población poseía el 80% de la propiedad. Fue un
autor muy prolífico. Escribió obras de economía y panfletos
antigubernamentales desde 1870 hasta la llegada de Mussolini para
criticar el intervencionismo y la falta de
democracia. En su primera etapa intelectual, que
luego tomaría otro giro, fue continuador de los
neoclásicos y demócrata radical.

El nombre de Análisis de Pareto fue dado por el DR. JOSEPH

JURAN (1904-2008) en honor del economista italiano Wilfredo
Pareto.

El Dr. Juran aplicó este concepto a la calidad, obteniéndose lo

que hoy se conoce como la regla 80/20.

El análisis de Pareto se fundamenta, precisamente, en la regla del 80:20, con la

siguiente variación: Los problemas de Calidad son efectos de causas. Estas causas
se relacionan con sus efectos, la mayor parte de las veces, siguiendo la regla de
Pareto del 80:20, es decir, que un 20% de todas las causas nos producen el 80% de
los efectos o problemas que detectamos; mientras que el 80% restante de las
causas, solamente producen el 20% de los efectos detectados. Por consiguiente, su
principal aplicación en Validación/Aseguramiento de la Calidad es en la
separación/identificación de esas pocas causas que nos producen la mayoría de los
problemas que vemos, es decir, distinguir las pocas significativas de entre las
muchas no significativas.

Una vez identificadas las causas raíz de estas pocas significativas, podemos enfocar
nuestros esfuerzos a resolverlas, con mucho mejores resultados.

El análisis de Pareto se lleva a cabo en forma gráfica, de la siguiente manera:

1. Se reúne la información que se desea analizar. Esta generalmente se refiere a

defectos o problemas que se identifican en campo.
2. Se prepara una tabla en la que se presente cada tipo de problema o defecto vs.
su incidencia (frecuencia).
3. Se ordenan, por frecuencia, de mayor a menor.
4. Se añaden dos columnas a la tabla ordenada.
5. En la primera se calcula el porcentaje representado por cada uno, con respecto
al total de problemas o defectos.
6. En la segunda se calcula el porcentaje acumulativo.
7. Se procede a graficar de la siguiente manera:
7.1.Se prepara una gráfica con doble eje de ordenadas (uno a cada lado de las
abscisas).

12
7.2.La frecuencia de los problemas o defectos se grafica en forma de barras
verticales, sobre el eje de la frecuencia en el lado izquierdo.
7.3.El porcentaje acumulativo se grafica en forma de línea empleando el eje
del lado derecho.
7.4.Se indica una flecha sobre la línea del porcentaje acumulativo
correspondiente al 80% de problemas o defectos.
7.5.Se prepara un plan de acción para esos problemas o defectos comprendidos
dentro del 80%.

La gráfica es muy útil al permitir identificar visualmente en una sola revisión

tales minorías de características vitales a las que es importante prestar
atención y de esta manera utilizar todos los recursos necesarios para llevar a
cabo una acción correctiva sin malgastar esfuerzos.

Algunos ejemplos de tales minorías vitales serían:

 La minoría de clientes que representen la mayoría de las ventas.

 La minoría de productos, procesos, o características de la calidad
causantes del grueso de las mermas o de los costos de retrabajos.
 La minoría de rechazos que representa la mayoría de quejas de la
clientela.
 La minoría de vendedores que está vinculada a la mayoría de partes
rechazadas.
 La minoría de problemas causantes del grueso del retraso de un proceso.
 La minoría de productos que representan la mayoría de las ganancias
obtenidas.
 La minoría de elementos que representan al grueso del costo de un
inventario.

¿Cuándo se utiliza?

 Al identificar un producto o servicio para el análisis con la finalidad de

mejorar la calidad.
 Cuando existe la necesidad de llamar la atención a los problema o sus
causas de una forma sistemática.
 Al identificar oportunidades de mejora.
 Al analizar las diferentes agrupaciones de datos (ej: por producto, por
segmento, del mercado, área geográfica, etc.)
 Al buscar las causas principales de los problemas y establecer la prioridad
de las soluciones.
 Al evaluar los resultados de los cambios efectuados a un proceso (antes y
después)
 Cuando los datos puedan clasificarse en categorías.
 Cuando el rango de cada categoría es importante.

13
DIAGRAMAS DE CAUSA-EFECTO

14
 EL DIAGRAMA DE TALLO Y HOJAS
Es una técnica estadística para
representar un conjunto de datos. Cada
valor numérico se divide en dos partes. El
o los dígitos principales forman el tallo y
los dígitos secundarios las hojas. Los
tallos están colocados a lo largo del eje
vertical, y las hojas de cada observación
a lo largo del eje horizontal.

El diagrama de tallo y hojas sirve para

darnos una idea de la distribución de
frecuencias que sigue una serie de datos.

Se parece a un histograma, aunque este

último nos da una mejor visibilidad de la distribución. Sin embargo, en
muchas ocasiones, cuando nos encontramos ante la necesidad de llevar
a cabo un análisis sobre la marcha de una prueba, y no contamos con
otras herramientas más sofisticadas como por ejemplo, una
computadora, entonces este diagrama es muy útil, pues se puede
hacer directamente en campo.

Se prepara de la siguiente manera:

1. Se revisan los datos que se van a analizar y se determinan los

tallos y las hojas. La hoja corresponde al valor del último dígito
(entero o decimal). El tallo corresponde a la fracción restante.
Ejemplo:
2. Si el número es 1254.32, la hoja sería el último 2, y el tallo sería
lo restante, que en este caso es 1254.3.
3. Se enlistan los “tallos” en forma de columna.
4. A cada tallo se le van agregando sus hojas correspondientes, separadas por
una coma.
5. Al terminar tendremos una especie de histograma horizontal,
que nos puede dar una aproximación de la distribución de
datos.

COMPARACIÓN ENTRE UN DIAGRAMA DE TALLO Y HOJAS VS. UN

HISTOGRAMA
Tallo y Hojas Histograma
Ventajas Las clases no están, necesariamente Clases Homogéneas
distribuidas de manera homogénea.

Se puede preparar en campo. Nos muestra la distribución correcta

de los datos.
Se pueden ver los valores
individuales.
Desventajas La distribución que muestra no No se puede preparar en campo.
necesariamente es correcta. 15
No se pueden ver los valores
individuales.
 Reglas Para La Construcción De Un Histograma

Un histograma es un resumen gráfico de la variación de un conjunto de datos.

La naturaleza gráfica del histograma nos permite ver pautas que son difíciles
de observar en una simple tabla numérica. Esta herramienta se utiliza
especialmente en la comprobación de teorías y pruebas de validez. Su
preparación se lleva a cabo en dos etapas: preparación de una Tabla de
Frecuencias y construcción de la representación gráfica.
Una herramienta tan sencilla como esta ha ayudado a muchísimas compañías a
resolver problemas serios de calidad en su manufactura.

I. Preparación de la tabla de frecuencias.

1. Contar al menos con 30 datos. Para fines de un estudio de variabilidad,

menos de 30 datos no son significativos y, por consiguiente, el
histograma no nos indicaría la forma de la distribución. Para otros
análisis de menos de 30 datos, existen otras pruebas estadísticas que nos
pueden ayudar a obtener conclusiones.

2. Identificar los siguientes valores:

2.1. Máximo
2.2. Mínimo
2.3. Rango (= máximo-mínimo)
2.4. Cuenta de los valores individuales
2.5. Número de clases ( n redondeado)
2.6. Intervalo de clase (=rango/número de clases)

3. Definir los intervalos de clase, de la siguiente manera:

3.1. Cada clase queda definida por un Límite Inferior de Clase (LIK)
y un Límite Superior de Clase (LSK).
3.2. Añadir un decimal más, con respecto a los valores originales, a
cada límite de clase inferior o superior.
3.3. El primer LIK corresponde al valor mínimo de la serie de datos.
3.4. Todos los LSK son = LIK + Intervalo de Clase.

4. Escribir en dos columnas, los LIK y LSK para cada clase.

5. Repartir los valores individuales en la clase que les corresponda.

II. Construcción de la Representación Gráfica

6. Convertir la Tabla de Frecuencias en una gráfica de barras verticales,

en la cual se represente cada clase con una barra de altura
correspondiente al número de valores individuales que caen dentro de

16
 cada clase.

7. Analizar la gráfica, de acuerdo a los criterios Las pautas habituales de

variación más comunes son la distribución normal, con dos modas,
plana, en peine, sesgada, truncada.

17
III. Para Construir un Histograma en Excel

1. Se asigna un nombre muy corto (de 2 a 4 letras) al rango de celdas que

contiene los valores individuales. (Insertar>Nombre>Definir).

2. Se definen los valores mencionados en el punto 2 de la sección I, empleando

las funciones y fórmulas correspondientes:

2.1. Máximo es =max(rango de celdas de los datos individuales)

2.2. Mínimo es =min(rango de celdas de los datos individuales)
2.3. La cuenta de valores es =contar(rango de celdas de los datos individuales)
2.4. Número de clases es =raiz(celda donde está la función de contar)
redondeada a cero decimales.
2.5. Rango e intervalo se explican arriba (Secc I.2).

3. Se definen los LSK (sin necesidad de añadir el decimal adicional mencionado

arriba en la sección I.3.2) y se ponen en una columna a renglón seguido. Si los
valores anteriores (secc III.2) están en columna, los LSK se ponen en una
columna adyacente. El primero es el mínimo + intervalo de clase. Los
siguientes serán cada uno, la suma del inmediato superior + intervalo de
clase, así hasta llegar al valor máximo.

4. Seleccionar la función Herramientas>Análisis de Datos>Histograma. Aparecerá

la siguiente ventana:

5. Para hacer el histograma, deben definirse las siguientes secciones de esta

ventana:

5.1. Rango de entrada: se pone el nombre que se le haya asignado al rango de

celdas que contiene los valores individuales.
18
5.2. Rango de clases: Se marca o se escribe el rango de celdas que
contiene los LSK.

5.3. Las Opciones de Salida. De las tres que aparecen se selecciona la que
se desee: rango de salida se refiere a que los resultados aparezcan en
la misma hoja en una sección en blanco que se seleccione para este fin.
Esta se define con la dirección de la celda superior izquierda del
rectángulo imaginario que contendría a todos los resultados. En una
hoja nueva, si queremos los resultados en otra hoja nueva del mismo
libro. En el renglón en blanco se pone el nombre de la nueva hoja. En
un libro nuevo, si deseamos que los resultados aparezcan en otro
archivo de Excel.

De las casillas de verificación se selecciona la de “crear gráfico”. Una vez

hecho todo esto, se hace clic en el botón “Aceptar”.

Entonces se mostrarán los resultados, repitiendo la tabla de

Frecuencias y el Histograma correspondiente, el cual se ajustará en
tamaño según sea necesario, para verlo bien. Se corregirán las
distancias entre las barras haciendo clic sobre una de ellas y
seleccionando “Formato de serie de datos>Opciones>Ancho de rango =
0”. Si fuera necesario, se ajustan las otras opciones; se procede
entonces a la interpretación del Histograma.
Histogramas obtenidos en varios procesos, comparando estos contra los límites de
especificación inferior (LIE) y superior (LSE) de cada uno.
(Primera columna=histogramas de procesos; segunda=histogramas de insumos)

20
 Gráficas de Corridas (“Series de Tiempo” a corto plazo)
Una gráfica de corrida es un tipo simple de gráfica en el que mostramos el
comportamiento de una variable cualquiera con respecto al tiempo, durante una
corrida de prueba de un proceso específico.
Estas aplican de manera principal cuando estamos en las etapas de Desarrollo o
Calificación de un proceso, pues nos permite ver el comportamiento de este con
respecto al tiempo para cada una de sus variables críticas, tanto los Parámetros
Críticos del Proceso, como los Atributos críticos de la Calidad.
Consiste en monitorear una variable crítica y graficar su resultado con respecto
al tiempo de toma de muestra. La gráfica mostrará el comportamiento de esta en
cuanto a presentar estabilidad y capacidad preliminares, durante una corrida
corta.

21
 Gráficos de Control Estadístico de Procesos
Estos gráficos de control estadístico de proceso (CEP) fueron inventados por el
ingeniero Walter Andrew Shewhart a principios del siglo XX. Su base es el
teorema del límite central, que nos permite “normalizar” una población de datos
independientemente de la forma de la distribución de dónde proviene.

Estos equivalen a “ponerle al proceso una boca para que nos vaya diciendo como
va. Por consiguiente, la principal razón para usar estos gráficos es poder corregir
la variabilidad del proceso en caso de que el gráfico indique falta de control. Una
vez terminado el proceso ya no tiene tanta utilidad, pues el producto ya se
fabricó. Si tienen utilidad ulterior, pero solo para poder obtener información
para corregir a futuro. El producto que ya se fabricó, si se hizo mal, puede ya no
tener remedio.

Existen varios tipos distintos, tanto para variables continuas, como para variables
discretas. Los más comunes son los gráficos de control de medias y rangos para
variables continuas.

Estos se componen de cuatro elementos:

1. Descripción de proceso de dónde provienen los datos.

2. Espacio para los cálculos básicos de promedios y rangos.

3. Gráficos de comportamiento de la medida de tendencia central.

4. Gráfico de comportamiento de la medida de dispersión.

En ambos gráficos, tanto en el de tendencia central como en el de dispersión, se

muestran los “límites de control”, los cuales se calculan con base en la
variabilidad natural del proceso, de acuerdo a la DN. En estos no deben aparecer
los límites de especificación, pues puede confundirse el sentido, y los
operadores, que son quienes por lo general son los responsables de llevarlos,
pueden tomar decisiones erróneas con respecto a la calidad del producto si no
están bien capacitados.

Para construirlos, se siguen los siguientes pasos:

1. Se prepara un gráfico doble (TC y Disp.) para cada variable crítica del
proceso.
2. Definir el tamaño de subgrupo (n) que se muestreará. Esto se hace con
base en la facilidad de la medición que se tomará en las muestras, el costo
del producto, el tiempo de análisis, etc.
3. Definir los tiempos de muestreo, que sean adecuados para la duración del
proceso, ya sea por lote o por turno.

22
 4. Definir el método de evaluación de cada una de las variables a medir y
validarlo.
5. Escribir los PNO aplicables y entrenar al personal involucrado.
6. Calcular los límites de control iniciales, con un mínimo de 30 subgrupos,
tanto para la medida de tendencia central, como para la medida de
dispersión.
7. Validar la metodología.
8. Iniciar el muestreo del proceso con la n definida y a los intervalos de
tiempo establecidos.
9. Observar el comportamiento del proceso con respecto a la tendencia
central y la dispersión.
10. En caso de indicar el gráfico situaciones fuera de control, tomar las
acciones necesarias para corregirlo y llevarlo al nivel de cumplimiento
original.
11. Los datos obtenidos deberán revisarse periódicamente y en caso necesario,
ajustar los límites de control, justificando científicamente or qué se hará
el ajuste.

Los otros tipos de gráficos de CEP, p y c, operan de manera similar a estos con
base en la distribución binomial o de Poisson.

23
13
14
15
16