MANUAL DE CONTROL ESTADSTICO DE PROCESOS

INDICE
1 .- INTRODUCCIN A LA PROBABILIDAD
2 .- CONCEPTOS ESTADSTICOS FUNDAMENTALES
o
o

Poblacin estadstica
La Distribucin de Frecuencias

3.- METRICA EN EL ESPACIO ESTADISTICO

o
o
o
o

Medidas de tendencia central

Medidas de Dispersin
Media y Varianza de una Muestra
Muestreo Aleatorio

4.- FUNCIONES DE DISTRIBUCIN DE PROBABILIDADES

o
o
o
o
o
o
o

Generalidades
La Distribucin Normal
La Distribucin Normal Standard
La Distribucin T de Student
Distribucin de Promedios Muestrales
Distribucin binomial
Distribucin de Poisson

5.- TEST DE HIPTESIS

Herramientas para contrastar hiptesis
Regin crtica. Tipos de errores .
Contraste de medias.
Contraste de diferencia de medias
o Comprobacin de la normalidad de una muestra.
o
o

6 .- CONTROL DE PROCESO
o
o
o
o
o
o
o

Control de proceso
Control Estadstico de Proceso (C.E.P.)
Grficos C.E.P. Generalidades
Variables y atributos
Eficacia estadstica de los grficos de control
Subgrupos racionales
Ventajas de los grficos de control

7.- GRAFICOS DE CONTROL POR VARIABLES

o

Introduccin.

Grficos de control ( , R)
Grfico basado en estudio inicial
Grficos basados en valores standar
Grficos de control para valores individuales
Grficos de control de media mvil (desgaste de herramientas)
Recogida de datos e interpretacin
Establecimiento de lmites del Proceso
Lneas generales para el diseo del grafico ( , R)
Interpretacin de los grficos ( , R)
Eficacia de los grficos ( , R)
o Grficos de control ( , S)
o Grficos de control de sumas acumuladas (CUSUM)
o

Otros grficos de control

Grfico de control de media mvil
Grficos de Control Multidimensional

8.- CAPACIDAD DEL PROCESO

o

Introduccin

Anlisis de la capacidad del proceso

Anlisis de la capacidad del proceso usando histogramas
Anlisis de la capacidad del proceso usando grficos de control

9.- GRAFICOS DE CONTROL POR ATRIBUTOS

o

Introduccin

Grfico p para porcentajes defectuosos

Operativa del grfico de control p
Diseo del grfico p

o
o
o
o

Grfico np para unidades defectuosas

Grficos C para tamao de muestra constante
Anlisis de defectos
Grfico U

10.- LINEAS GENERALES PARA IMPLANTAR GRAFICOS DE CONTROL

CAPTULO 1.- INTRODUCCIN A LA PROBABILIDAD

Cada vez que realizamos un clculo matemtico para resolver un problema fsico, estamos
aplicando un modelo matemtico a un fenmeno de la realidad.
Este fenmeno puede ser, por ejemplo, la cada de un objeto desde cierta altura, y en este caso
utilizamos un modelo que es la Ley de Gravedad.
Qu es un modelo?. Al enfrentar un problema de fsica, qumica, ingeniera, etc., estamos
analizando e investigando una parte o aspecto de la realidad material que nos rodea. Para
resolver el problema, necesitamos modelar esa realidad, es decir, construir una representacin en
la mente de cmo ocurren los hechos, junto con ecuaciones matemticas que permitan calcular
los efectos de los mismos.
En ningn caso se debe confundir modelo con realidad. Un modelo es slo una representacin de
la realidad, utilizado para estudiar y analizar dicha realidad.
Hay modelos matemticos que nos permiten obtener un resultado numrico preciso, por ejemplo,
que la velocidad de un automvil es de 175,5 Km/Hora. O que la corriente elctrica que circula
por un cable es de 5,7 Amperios. Este tipo de modelos matemticos se denominan
Determinsticos.
Existen tambin fenmenos que necesitan otro tipo de modelos matemticos, denominados no
determinsticos, probabilsticos o estocsticos.
Por ejemplo, supongamos que se ha previsto la realizacin de unas pruebas balsticas para las
que se necesita saber la cantidad de lluvia que va a caer en un prximo periodo de tiempo, antes
de decidir la forma de llevar a cabo los ensayos. El Tcnico responsable podr informarse en el
servicio meteorolgico en relacin con la presin baromtrica, la temperatura, velocidad del viento
y otros datos meteorolgicos, sin embargo, no hay una ecuacin que con todos esos datos le
permita calcular de forma precisa los milmetros de lluvia que van a caer durante el periodo de
tiempo que le interesa.
De la misma forma, ningn operador puede calcular cuanto va a subir la Bolsa, ni siquiera si va a
subir o bajar, an cuando tenga a su alcance todas las variables econmicas disponibles.
Este tipo de fenmenos no admiten un modelo determinstico, sino un modelo probabilstico, que
como resultado nos dice la probabilidad de que llueva una cierta cantidad, o la probabilidad de
que la Bolsa suba un cierto porcentaje. El resultado no es un valor determinado, sino la
probabilidad de un valor.
Veamos algunos ejemplos de fenmenos para los cuales es apropiado utilizar un modelo
probabilstico:

Experimento 1:
Se lanza un dado y se anota el nmero
que aparece en la cara superior.
Experimento 2:
Se arroja una moneda cuatro veces y
se anota la sucesin de caras y cruces
obtenidas.

Experimento 3:
Se fabrican artculos en una lnea de produccin y se cuenta el nmero de
artculos defectuosos producidos en 24 horas.
En todos estos casos, el resultado del experimento no se puede predecir con absoluta certeza.
Hay varios resultados posibles cada vez que se realiza la experiencia.
Para cada experimento del tipo que estamos considerando, se define el Espacio Muestral como el
conjunto de todos los resultados posibles que pueden producirse al realizar el experimento.
Los espacios muestrales respectivos son :
S1 = {1,2,3,4,5,6}
S2 = {cccc, xccc, cxcc, ccxc, cccx, xxcc, xcxc, xccx, cxcx, ccxx, xxxc, xxcx,
cxxx, xcxx, xxxx}
S3 = {1,2,3,, N} ; N mximo de artculos producidos en 24 horas.
Un Suceso, respecto a un espacio muestral S asociado con determinado experimento, es un
subconjunto de resultados del espacio muestral. El conjunto vaco, el formado por un solo
elemento y el formado por todos los elementos del espacio muestral son tambin sucesos.
Vemos entonces que, dado un experimento aleatorio cualquiera, hay un espacio muestral
asociado cuyos elementos son todos los resultados que se pueden obtener de la experiencia. Un
subgrupo o subconjunto de resultados es un suceso. Ahora, cmo podemos saber si la
posibilidad de que ocurra un suceso es grande o pequea? Por ejemplo, si arrojamos un dado,
cmo podemos calcular la probabilidad de que salga un 2 ?. Para esto necesitamos un nmero
asociado con cada suceso, al cual se lo denomina probabilidad del suceso. Entonces, la
probabilidad P de un suceso es un nmero entre 0 y 1, que nos dice en que medida es posible
que ocurra el suceso. Si la probabilidad es 1 significa que el suceso ocurrir con toda certeza. Si
la probabilidad es 0,5 significa que un suceso puede ocurrir o puede no ocurrir con la misma
probabilidad. Probabilidad 0 quiere decir que el suceso es imposible que ocurra. Cmo podemos
calcular la Probabilidad de un suceso?
La respuesta a esta pregunta no
siempre es sencilla y depende del
experimento y de su espacio muestral
asociado. Hay casos simples en los que
el clculo es relativamente sencillo. En
primer trmino, supondremos que se
trata de un experimento cuyo espacio
muestral es finito y tiene un nmero
pequeo de resultados posibles.
En segundo trmino, supondremos que todos los resultados que integran el espacio muestral
(sucesos elementales) tienen la misma probabilidad de ocurrir.
Con estas dos hiptesis, la frmula para calcular la probabilidad es muy sencilla. Supongamos
que se trata de un experimento cualquiera cuyo espacio muestral S tiene N elementos (N
resultados posibles). Deseamos calcular la probabilidad de un suceso H (Un subconjunto H del
espacio muestral S) que tiene m elementos. De acuerdo a lo dicho previamente, el nmero N
tiene que ser pequeo y la probabilidad de cada suceso elemental tiene que ser la misma.
Entonces la probabilidad P de que ocurra el suceso H es: P = m/N
Veamos algunos ejemplos.
Supongamos que se arroja un dado sobre una mesa y apostamos a que salga un nmero igual o
menor que 4. Sabemos que son igualmente posibles los nmeros: {1, 2, 3, 4, 5 y 6} (Espacio

muestral con 6 elementos).

Pero los nmeros favorables a nuestra apuesta son: {1, 2, 3 y 4} (Suceso con 4 elementos).
Entonces, la probabilidad de que ganemos es P = 4/6 = 0,666
Es decir que tenemos a nuestro favor una probabilidad de 0,666.. (o sea aproximadamente del 67
%).
Si apostamos a un slo nmero (sacar un As), la probabilidad de ganar sera P = 1/6 = 0,1666
Repitiendo, la probabilidad es un nmero entre 0 y 1, que nos dice en que medida es posible que
ocurra un suceso.
----------------------------------------------------------------------------------------------------------------------------------

CAPITULO 2.- CONCEPTOS ESTADSTICOS FUNDAMENTALES

Poblacin estadstica.
Hasta ahora hemos visto el caso de fenmenos o
experimentos cuyo espacio muestral asociado tiene un
nmero pequeo de elementos. Ello nos ha servido para
introducir la nocin de probabilidad, Pero en muchos
casos es necesario trabajar con experiencias o procesos
que generan un nmero muy grande de datos o resultados
numricos, es decir, espacios muestrales con un nmero
infinito o muy grande de elementos.Cuando tenemos un
conjunto muy grande de datos numricos para analizar
decimos que tenemos un Universo o Poblacin de
observaciones.
Cada dato numrico es un elemento de la poblacin o universo. Una Muestra es un subconjunto
pequeo de observaciones extradas de un universo o poblacin.
La
Estadstica
trabaja
con
poblaciones de datos y con
muestras extradas de las mismas.
Los conceptos de poblacin y
muestra
a
veces
resultan
ambiguos
en
su
aplicacin
prctica.
Por ejemplo, supongamos que en una ciudad de 5000 habitantes se realiza un censo mdico en
el cual se mide el peso, la altura y se relevan otros datos de todos los habitantes de la ciudad.
Alguien podra referirse al universo o poblacin censada teniendo in mente el conjunto de los
habitantes de la ciudad. Pero cuando hablamos en trminos estadsticos, nos referimos a
poblaciones o universos de datos.
Por ejemplo, el conjunto de todas las mediciones de altura (De los habitantes de la ciudad) es un
conjunto de datos y por lo tanto constituye un universo o poblacin de datos desde el punto de
vista estadstico. Otro universo o poblacin de datos son los pesos medidos (De los habitantes de
la ciudad). Pero la poblacin de habitantes, es decir, las personas que habitan la ciudad no son la
poblacin a la que nos estamos refiriendo desde el punto de vista estadstico.
Supongamos que en una empresa se fabrica un lote de 10
toneladas de un producto qumico, y un tcnico debe controlar la
calidad del mismo.
El tcnico toma una pequea porcin, por ejemplo, 100 gramos y
dir que tom una muestra del producto para analizar en el
laboratorio. Hasta el momento, la muestra no fue analizada y por lo
tanto no tenemos ningn dato numrico.
Cuando el laboratorio efecta algn ensayo en la muestra y obtiene un resultado numrico, dicho
dato podra ser analizado desde el punto de vista estadstico.

Vamos a suponer hipotticamente que el tcnico contina

sacando otras muestras del producto, hasta agotar el lote y
cada una es ensayada en el laboratorio, que nos da los
resultados.
Como tenamos 10 toneladas de producto y las muestras son aproximadamente de 100 gramos,
el tcnico seguramente extraer alrededor de 100000 muestras y el laboratorio nos entregar
alrededor de 100000 resultados. Este conjunto de datos numricos es nuestro universo o
poblacin de datos.
Si tomamos al azar 10 de esos resultados, podemos decir que tenemos una muestra de 10
elementos de ese universo o poblacin. No debemos confundir esta muestra (Desde el punto de
vista estadstico) con la muestra de material que extrajo el tcnico para ser analizada en el
laboratorio.
Ahora bien, nuestro universo o poblacin de datos a veces no existe en la realidad, sino que es
un concepto o abstraccin que utilizamos para referirnos al universo o poblacin que
hipotticamente podra existir.
Veamos el ejemplo anterior. Supongamos que el tcnico toma solamente 5 muestras y las enva
para analizar al laboratorio. El laboratorio nos enviar slo 5 resultados, y nosotros diremos que
tenemos una muestra de datos extrada del universo o poblacin de datos total. Y estamos
pensando en el universo o poblacin que tendramos si se hubieran extrado y analizado las
100000 muestras de material.
Muchas veces resulta difcil imaginarse cual es el universo del cual extrajimos los datos.
Supongamos que tenemos una mquina que produce piezas de plstico en serie y un tcnico
toma 5 piezas sucesivas y les mide la altura con un calibre. Tenemos, entonces, 5 resultados, es
decir una muestra de 5 elementos. Cul es el universo al cual pertenece esa muestra de datos?.
Debemos imaginar lo siguiente: Si la mquina continuara trabajando en las mismas condiciones
(Es decir, a la misma velocidad, con las mismas materias primas, a la misma temperatura,
manejada por el mismo operario, etc.) ...y a cada pieza que produce se le mide la altura
tendramos un conjunto muy grande de resultados numricos. Ese conjunto muy grande de
resultados numricos que no existe, pero que podra obtenerse en esas condiciones es el
universo o poblacin del cual extrajimos la muestra de 5 observaciones.
Veamos otro ejemplo. Supongamos que el sindicato de
la industria textil desea saber cual es el sueldo medio
de un operario en esa industria. Entonces, encarga una
encuesta a una empresa especializada, que entrevista
a 20 operarios de la industria textil y averigua sus
salarios.
Estos datos son una muestra de 20 observaciones del universo o poblacin formado por los
salarios de todos los operarios de la industria textil del pas. Aunque el encuestador no disponga
de esos datos, sabemos que existen miles de operarios que ganan un salario determinado y por
lo tanto podemos hablar de un universo o poblacin cuyos elementos son los salarios de los
operarios de la industria textil en el pas. Adems, esa poblacin de datos es seguramente
diferente de la poblacin de salarios de los operarios de la industria textil inglesa o brasilea
(Usando una misma moneda de referencia).
Qu representa una Poblacin de datos? El anlisis estadstico de una poblacin o universo de
datos tiene como objetivo final descubrir las caractersticas y propiedades de aquello que gener

los datos. Por ejemplo, se tiene una poblacin de escolares (Poblacin fsica, poblacin humana)
y se les mide la altura. El conjunto de datos de altura constituye una poblacin o universo
estadstico.
El anlisis de estos datos de altura
(Universo estadstico) sirve para
caracterizar y estudiar a la
poblacin de estudiantes (Que no
es una Poblacin estadstica).
Supongamos que un instituto
dedicado a estudios econmicos
ha realizado una encuesta de
ingresos en el pas. El universo de
datos generados por la encuesta
sirve a los fines de caracterizar a
la poblacin fsica, a la poblacin
real del pas, desde un punto de
vista econmico.
Un ingeniero controla un proceso industrial, que genera a diario muchos lotes de un producto
(Poblacin de lotes). Para cada lote se mide una caracterstica de calidad, obtenindose una gran
cantidad de resultados numricos (Poblacin de datos).
El ingeniero realiza esta tarea porque a travs de los datos numricos obtenidos se puede evaluar
el comportamiento del proceso, que es lo que realmente le interesa.

Es importante destacar que detrs de un universo o poblacin de datos se encuentra una

poblacin fsica subyacente, formada por elementos de la realidad que nos rodea, de la cual, a
travs de algn tipo de medicin, se obtuvieron los datos numricos. Es esa poblacin fsica
subyacente (Elementos de la realidad, seres humanos, lotes de material, etc.) la que deseamos
estudiar y caracterizar por medio del anlisis estadstico de los datos obtenidos.
La poblacin estadstica est representando, entonces, una poblacin fsica o natural formada por
elementos de la realidad, con respecto a una caracterstica o propiedad de esa poblacin fsica.

Es muy importante, al utilizar mtodos estadsticos, no confundir la poblacin fsica, formada por
elementos de la realidad que estamos estudiando, con la poblacin o universo de datos
generados a partir de la primera. De aqu en adelante, cuando utilicemos los trminos poblacin o
universo sin otro adjetivo nos estaremos refiriendo a poblacin o universo de datos numricos
(Tambin llamados observaciones, mediciones o valores).
La Distribucin de Frecuencias
Vimos que una Poblacin o Universo de datos es un conjunto muy grande de nmeros. Estos
nmeros pueden estar en un gran listado o puede ser un conjunto hipottico, es decir, podemos
imaginar los nmeros pero no los tenemos realmente. Una gran tabla de nmeros ordenados al
azar prcticamente no nos muestra informacin acerca de la poblacin de datos. Suponiendo que
disponemos de los datos del universo, cmo podemos clasificar y ordenar los nmeros para
obtener ms informacin acerca de ese universo de datos?.
Una forma sera escribir los nmeros desde el menor hasta el mayor y colocar encima de cada
uno tantas cruces o cuadraditos como veces que figure repetido en la poblacin.
El nmero de veces que aparece repetido cada dato es la frecuencia de dicho valor. La
representacin grfica que hemos visto se denomina Distribucin de Frecuencias de la poblacin.
La representacin grfica nos
permite ver informacin que
antes no apareca tan evidente.
Por ejemplo, sin hacer ningn
clculo nos damos cuenta donde
est
aproximadamente
el
promedio de la poblacin.
Tambin nos muestra cuales son
los valores mximo y mnimo de
la poblacin, es decir, el rango o
recorrido.
En el caso anterior, los datos de la poblacin son nmeros enteros. Cuando los nmeros no son
enteros o cuando tenemos un nmero muy grande de datos, se divide el rango total en
subintervalos y se cuenta el nmero de valores que cae dentro de cada subintervalo.
Vamos a suponer, ahora, que tenemos una cierta poblacin de N = 500 datos, por ejemplo el
peso de varones adultos de 40 aos. Una manera de caracterizar esta poblacin es construir una
distribucin de frecuencias o grfico de frecuencias. Para ello seguimos los pasos siguientes:
1) Tomamos nota del valor mximo y el valor mnimo de la serie de datos que estamos
considerando.
2) Subdividimos el intervalo entre el mximo y el mnimo en algn nmero de intervalos (15 20)
mas pequeos iguales entre s.
3) Contamos el nmero de datos que encontramos dentro de cada intervalo (Frecuencia). Por
ejemplo, supongamos que en el intervalo i hay ni observaciones (S*ni = N).

4)Para construir el grfico, colocamos en el eje de abcisas (Horizontal) los intervalos y

levantamos en cada intervalo un rectngulo de altura proporcional al nmero ni de datos dentro
del mismo.
Si hacemos el rea del rectngulo levantado sobre el intervalo i-simo igual a la frecuencia
relativa ni/N, el rea total bajo el histograma ser igual a la unidad:

Obtenemos as un histograma que nos muestra la distribucin de frecuencias de la poblacin:

Esta distribucin de frecuencias nos muestra si hay resultados que son mas frecuentes que otros;
si los valores estn ubicados alrededor de un valor central, si estn muy dispersos o poco
dispersos. Podemos observar que fraccin de todas las mediciones cae por ejemplo, entre 70 y
80 Kg.
Si elegimos una persona del grupo y la pesamos, el resultado es un dato que pertenece a la
poblacin de datos representada en el grfico. Decimos, entonces, que estamos extrayendo un
dato de la poblacin de datos. Pero hay distintas maneras de elegir la persona, es decir, distintas
maneras de realizar la extraccin del dato.
Si nos paramos frente al grupo y elegimos una persona, estaremos seleccionando al ms gordo,
al ms flaco o al ms alto (y por lo tanto pesa ms que otros), de acuerdo a criterios subjetivos
que no podemos evitar. En cambio, si escribimos los nombres de todas las personas en una
etiqueta, metemos todas las etiquetas en una caja y luego le pedimos a alguien que retire una
etiqueta, la seleccin no estar influida por nuestra subjetividad. En este caso, decimos que la
extraccin es aleatoria.
Una extraccin aleatoria es aquella en que cada miembro de la poblacin tiene la misma
posibilidad de ser elegido.
-------------------------------------------------------------------------------------------------------------------------------

CAPTULO 3.- METRICA EN EL ESPACIO ESTADISTICO

Medidas de tendencia central
Una caracterstica importante de cualquier poblacin es su posicin, es decir, donde est situada
con respecto al eje de abscisas (Eje horizontal). En nuestro caso, es importante saber si los datos
se agrupan alrededor de 60 Kg. o de 90 Kg. o alrededor de 12 Kg. Una manera de obtener un
dato numrico que nos d idea de la posicin de nuestra poblacin es calcular el Promedio o
Media de todas las observaciones:

Este importante parmetro nos permite efectuar comparaciones entre distintas poblaciones. Por
ejemplo, si tuviramos una poblacin formada por mediciones del peso de mujeres de 30 aos,
otra de peso de varones de 40 aos y una tercera de peso de nios de 8 aos, es indudable que
los promedios van a ser diferentes. El promedio, entonces, nos est diciendo que las tres
poblaciones son diferentes y tambin en que medida difieren.
Ahora, si tuviramos una poblacin de varones con peso promedio 70 Kg. y otra poblacin de
varones con el mismo promedio, se puede afirmar que ambas poblaciones son equivalentes?
Para responder esta pregunta necesitamos tener medidas de la dispersin de la poblacin de
datos.
Medidas de Dispersin
La otra caracterstica muy importante de una poblacin es el grado de dispersin de las
observaciones. No es lo mismo si en nuestra poblacin encontramos que todos los valores estn
entre 75 y 90 Kg. que si estn entre 60 y 105 Kg., aunque el promedio sea el mismo. Es
necesario agregar alguna idea de la dispersin de los valores.
Una manera es a travs del Rango de las observaciones, es decir, el valor Mximo y el valor
Mnimo de los datos de la poblacin. Entonces, una descripcin mas realista acerca de los seres
humanos sera decir que pesan en promedio 70 Kg. y que el rango es de 40 a 120 Kg. (Estos
valores son supuestos).
Una manera ms precisa de dar idea de la dispersin de valores de una poblacin es a travs de
la Varianza o su raz cuadrada, que es la Desviacin Standard.
Vamos a calcular la varianza y la desviacin standard de un
nmero pequeo de datos (Una muestra) para ilustrar el
clculo. Supongamos que se midi la altura de 10 personas
adultas y de sexo femenino, y se obtuvieron los valores
siguientes
(en
cm)
165 ; 163 ; 171 ; 156 ; 162 ; 159 ; 162 ; 168 : 159 ; 167
El promedio de estas observaciones es:
= 163, 2 cm

Si a cada una de las observaciones le restamos el promedio, obtenemos los Residuos:

Los residuos tambin nos dan una idea de la dispersin de las observaciones individuales
alrededor del promedio. Si el valor absoluto (El valor numrico sin el signo) de los residuos es
grande, es porque los valores estn muy dispersos. Si el valor absoluto de los residuos es
pequeo, significa que las observaciones individuales estn muy cerca del promedio, y por lo
tanto, hay poca dispersin.
Pero nosotros necesitamos un slo nmero que nos provea informacin acerca de la dispersin
de los valores. Si sumamos los residuos, como algunos son positivos y otros negativos, se
cancelaran entre s, con lo cual perdemos la informacin acerca de la dispersin. Entonces, los
elevamos al cuadrado:

Si ahora sumamos los residuos elevados al cuadrado, tenemos un nmero donde se condensa
toda la informacin de la dispersin de la poblacin:

Este nmero, la suma de cuadrados, es dependiente del nmero de datos N, y por lo tanto no nos
sirve para comparar poblaciones con distinto nmero de observaciones.
Pero si dividimos la suma de cuadrados por N, tenemos un nmero que es independiente del
nmero de observaciones, que se denomina Varianza:

En nuestro caso:

Las frmulas anteriores son las que se aplican al clculo de la varianza y desviacin standard de
una poblacin de datos. Mas adelante veremos que las frmulas a aplicar en el caso de una
muestra son ligeramente diferentes. La varianza es un nmero que nos permite comparar
poblaciones. Cuando la dispersin de las observaciones es grande (Datos que se alejan mucho
por encima y por debajo del promedio), el valor de los residuos (distancia entre cada dato y el
promedio) ser grande. Entonces aumenta la suma de cuadrados de los residuos y por lo tanto la
varianza.
Tambin se utiliza la raz cuadrada de la varianza:

Por lo tanto:

La desviacin standard o desviacin tpica tiene las mismas unidades que la variable con la que
estamos trabajando, en nuestro caso el centmetro. Tanto la varianza como la desviacin
standard nos permiten comparar el grado de dispersin de distintas poblaciones.
Media y Varianza de una Muestra
Hasta ahora hemos visto como se calcula la media o promedio de una poblacin y tambin como
se calcula la varianza y la desviacin standard de una poblacin o universo de observaciones.
Cuando tenemos una muestra (Subconjunto de algunos datos extrados de una poblacin),
tambin podemos calcular su media, su varianza y su desviacin standard. Es muy importante
distinguir entre la media, varianza y desviacin standard poblacional, de la media, varianza y
desviacin standard muestral.
La media, varianza y desviacin standard de una poblacin o universo se denominan parmetros
de la poblacin y en general se designan con letras griegas: para la Media, 2 para la Varianza
y para la Desviacin Standard poblacionales. En el caso de una muestra, la media, varianza y
desviacin standard se denominan estadsticos y se utilizan letras de nuestro alfabeto:
para la Media
s2 para la Varianza
s para la Desviacin Standard muestral
El clculo de la varianza y la desviacin standard de una muestra de n observaciones se realiza
con una frmula levemente diferente que la ya vista para la varianza y desviacin standard de una
poblacin:

En lugar de dividir por n, el nmero total de observaciones en la muestra, dividimos por n - 1. Este
valor, n - 1, son los Grados de Libertad de la muestra. En general, cuando tenemos una muestra
de n observaciones, se dice que la misma tiene n - 1 grados de libertad.
La media, varianza y desviacin standard de una muestra, en general, no van a coincidir con los
mismos parmetros de la poblacin de la cual se extrajo la muestra (Aunque usemos la misma
frmula para calcular la varianza muestral y poblacional). Si extraemos n muestras de una
poblacin, vamos a obtener n promedios muestrales distintos del promedio de la poblacin y n
varianzas muestrales distintas de la varianza de la poblacin. Esto se debe a que una poblacin o

universo tienen un nmero muy grande de datos, mientras que una muestra son slo algunos
pocos datos extrados de ese universo. Cuando sacamos una segunda, tercera, ... etc. muestras,
los datos extrados no tienen por que ser los mismos que en la primer muestra. Por lo tanto, el
promedio y la varianza de las muestras van a ser distintos para las distintas muestras, y distintos
de la media y la varianza de la poblacin de la cual se extrajeron las muestras.
Muestreo Aleatorio
En general, no es posible disponer de todas las observaciones de un universo o poblacin, ya sea
porque es un universo hipottico o porque la disposicin de todos los datos resulta una tarea
excesiva para nuestras posibilidades. Normalmente se dispone de una muestra de datos
extrados de un universo, y lo que se pretende es estimar (Conocer de manera aproximada) los
parmetros del universo por medio de clculos realizados sobre la muestra. En este sentido
decimos que la media muestral es una estimacin de la media del universo, y que la varianza y
desviacin standard muestrales son estimaciones de la varianza y desviacin standard
poblacionales respectivamente.
Veamos algunos ejemplos. Supongamos que un partido poltico necesita averiguar la cantidad de
personas que estn dispuestas a votar por su candidato. Entonces, encarga a una empresa la
realizacin de una encuesta un da previo a las elecciones. El encargado de la encuesta podra
pensar en consultar la intencin de voto de toda la poblacin de votantes (Mas de 40 millones en
Espaa). Esto, obviamente, es una tarea excesiva que por distintas razones no se puede realizar.
Entonces, el camino que resta es tomar una muestra representativa de esa poblacin de
personas y consultar la intencin de voto en esa muestra. Los resultados que se obtengan son
solamente una estimacin del resultado que se hubiera obtenido si la consulta se hubiera
efectuado sobre toda la poblacin de votantes.
Ahora bien, cmo se obtiene una muestra representativa?
Para tratar de entenderlo, vamos a trabajar con una poblacin de muy pocos datos. Supongamos
que nuestra poblacin son 10 bolas con los siguientes nmeros 2, 5 y 9 y una frecuencia segn la
tabla adjunta:

El promedio de la poblacin es 4. Supongamos que queremos obtener una muestra de 5

elementos de esa poblacin. Hay varias formas de hacerlo. Supongamos que puedo ver los
nmeros y elijo 2, 2, 2, 2 y 5. El promedio de estos 5 nmeros extrados de la poblacin es 2,6
que difiere sustancialmente del promedio de la poblacin
Es evidente que dicha muestra no es representativa de la poblacin de la que fue extrada. No se
mantiene la misma proporcin de cada nmero que existe en la poblacin. Una muestra de 5
elementos en la que hay la misma proporcin de cada dgito debera tener 3 dos, 1 cinco y 1
nueve, y su promedio es 4, el mismo de la poblacin:
En una poblacin de muchos datos, no es posible obtener una muestra eligiendo cada elemento
para que figure en la misma proporcin que en la poblacin, porque para ello deberamos
disponer de todos los datos de la misma, y en ese caso no sera necesario sacar una muestra. Si
a cada elemento de la poblacin se le da la misma oportunidad de ser elegido, entonces se
supone que cada nmero estar en la muestra en un nmero proporcional a la cantidad de veces
que est en la poblacin. Por ejemplo, el 2 va a estar en la muestra mas veces que el 5, porque
en la poblacin hay 6 dos y slo 2 cincos.

Si introducimos las diez bolas

en una bolsa y las mezclamos
suficientemente,
la
probabilidad que tiene una
bola individual de ser extrada
es la misma para cualquiera
de las bolas.
En esas condiciones, si extraemos cinco
bolas
sucesivas,
mezclndolas
previamente en cada oportunidad, es
razonable pensar que vamos a sacar el 2
en ms oportunidades que el 5 el 9.Esta
forma de obtener la muestra es lo que se
conoce como Muestreo Aleatorio.
El muestreo aleatorio no garantiza que la muestra va a ser representativa de la poblacin, pero al
eliminar toda influencia externa en el acto de extraer un elemento de la poblacin, la proporcin
de cada uno estar influida slo por la cantidad de veces que est presente en la poblacin de la
cual se extrae la muestra.
Entonces,
realizando
el
muestreo en forma aleatoria (al
azar), la probabilidad de obtener
una muestra representativa de la
poblacin es mayor que si en la
eleccin de los elementos de la
muestra interviene la voluntad
del que efecta la operacin o
algn otro factor de influencia
-----------------------------------------------------------------------------------------------------------------------------------------------------

CAPTULO 4.- FUNCIONES DE DISTRIBUCIN DE PROBABILIDADES

Hemos visto como se construye un grfico de frecuencias con datos extrados de una poblacin.
A medida que aumentamos la cantidad de observaciones que tomamos de la poblacin, podemos
construir nuestro grfico con un nmero mayor de intervalos, aunque de menor amplitud (El rango
total cubierto por la poblacin es el mismo).
Si continuamos este proceso, con
intervalos cada vez mas estrechos y
numerosos, los altibajos en el grfico de
la distribucin de frecuencias tienden a
desaparecer.
En el lmite, el ancho del intervalo tiende
a
cero
y
la
poblacin
puede
representarse por una distribucin de
probabilidad continua.
Cuando, para representar esta distribucin de probabilidad continua se utiliza una funcin
matemtica, esta se denomina Funcin de Densidad de Probabilidad.
La forma de la curva en el grfico de la
funcin de distribucin es caracterstica de la
poblacin de observaciones asociada con la
misma, y depende de variables internas del
proceso que gener los datos de la
poblacin.Existen distintas funciones de
distribucin tericas, cada una de las cuales
est
basada
en
un
modelo
de
comportamiento del proceso que gener el
universo de observaciones.
La aplicacin de una de estas distribuciones tericas a una poblacin particular est justificada si
las hiptesis (suposiciones) del modelo de comportamiento del proceso que gener la poblacin
se cumplen. Dicho de otro modo, si conocemos el proceso, es decir, el conjunto de fenmenos
que dieron lugar a nuestra poblacin de mediciones u observaciones, y adems estamos seguros
de que el mismo se ajusta a un modelo de comportamiento determinado, entonces podemos decir
que la distribucin de probabilidades de nuestra poblacin es la que corresponde al modelo.
En la prctica, se sabe que ciertos procesos y fenmenos generan resultados numricos cuya
distribucin de probabilidades se puede ajustar a determinados modelos tericos. Por ejemplo, el
nmero de partculas alfa emitidas por un material radiactivo sigue una distribucin de Poisson.
Existen muchas otras distribuciones tericas, como la Binomial, la Exponencial, la de Weisbull,
etc. Cada una de ellas tiene su propio campo de aplicacin, que se sostiene en un determinado
comportamiento de los fenmenos, y al aplicarla se est haciendo en forma implcita la suposicin
de que se cumplen las suposiciones del modelo subyacente.
La Distribucin Normal

Una
distribucin
muy
importante es la Distribucin
Normal
o
de
Gauss.
La ecuacin matemtica de la
funcin de Gauss es la
siguiente:

La distribucin normal es una curva con forma de campana, con eje de simetra en el punto
correspondiente al promedio del universo . La distancia entre el eje de simetra de la campana y
el punto de inflexin de la curva es igual a , la desviacin standard de la poblacin.
El rea total debajo de la curva es igual a 1. El rea debajo de la curva comprendida entre - y
+ es aproximadamente igual a 0,68 del rea total; entre - 2 y + 2 es aproximadamente
igual a 0,95 del rea total:
Es importante ver que los nicos parmetros necesarios para dibujar el grfico de la distribucin
normal son y (Media y desviacin standard de la poblacin). Con estos dos parmetros sabemos
donde situar la campana de Gauss (En el punto correspondiente a la media) y cual es su ancho
(Determinado por la desviacin standard).
Cuando nos encontramos con una poblacin de observaciones, si podemos afirmar que la
distribucin correspondiente es normal, slo hace falta estimar la media y la desviacin standard
para tener toda la informacin necesaria acerca de dicha poblacin.
La Distribucin Normal Standard
Podemos escribir la frmula de la distribucin normal de la siguiente manera:

con
Esta es la frmula de la Distribucin Normal Standard o Tipificada. Como podemos observar, en
ella hay un slo parmetro, Z, que incluye al promedio y la desviacin standard de la poblacin.
Esta funcin est tabulada.
Al calcular Z, lo que estamos haciendo, en realidad, es un cambio de variable por el cual
movemos la campana de Gauss centrndola en el 0 del eje X, y modificamos el ancho para que la
desviacin standard sea 1.
De esta manera tenemos tabulada una
funcin de Gauss que no depende de
cual sea el promedio y la desviacin
standard de nuestra poblacin real. El
cambio de variable hace que se
conserve la forma de la funcin y que
sirva para cualquier poblacin, siempre
y cuando esa poblacin tenga una
distribucin normal.

Cuando queremos calcular las probabilidades para una poblacin real, calculamos Z y entramos

en la tabla de la funcin normal estandard.

La Distribucin T de Student
En la generalidad de los casos, no disponemos de la desviacin standard de la poblacin, sino de
una estimacin calculada a partir de una muestra extrada de la misma y por lo tanto no podemos
calcular Z.
En estos casos calculamos el
estadstico T:

con

donde S es la desviacin standard muestral, calculada con n-1 grados de libertad.

Ntese que utilizamos S, la Desviacin Standard de una Muestra, en lugar de , la Desviacin
Standard de la Poblacin.
El estadstico T tiene una distribucin que se denomina distribucin T de Student, que est
tabulada para 1, 2, 3, ... etc. grados de libertad de la muestra con la cual se calcul la desviacin
standard. La distribucin T tiene en cuenta la incertidumbre en la estimacin de la desviacin
standard de la poblacin, porque en realidad la tabla de T contiene las distribuciones de
probabilidades para distintos grados de libertad.
La distribucin T es mas ancha que la distribucin normal tipificada Para un nmero de grados de
libertad pequeo. Cuando los grados de libertad tienden a infinito, la distribucin T tiende a
coincidir con la distribucin normal standard. Es decir, en la medida que aumentemos el nmero
de observaciones de la muestra, la desviacin standard calculada estar mas prxima a la
desviacin standard de la poblacin y entonces la distribucin T correspondiente se acerca a la
distribucin normal standard. El uso de la distribucin T presupone que la poblacin con que
estamos trabajando tiene una distribucin normal.
Distribucin de Promedios Muestrales
Para comprender que significa distribucin de promedios muestrales, vamos a suponer que
realizamos un experimento con bombos como los usados en la lotera. Colocamos un nmero
muy grande de bolas blancas en un bombo blanco, en cada una de las cuales figura un dato X.
Este bombo representa la poblacin de observaciones X, y tiene media m y varianza s2.
Supongamos que a continuacin hacemos los siguiente:
1) Tomamos una muestra de n=10 bolas blancas.
2) Calculamos la media y la anotamos en una bola azul.
3) Colocamos la bola azul en un segundo bombo de color azul.
4) Devolvemos las bolas blancas a su bombo y le damos vueltas.

5)Repetimos toda la operacin muchas veces hasta que el bombo azul est
lleno de bolas azules.
Entonces, los nmeros del bombo azul forman una poblacin de promedios muestrales. Esta es
una poblacin derivada de la anterior, y tiene la misma media o promedio que la distribucin
original, pero su varianza es un ensimo de la varianza de la distribucin original:

En el caso del bombo azul, si denominamos

a la varianza y m a la media, tenemos:

La distribucin de medias muestrales est situada en el mismo lugar (alrededor de la misma

media) que la distribucin original, pero es mucho mas estrecha, porque su varianza es la dcima
parte de la varianza original. La distribucin original de observaciones representada por el bombo
blanco se denomina comnmente distribucin madre o base. Al construir la poblacin de
promedios muestrales, realizbamos extracciones de 10 bolas blancas despus de dar vueltas al
bombo. Es decir, que estbamos realizando un muestreo aleatorio de la poblacin madre, porque
cada una de las bolas blancas tena la misma posibilidad de ser elegida para integrar la muestra.
Aunque la poblacin original no sea de distribucin normal, si el muestreo es aleatorio, la
poblacin de promedios muestrales se aproximar a la normalidad, es decir, ser casi de
distribucin normal. Este efecto se debe a un teorema de estadstica matemtica denominado
Teorema Central del Lmite. En resumen, si se cumple la hiptesis de muestreo aleatorio,
tenemos:

En general, en los problemas que se presentan habitualmente, existe una poblacin de

observaciones cualesquiera, de la cual tomamos una muestra aleatoria, por medio de la cual
intentamos conocer todo lo que sea posible acerca de la poblacin de la cual fue extrada. El
promedio de la muestra de n elementos pertenece a la distribucin de promedios muestrales de la
poblacin original. Es decir, que el promedio de la muestra que obtuvimos es uno de los muchos
promedios muestrales que se distribuyen alrededor de m con desviacin standard.
Por lo tanto, si la muestra es mas grande (n mayor), estaremos en una distribucin de promedios
con desviacin standard mas pequea, por lo cual, el promedio de la muestra estar mas cerca
del promedio del universo. Es por esto que es razonable pensar que el promedio de la muestra es
una estimacin del promedio del universo.

Distribucin binomial
Una persona arroja un dado apostando con otra a que saca un as (un 1). La probabilidad de sacar
el as es igual a:

Es decir que la probabilidad que tiene de acertar es 17 % aproximadamente. Ahora, supongamos

que la persona arroja 5 dados iguales a la vez. Cul es la probabilidad de que saque 0, 1, 2, 3...
unos?.
Cuando realizamos una experiencia individual donde el resultado debe ser slo uno de dos
posibles: acierto/fallo, cara/cruz, etc. decimos que es un ensayo de Bernouilli.
Es tan probable sacar 1 2 ases
como sacar 5 ases?. A priori
parecera que no. En nuestro caso,
cada vez que arrojamos un dado
podemos
definir
nuestro
experimento registrando slo dos
resultados posibles:
Cada acto individual de arrojar un dado es independiente de los otros y las probabilidades de
obtener un as o de no obtener ninguno, son, respectivamente :
Por lo que, cuando arrojamos 5
dados, la probabilidad de obtener
5 ases es:

Y la probabilidad de no obtener ningn As en los 5 dados arrojados es:

Nos falta calcular las probabilidades intermedias, es decir la probabilidad de obtener 1, 2,

3...ases. Es posible calcular todas estas probabilidades con una frmula binomial. Cul es la
probabilidad de sacar un As al arrojar cinco dados? Por ejemplo, una forma es que salga un As
en el primer dado.
La probabilidad de sacar 1 As en el primer dado y no sacar As en los otros cuatro es:

Pero hay 5 formas diferentes de obtener 1 As en cinco dados arrojados: que se obtenga en el 1
de los dado, o en el 2 o en el 3 o en el 4 o en el 5.
Por lo tanto, la probabilidad de sacar 1 As al arrojar 5 dados es:

Cmo podemos generalizar el clculo de las distintas formas de obtener 1 As, 2 Ases, etc. en
cinco dados arrojados? La respuesta la dan los nmeros combinatorios:

; donde : m! = 1*2*3**m y n! = 1*2*3**n

son el factorial de m y de n respectivamente.
La expresin representa el nmero de combinaciones de m elementos tomados de n en n
(agrupados de n en n).
Por ejemplo, si tenemos las 5 letras A, B, C, D y E, y queremos saber cuantas son todas las
combinaciones posibles agrupndolas de a tres en cualquier orden: ABC, ADC,...etc., tenemos :

Y las distintas combinaciones son :

ABC, ABD, ABE, ACD, ACE, ADE, BCD, BCE, BDE, CDE
Supongamos que se realizan n ensayos de Bernoulli, con probabilidad p de tener un acierto, (1p) de tener un fallo. Entonces, la probabilidad de obtener y aciertos en n ensayos de Bernouilli es:

Esta probabilidad es un trmino del binomio siguiente:

, donde p+q = 1
Los trminos de la suma son las probabilidades P(y), que determinan la distribucin de
probabilidades de la variable aleatoria y, la cual es una variable discreta (toma los valores 0, 1, 2,
...etc.). Aplicando la frmula al caso de 5 dados:

Las probabilidades de no sacar ningn As o de sacar uno, dos, tres, cuatro o cinco, son :

Cules son los parmetros estadsticos de la variable aleatoria Y ?

La media es:

; la varianza es:

, y, finalmente, la desviacin standard resulta:

En la experiencia de arrojar 5 dados:

Cmo interpretamos este resultado? Si bien el promedio resulta un valor fraccionario, nos est
diciendo que al arrojar los cinco dados estaremos ms cerca de sacar 1 As que de sacar 2 o ms
ases. De una manera ms rigurosa, ese valor nos dice que si se repitiera la experiencia muchas
veces, el promedio del nmero de ases que se obtendra en todos los experimentos sera igual a
0.83
La varianza de Y resulta ser

y la desviacin standard:

Volvamos, ahora a nuestro jugador. Supongamos que arroja 5 dados y apuesta a que va a sacar
3 o ms ases, cul es la probabilidad que tiene de ganar?
Esta probabilidad es la suma de los trminos del binomio para 3, 4 y 5 aciertos (ases), es decir:

Lo que significa una probabilidad de ganar de aproximadamente el 3,5 %.

CAPTULO 4.- FUNCIONES DE DISTRIBUCIN DE PROBABILIDADES
Distribucin de Poisson
Para entender la Distribucin de Poisson, vamos analizar un ejemplo detenidamente.
Supongamos que se tiene una tabla rectangular de madera, de 1 metro por 1 metro, pintada con
un recubrimiento sobre cuya superficie se presentan aleatoriamente pequeos defectos. Estos
defectos podran ser por ejemplo partculas muy pequeas de pigmento que no fueron bien
molidas al fabricar la pintura. Se desea calcular la probabilidad de que aparezcan estos defectos y
para ello podramos subdividir la superficie en zonas rectangulares mas pequeas y de igual
tamao :

Tenemos la superficie dividida en 4 zonas rectangulares de igual tamao. Observamos que en

algunas zonas aparece un defecto superficial y en otras no. Vamos a hacer las siguientes
suposiciones:

En cada zona slo puede aparecer 1 defecto.

Si la probabilidad de que aparezca un defecto en todo el rea es p, la

probabilidad de que aparezca un defecto en una zona es p/4.

Entonces, utilizando la Distribucin Binomial podemos calcular la probabilidad de que en nuestra

superficie aparezcan 0, 1, 2, 3, 4 defectos:

El promedio de defectos en la superficie total ser:

Pero sabemos que en realidad en cada zona podran aparecer ms de 1 defecto. Esto hace
inexacto nuestro clculo. Podramos hacer el clculo ms exacto si subdividimos las zonas:

Dividimos cada zona en 4 y ahora tenemos 16 zonas. La probabilidad de tener 1 defecto en una
zona es p/16 con lo que podemos entonces calcular la probabilidad de tener 0, 1, 2, 3, ...., 16
defectos en el rea total:

Y el promedio de defectos en la superficie resulta ser el mismo que antes:

An as podran aparecer ms defectos por zona, por lo que si dividimos nuevamente cada zona
en 4 tendramos 64 zonas y ahora la probabilidad de tener 1 defecto en una zona sera p/64
La probabilidad de tener 0, 1, 2, 3, ....., 64 defectos en la superficie total sera:

Y nuevamente el promedio de defectos en la superficie es p.

Lo que estamos haciendo es ir aumentando n al mismo tiempo que disminuye p en igual
proporcin y de ese modo, el promedio de defectos en la superficie total n.p se mantiene
constante. Como vimos, al suponer que en cada subzona slo puede haber 1 defecto o ningn
defecto estamos cometiendo un error. Este error se hace cada vez menor, porque a medida que
subdividimos el area total se hace menos probable que en una subzona aparezca ms de un
defecto. Si continuamos subdividiendo el rea indefinidamente, la frmula binomial nos dar la
probabilidad de obtener 0, 1, 2, 3, ... n defectos, con n tendiendo a infinito.
En el lmite, la frmula binomial tiende a la frmula de Poisson:

donde x es la variable aleatoria y el parmetro de la distribucin de Poisson. En el lmite, el

producto de n por p, , es igual al parmetro de la distribucin:
El nmero de defectos x en la superficie total es una variable aleatoria discreta que puede tomar
valores 0, 1, 2, 3, 4, ... y cuya distribucin de probabilidades se conoce como Distribucin de
Poisson.

Se puede observar que la curva de la funcin de Poisson es asimtrica, como la binomial. El

promedio y la varianza de esta variable aleatoria son iguales al parmetro de la distribucin:

Por lo que, la desviacin standard es:

La distribucin de Poisson tiene una propiedad cuyas consecuencias son muy importantes para el
Control Estadstico de Procesos. Supongamos que se tienen m variables aleatorias de Poisson:

Si w es una combinacin lineal de tales variables:

Entonces w es una variable aleatoria de Poisson con parmetro:

Esto es muy importante porque podemos imaginar el producto fabricado por un proceso (Una
licuadora, una computadora, un televisor, etc.) como una superficie en la que se pueden producir
mltiples defectos, y donde el nmero de cada tipo de defecto es una variable aleatoria de
Poisson. Entonces, la propiedad mencionada nos permite tratar la suma de todos los tipos de
defectos como una variable aleatoria de Poisson. Esto se utiliza para el control del Nmero de
Defectos en un producto (Grficos C).
Supongamos ahora que tenemos un gran lote de artefactos, por ejemplo licuadoras. Tomamos
una muestra de m = 5 unidades y medimos el nmero total de defectos en las 5 unidades. Si
obtuvimos x1, x2, x3, ... xm defectos en cada unidad, el nmero total de defectos ser:

El nmero promedio de defectos por unidad ser:

y es una variable aleatoria discreta que puede tomar valores 0, 1/m, 2/m, 3/m, ... etc. Cul es la
varianza de y?

La varianza de xi es cualquiera que sea el subindice i, porque todas las xi tienen la misma
distribucin; por lo tanto:

Este es un importante resultado que se utilizar para calcular la varianza en los Grficos U.

CAPTULO 5.- TEST DE HIPTESIS

El contraste de hiptesis o test
de hiptesis es una herramienta
ampliamente
utilizada
para
comparar mediciones y tomar
decisiones basadas en una
probabilidad.
Los pasos a seguir para aplicar
esta metodologa son:

Plantear unas hiptesis.

Escoger un estadstico
concreto.
Conocer la distribucin
del estadstico.

Y, a partir de ah, decidir si, con los datos que poseemos de la muestra, tenemos caracterizada a
la poblacin.
Herramientas para contrastar hiptesis
Los dos tipos de distribuciones ms importantes, aunque no nicos, para el contraste de
hiptesis, son las distribuciones Normal y T-Student, que hemos visto en el captulo anterior.
El contraste de hiptesis es un conjunto de reglas que nos permiten decidir cul de entre dos
hiptesis debe ser aceptada como cierta en base a los resultados obtenidos en una observacin
muestral. Se conocen como hiptesis nula (Ho) e hiptesis alternativa (Ha).
La hiptesis nula puede mantenerse mientras los datos no indiquen su falsedad; la hiptesis nula
nunca se puede afirmar , solo podremos aceptarla o rechazarla. Por lo tanto trataremos de decidir
si la informacin muestral que poseemos est en consonancia con Ho, o bien nos permite
rechazar esa creencia con lo que aceptaremos Ha.
Podemos distinguir entre dos tipos de hiptesis:

Paramtricas que se refieren a conjeturas sobre el parmetro de una

distribucin.

No paramtricas que responden a afirmaciones acerca de la naturaleza de la

distribucin.

Regin crtica. Tipos de errores

En la prctica el Contraste de Hiptesis consiste en estudiar si un estadstico que es funcin de
las observaciones de la muestra est dentro de una regin llamada de aceptacin, o se encuentra
en la regin de rechazo o regin crtica, de tal forma que si el estadstico se encuentra en la
regin de aceptacin se aceptar la hiptesis nula y si cae en la regin de rechazo se rechazar
dicha hiptesis.
El estadstico muestral es un fenmeno aleatorio, por lo que pudiera pasar que aunque la H o fuera
cierta, el estadstico se encontrara en la regin de rechazo, en esta situacin estaramos
cometiendo un Error de Tipo I (). Otra posible situacin sera encontrar el estadstico en la regin

de aceptacin siendo la Ho falsa, con lo que cometeramos un Error Tipo II (). La forma de
minimizar este problema es empleando muestras de tamao grande. Generalmente se procede
fijando una probabilidad de error . Al valor se le denomina nivel de significacin y
habitualmente es del 5%.
Aunque existen diversos tipos de contrastes de hiptesis, nicamente explicaremos y pondremos
ejemplo de dos de ellos, que son el contraste de medias y el contraste de diferencias de medias.
Contraste de medias
Con la notacin que habitualmente se utiliza en el contraste de hiptesis tendremos que es la
media de la poblacin, la desviacin tpica de la poblacin, s la desviacin tpica de la muestra,
n es el tamao de muestra, X la media de la muestra, y Z o t es el estadstico.
Con relacin al contraste de medias, suelen emplearse dos tipos de pruebas, los tests unilaterales
o los tests bilaterales, que tienen, respectivamente, las siguientes estructuras.

Ejemplo 1. Un laboratorio farmacutico afirma que el antiinflamatorio fabricado por ellos elimina
la inflamacin en 14 minutos en los casos corrientes.
Con el objeto de comprobar estadsticamente esta afirmacin, eligimos al azar 18 pacientes con
inflamaciones varias y tomamos como variable de respuesta el tiempo transcurrido entre la
administracin del antiinflamatorio y el momento en que desaparece la inflamacin. Adems, nos
dicen que la variable tiempo transcurrido entre la administracin del antiinflamatorio y el momento
en que desaparece la inflamacin sigue una distribucin normal de media 14 y desviacin 7. El
tiempo medio de respuesta de la muestra fue de 19 minutos.
Se pide comprobar la afirmacin del laboratorio a un nivel de significacin de 0.05.
Solucin.
Primero consideremos los datos que tenemos.
X = 19, = 14, = 7, n = 18
Planteemos ahora las hiptesis de este test. Queremos contrastar la hiptesis nula a partir de la
afirmacin de la empresa que dice que la inflamacin desaparece en 14 minutos; as pues,
tendremos:
Hiptesis nula Ho : = 14
La hiptesis alternativa ser el caso desfavorable, en esta ocasin para la empresa, y puede
escribirse:
Hiptesis alternativa Ha : > 14
Procederemos aceptando de entrada la hiptesis nula (m = 14), calculando el estadstico y
observando si se sita en la regin crtica. Si as sucediera, rechazaramos la creencia inicial de
aceptacin de la hiptesis nula.
Sustituyendo los parmetros de la poblacin y de la muestra en el estadstico tenemos :

Con lo que podemos observar que el estadstico se sita en la regin crtica y ,por lo tanto no
sigue el criterio de aceptacin de la hiptesis nula.
De ese modo, rechazaramos la hiptesis Ho de que = 14 y concluimos que a un nivel 0.05 el
tiempo medio de eliminar la inflamacin por este antiinflamatorio es superior a 14 minutos.
CAPTULO 5.- TEST DE HIPTESIS
Contraste de diferencia de medias
Sean X1 y X2 dos medias muestrales de dos poblaciones. Los tamaos de cada una de estas
muestras son n1 y n2 respectivamente. Queremos observar si la diferencia entre las medias es
significativa o no, es decir, comprobar si podemos aceptar que 1 = 2.
Tenemos:

Si las desviaciones de las poblaciones son desconocidas y slo conocemos las desviaciones
muestrales, tendremos que considerar la distribucin t de Student en vez de la normal.
Ejemplo 2. Se conocen los datos de dos muestras de dos poblaciones, que son los siguientes:

Se pide contrastar estadsticamente si hay diferencia entre las dos poblaciones, a un nivel de
significacin del 0.05.
Las dos poblaciones siguen una distribucin Normal N(1, 1) y N(2, 2)
Solucin.
Sabemos que las distribuciones de las dos poblaciones son Normales, pero desconocemos el

valor de su desviacin, slo conocemos el valor de la desviacin tpica de las muestras. Por
ahora, planteemos las hiptesis:

Hiptesis nula Ho : 1 - 2= 0, es decir, 1 = 2,

Hiptesis alternativa Ha : 1 - 2 0, es decir, 1 2

Aunque el estadstico que correspondera a este test es el asociado a una distribucin T-Student,
por ser las desviaciones de las poblaciones desconocidas, como el tamao de las muestras es
elevado y sabemos que una distribucin T-Student con muchos grados de libertad se aproximaba
mucho a una Normal, utilizaremos el siguiente estadstico:
Estadstico

con distribucin N(0,1)

Con los datos de la poblacin y de la muestra, calculamos el estadstico, aceptando, por ahora, la
hiptesis nula (m1 = m2), y observemos en que regin se sita el estadstico.

Como podemos ver, el estadstico se sita en la regin de aceptacin de la hiptesis nula, con lo
que aceptaramos la Ho (1 = 2), y podramos concluir que, a un nivel de significacin de 0.05, las
dos poblaciones se pueden considerar iguales estadsticamente.
Comprobacin de la normalidad de una muestra.
Muchas pruebas estadsticas estn basadas en el supuesto de que el universo del que se saca la
muestra est normalmente distribuido. Por tanto, es prudente cuando sea posible, comprobar este
supuesto de normalidad. Son varios los procedimientos disponibles para realizar la prueba. El
mtodo ms utilizado es la prueba X2.
Una prueba X2 es aquella que compara un conjunto de frecuencias de muestras con el conjunto
de frecuencias que cabra esperar basadas en alguna hiptesis. Si los dos grupos se comparan
bien, la hiptesis se rechaza. Como la distribucin en la cual se basa la decisin de aceptar o
rechazar se funda en la distribucin X2, esta prueba se denomina prueba X2. Se puede utilizar
para comprobar la adecuacin de cualquier curva de frecuencia. En nuestro caso la hiptesis es
que la distribucin de frecuencias sigue una distribucin Normal
La formulacin precisa de una prueba X2 es la siguiente; supongamos que F1, F2,, Fk sean las
frecuencias de muestra de k clases y f1, f2, ; fk las frecuencias que se esperaran con base en la
hiptesis de normalidad.
En tal caso, si Ho es cierto, los valores de muestra de la cantidad

tendern a formar una distribucin X2, de parmetro v.

Al aplicar una prueba X2 para determinar la normalidad de una distribucin, las frecuencias reales
de un histograma se comparan con las frecuencias tericas obtenidas, suponiendo que el

universo est normalmente distribuido. Se adapta la curva normal dndole las mismas medias y
desviacin estandar del histograma de la muestra. Las frecuencias tericas y reales se comparan
en la forma que se describe mediante la frmula anterior, y la tabla X2 se utiliza entrando con v =
k-3, siendo k el nmero de intervalos elegidos en el diagrama de frecuencias.
El proceso de adaptacin impone a continuacin las tres condiciones siguientes:

Utilizando la nomenclatura usada en estadstica matemtica, decimos que estas tres condiciones
ocasionan una prdida de tres grados de libertad.
----------------------------------------------------------------------------------------------------------------------------------

CAPTULO 6.- MANUAL DE CONTROL ESTADSTICO DE PROCESOS

Introduccin
Un sistema de control del proceso puede definirse como un sistema de realimentacin de la
informacin en el que hay 4 elementos fundamentales:
Proceso
Por proceso entendemos la combinacin global de personas, equipo,
materiales utilizados, mtodos y medio ambiente, que colaboran en la
produccin. El comportamiento real del proceso -la calidad de la produccin y
su eficacia productiva- dependen de la forma en que se dise y construy, y
de la forma en que es administrado. El sistema de control del proceso slo es
til si contribuye a mejorar dicho comportamiento.
Informacin Sobre el Comportamiento
El proceso de produccin incluye no solo los productos producidos, sino
tambin los estados intermedios que definen el estado operativo del
proceso tales como temperaturas, duracin de los ciclos, etc. Si esta
informacin se recopila e interpreta correctamente, podr indicar si son
necesarias medidas para corregir el proceso o la produccin que se acaba de
obtener. No obstante, si no se toman las medidas adecuadas y oportunas,
todo el trabajo de recogida de informacin ser un trabajo perdido.
Actuacin Sobre el Proceso
Las actuaciones sobre el proceso estn orientadas al futuro, ya que se toman
en caso necesario para impedir que ste se deteriore. Estas medidas pueden
consistir en la modificacin de las operaciones (por ejemplo, instrucciones de
operarios, cambios en los materiales de entrada, etc) o en los elementos
bsicos del proceso mismo (por ejemplo, el equipo -que puede necesitar
mantenimiento, o el diseo del proceso en su conjunto- que puede ser
sensible a los cambios de temperatura o de humedad del taller). Debe
llevarse un control sobre el efecto de estas medidas, realizndose ulteriores
anlisis y tomando las medidas que se estimen necesarias.
Actuacin sobre la Produccin

Las actuaciones sobre la produccin estn orientadas al pasado, porque la

misma implica la deteccin de productos ya producidos que no se ajustan a
las especificaciones.
Si los productos fabricados no satisfacen las especificaciones, ser necesario
clasificarlos y retirar o reprocesar aquellos no conformes con las

especificaciones.
Este procedimiento deber continuar hasta haberse tomado las medidas
correctoras necesarias sobre el proceso y haberse verificado las mismas, o
hasta que se modifiquen las especificaciones del producto.
Es obvio que la inspeccin seguida por la actuacin nicamente sobre la
produccin es un pobre sustituto de un rendimiento eficaz del proceso desde
el comienzo. El Control del Proceso centra la atencin en la recogida y
anlisis de informacin sobre el proceso, a fin de que puedan tomarse
medidas para perfeccionar el mismo.
Hay dos formas diferentes de diseo y anlisis de sistemas de control que utilizan herramientas
estadsticas :

Control Estadstico de Proceso (CEP) del que trata este manual.

Control adaptativo, que utiliza lazos de retroalimentacin para predecir futuros

valores de las variables de proceso. Este control dice cuando hay que
corregir para mantener a las variables con oscilaciones mnimas alrededor de
los valores objetivos y est basado en el Anlisis de series Temporales (BoxJenkins).

Este tipo de control puede implementarse mediante sistemas de control automtico digital (caso
ms habitual) o mediante grficos de control.
En o sucesivo nos referiremos nicamente al Control Estadstico del Proceso.
Control Estadstico de Procesos (C.E.P)
El CEP es una herramienta estadstica que se utiliza en el puesto de trabajo para conseguir el
producto adecuado y a la primera. Los grficos de control constituyen el procedimiento bsico del
C.E.P. Con dicho procedimiento se pretende cubrir 3 objetivos
- Seguimiento y vigilancia del proceso
- Reduccin de la variacin
- Menos costo por unidad
En cualquier proceso productivo, por muy bien que se disee y por muy cuidadosamente que se
controle, siempre existir una cierta variabilidad inherente, natural, que no se puede evitar. Esta
variabilidad natural, este ruido de fondo, es el efecto acumulado de muchas pequeas causas
de carcter, esencialmente, incontrolable. Cuando el ruido de fondo sea relativamente pequeo
consideraremos aceptable el nivel de funcionamiento del proceso y diremos que la variabilidad
natural es originada por un sistema estable de causas de azar. Un proceso sobre el que solo
actan causas de azar se dice que est bajo control estadstico.
Por el contrario, existen otras causas de variabilidad que pueden estar, ocasionalmente,
presentes y que actuarn sobre el proceso. Estas causas se derivan, fundamentalmente, de tres
fuentes:

Ajuste inadecuado de las mquinas

Errores de las personas que manejan las mquinas
Materia prima defectuosa.

La variabilidad producida por estas causas suele ser grande en comparacin con el ruido de
fondo y habitualmente sita al proceso en un nivel inaceptable de funcionamiento.
Denominaremos a estas causas causas asignables y diremos que un proceso funcionando
bajo causas asignables est fuera de control.
Un objetivo fundamental del C.E.P. es detectar rpidamente la presencia de causas asignables
para emprender acciones correctoras que eviten la fabricacin de productos defectuosos.
Alcanzar un estado de control estadstico de proceso puede requerir un gran esfuerzo pero es
slo el primer paso. Una vez alcanzado, podremos utilizar la informacin de dicho control como
base para estudiar el efecto de cambios planificados en el proceso de produccin con el objetivo
de mejorar la calidad del mismo. La Operacin Evolutiva es un tipo de Diseo de Experimentos en
lnea (aplicado al proceso productivo) que sirve como herramienta para acercarnos a las
condiciones ptimas de funcionamiento del proceso.
Grficos CEP. Generalidades
Los grficos de control o cartas de control son una importante herramienta utilizada en control de
calidad de procesos. Bsicamente, una Carta de Control es un grfico en el cual se representan
los valores de algn tipo de medicin realizada durante el funcionamiento de un proceso continuo,
y que sirve para controlar dicho proceso. Vamos a tratar de entenderlo con un ejemplo.
Supongamos que tenemos una mquina de inyeccin que produce piezas de plstico, por
ejemplo de PVC. Una caracterstica de calidad importante es el peso de la pieza de plstico,
porque indica la cantidad de PVC que la mquina inyect en la matriz. Si la cantidad de PVC es
poca la pieza de plstico ser deficiente; si la cantidad es excesiva, la produccin se encarece
porque se consume ms materia prima.

En el lugar de salida de las piezas, hay un operario que cada 30 minutos toma una, la pesa en
una balanza y registra la observacin.
Supongamos que estos datos se registran en un grfico de lneas en funcin del tiempo:

Observamos una lnea quebrada irregular, que nos muestra las fluctuaciones del peso de las

piezas a lo largo del tiempo. Esta es la fluctuacin esperable y natural del proceso. Los valores se
mueven alrededor de un valor central (El promedio de los datos), la mayor parte del tiempo cerca
del mismo. Pero en algn momento puede ocurrir que aparezca uno o ms valores demasiado
alejados del promedio.
Cmo podemos distinguir si esto se produce por la fluctuacin natural del proceso o porque el
mismo ya no est funcionando bien?
El control estadstico de procesos provee la respuesta a la anterior pregunta y a continuacin
veremos como lo hace.
Todo proceso de fabricacin funciona bajo ciertas condiciones o variables que son establecidas
por las personas que lo manejan para lograr una produccin satisfactoria.

Cada uno de estos factores est sujeto a variaciones que realizan aportes ms o menos
significativos a la fluctuacin de las caractersticas del producto, durante el proceso de
fabricacin. Los responsables del funcionamiento del proceso de fabricacin fijan los valores de
algunas de estas variables, que se denominan variables controlables. Por ejemplo, en el caso de
la inyectora se fija la temperatura de fusin del plstico, la velocidad de trabajo, la presin del
pistn, la materia prima que se utiliza (Proveedor del plstico), etc.
Proceso bajo control estadstico
Un proceso de fabricacin es una suma compleja de eventos grandes y pequeos. Hay una gran
cantidad de variables que sera imposible o muy difcil controlar. Estas se denominan variables no
controlables. Por ejemplo, pequeas variaciones de calidad del plstico, pequeos cambios en la
velocidad del pistn, ligeras fluctuaciones de la corriente elctrica que alimenta la mquina, etc.
Los efectos que producen las variables no controlables son aleatorios. Adems, la contribucin de
cada una de dichas variables a la variabilidad total es cuantitativamente pequea. Son las
variables no controlables las responsables de la variabilidad de las caractersticas de calidad del
producto.
Los cambios en las variables controlables se denominan Causas Asignables de variacin del
proceso, porque es posible identificarlas. Las fluctuaciones al azar de la variables no controlables
se denominan Causas No Asignables de variacin del proceso, porque no son pasibles de ser
identificadas. Causas Asignables: Son causas que pueden ser identificadas y que conviene
descubrir y eliminar, por ejemplo, una falla de la mquina por desgaste de una pieza, un cambio
muy notorio en la calidad del plstico, etc. Estas causas provocan que el proceso no funcione
como se desea y por lo tanto es necesario eliminar la causa, y retornar el proceso a un
funcionamiento correcto.
Causas No Asignables: Son una multitud de causas no identificadas, ya sea por falta de medios
tcnicos o porque no es econmico hacerlo, cada una de las cuales ejerce un pequeo efecto en
la variacin total. Son inherentes al proceso mismo y no pueden ser reducidas o eliminadas a

menos que se modifique el proceso.

Cuando el proceso trabaja afectado solamente por un sistema constante de variables aleatorias
no controlables (Causas no asignables) se dice que est funcionando bajo Control Estadstico.
Cuando, adems de las causas no asignables, aparece una o varias causas asignables, se dice
que el proceso est fuera de control.
El uso del control estadstico de procesos implica algunas hiptesis que describiremos a
continuacin:
1) Una vez que el proceso est en funcionamiento bajo condiciones
establecidas, se supone que la variabilidad de los resultados en la medicin
de una caracterstica de calidad del producto se debe slo a un sistema de
causas aleatorias, que es inherente a cada proceso en particular.
2) El sistema de causas aleatorias que acta sobre el proceso genera un
universo hipottico de observaciones (mediciones) que tiene una Distribucin
Normal.
3) Cuando aparece alguna causa asignable provocando desviaciones
adicionales en los resultados del proceso, se dice que el proceso est fuera
de control.
La funcin del control estadstico de procesos es comprobar en forma permanente si los
resultados que van surgiendo de las mediciones estn de acuerdo con las dos primeras hiptesis.
Si aparecen uno o varios resultados que contradicen o se oponen a las mismas, es necesario
detener el proceso, encontrar las causas por las cuales el proceso se apart de su
funcionamiento habitual y corregirlas.
La puesta en marcha de un programa de control estadstico para un proceso implica dos etapas:

Antes de pasar a la segunda etapa, se verifica si el proceso est ajustado. En caso contrario, se
retorna a la primera etapa. En la 1 etapa se recogen unas 100-200 mediciones, con las cuales se
calcula el promedio y la desviacin standard:

Luego se calculan los Lmites de Control de la siguiente manera:

Lmite inferior = X - 3,09s ; Lmite superior = X+ 3,09s
Estos lmites surgen de la hiptesis de que la distribucin de las observaciones es normal. En
general se utilizan lmites de 2 sigmas de 3 sigmas alrededor del promedio. En la distribucin
normal, el intervalo de 3,09 sigmas alrededor del promedio corresponde a una probabilidad de
0,998.

Se construye un grfico de prueba y se traza una lnea recta a lo largo del eje de ordenadas (Eje
X), a la altura del promedio (Valor central de las observaciones) y otras dos lneas rectas a la
altura de los lmites de control.
En el grfico de prueba se representan los puntos correspondientes a las observaciones con las
que se calcularon los lmites de control y se analiza detenidamente para verificar si est de
acuerdo con la hiptesis de que la variabilidad del proceso se debe slo a un sistema de causas
aleatorias o si, por el contrario, existen causas asignables de variacin. Esto se puede establecer
porque cuando la fluctuacin de las mediciones se debe a un sistema constante de causas
aleatorias la distribucin de las observaciones es normal:
Cuando las observaciones sucesivas tienen una distribucin normal, la mayor parte de los puntos
se sita muy cerca del promedio, algunos pocos se alejan algo ms y prcticamente no hay
ninguno en las zonas ms alejadas.
Es difcil decir como es el grfico de un conjunto de puntos que siguen un patrn aleatorio de
distribucin normal, pero s es fcil darse cuenta cuando no lo es. Veremos algunos ejemplos de
patrones No Aleatorios en el captulo 7.
Si no se descubren causas asignables entonces se adoptan los lmites de control calculados
como definitivos, y se construyen cartas de control con esos lmites.

Si slo hay pocos puntos fuera de control (2 3), estos se eliminan, se recalculan la media,
desviacin standard y lmites de control con los restantes, y se construye un nuevo grfico de
prueba. Cuando las observaciones no siguen un patrn aleatorio, indicando la existencia de

causas asignables, se hace necesario investigar para descubrirlas y eliminarlas. Una vez hecho
esto, se debern recoger nuevas observaciones y calcular nuevos lmites de control de prueba,
comenzando otra vez con la primera etapa.
En la 2 etapa, las nuevas observaciones que van surgiendo del proceso se representan en el
grfico, y se controlan verificando que estn dentro de los lmites, y que no se produzcan
patrones no aleatorios.
Como hemos visto, el 99,8 % de las observaciones deben estar dentro de los lmites de 3,09
sigmas alrededor de la media. Esto significa que slo una observacin en 500 puede estar por
causas aleatorias fuera de los lmites de control. Cuando se encuentra ms de un punto en 500
fuera de los lmites de control, significa que el sistema de causas aleatorias que provocaba la
variabilidad habitual de las observaciones ha sido alterado por la aparicin de una causa
asignable que es necesario descubrir y eliminar. En ese caso, el supervisor del proceso debe
detener la marcha del mismo e investigar con los que operan el proceso hasta descubrir la(s)
causas que desviaron al proceso de su comportamiento habitual. Una vez eliminadas las causas
del problema, se puede continuar con la produccin normal.
Estos lmites de control se escogen de forma que si el proceso est bajo control, prcticamente
todos los puntos del grfico estarn contenidos entre dichos lmites. En tanto los puntos estn
dentro de los limites no ser precisa ninguna accin correctora porque se supone que el proceso
est balo control. Sin embargo, un punto fuera de los lmites de control se interpreta como una
evidencia de que el proceso est fuera de control debiendo investigarse la naturaleza de la causa
o causas asignables presentes a fin de eliminarlas, adoptando la oportuna medida correctora.
Si el proceso est bajo control, adems de situarse los puntos dentro de los lmites de control,
todos los puntos del grfico presentarn una posicin originada por el azar sin la presencia de
patrones especiales de variabilidad.
IMPORTANTE : No hay que confundir los lmites de control con los lmites de tolerancia.
Los lmites de tolerancia son los
valores
de
una
determinada
caracterstica que separan valores
correctos e incorrectos de la misma
(fijados normalmente por el proyectista
para
que
el
producto
funcione
adecuadamente)
Los lmites de control son aquellos
entre
los
cuales
el
estadstico
considerado (sean valores individuales,
medias, medianas, recorridos desviaciones tpicas, sumas acumuladas, etc.) tiene una
probabilidad muy alta de situarse cuando el proceso est bajo control (no hay causa asignable).
Cuando un proceso (que suponemos sigue una distribucin Normal) se desplaza respecto a sus
valores nominales o aumenta su dispersin, genera ms elementos defectuosos (ms elementos
fuera de los lmites de tolerancia).
Variables y atributos
Los grficos de control se clasifican en dos tipos: Variables y Atributos. Si la caracterstica dc
calidad puede medirse y expresarse como un nmero la llamamos variable. En tales casos es
conveniente describir la caracterstica de calidad con una medida de tendencia central y una

medida de dispersin mediante los llamados grficos de control por variables, que veremos en el
captulo 7.
Los grficos X son los ms ampliamente utilizados para controlar la tendencia central mientras
que los grficos de rango (recorrido) y de desviacin tpica se utilizan para controlar la dispersin.
Muchas caractersticas cualitativas no se miden en una escala cuantitativa. En estos casos,
juzgaremos si una unidad de producto es o no conforme si posee ciertos atributos o contando el
nmero de defectos que aparecen en cada unidad de producto. Los grficos de control para estas
caractersticas se denominan grficos de control por atributos, que veremos en otro de los
captulos.
Eficacia estadstica de los grficos de control
El objetivo bsico de un grfico de control es detectar, de la forma ms rpida posible, cambios
en el proceso.
Cuando un punto cae fuera de los lmites de control decimos que el proceso est fuera de control,
que existe una causa asignable. Realmente, como en cualquier contraste de hiptesis estadstico
existe una probabilidad de dictaminar una situacin fuera de control cuando el proceso est
realmente bajo control (error tipo I) as como una probabilidad de (error tipo II) de decir que el
proceso est bajo control (puntos entre lmites de control) cuando realmente el proceso est fuera
de control. Al disear el grfico tenemos presente estos dos errores, que determinan la eficacia
estadstica del mismo. Dicha eficacia viene recogida en dos curvas:
Curva ARL (Longitud de racha media). Indica el nmero medio de muestras necesario para
detectar un cambio en el proceso de magnitud determinada.
Es la principal caracterstica del grfico ya que nos mide la rapidez de respuesta del mismo.

Como se observa en la curva ARL, si no hay descentrado (d =0), tambin hay puntos fuera de
lmites (falsas seales o error tipo I)
Curva caracterstica. Da la probabilidad de que el siguiente punto caiga dentro de tos lmites de
control para un cambio en el proceso de magnitud determinada.
Para disear un grfico de control con una eficiencia estadstica determinada fijaremos:
A) Separacin de lmites de control. Cuanto ms alejados estn uno de otro
el error tipo I ser menor y aumentar el tipo II

B) Tamao de la muestra. Al aumentar el tamao de la muestra el error tipo II

disminuye
Subgrupos racionales
El concepto de subgrupo racional es una idea fundamental para el uso de grficos de control
debida a Shewhart. De acuerdo con este concepto, la muestra (subgrupo racional) debe tomarse
de tal forma que si la causa asignable est presente, la probabilidad de aparicin de diferencias
significativas dentro de los subgrupos se minimice.
Dicho de otra forma, los subgrupos deben elegirse de forma que tengan la mxima probabilidad
de que las mediciones realizadas en cada subgrupo sean semejantes y la mxima probabilidad
de que los subgrupos se diferencien entre si. El principal esfuerzo ha de centrarse en garantizar
que las unidades de cada subgrupo se producen, esencialmente, bajo las mismas condiciones.
Cuando los grficos de control se aplican a los procesos de produccin, el orden de produccin
ser una base lgica para el agrupamiento en subgrupos racionales. An cuando se respete el
orden de produccin es posible formar subgrupos errneamente.
Los subgrupos se realizan agrupando las mediciones de tal modo que haya la mxima
variabilidad entre subgrupos y la mnima variabilidad dentro de cada subgrupo. Por ejemplo, si se
toman unas observaciones de una muestra al final de un turno y las restantes al comienzo de!
siguiente, entonces podran no ser detectados algunos cambios.
Supongamos una fbrica que produce
piezas
cilndricas
para
la
industria
automotriz. La caracterstica de calidad que
se desea controlar es el dimetro de las
piezas.
Existen dos caminos para formar subgrupos
racionales. Una de ellas es retirar varias
piezas juntas a intervalos regulares, por
ejemplo cada hora.
Este mtodo se utiliza cuando el propsito fundamental del grfico de control es detectar cambios
de nivel del proceso.
La otra forma es retirar piezas individuales a lo largo del intervalo de tiempo correspondiente al
subgrupo.
... etc

Este mtodo se utiliza sobre todo cuando los grficos se emplean para tomar decisiones respecto
de la aceptacin de todas las unidades producidas desde la ltima muestra.
Por cualquiera de los dos caminos, obtenemos grupos de igual nmero de mediciones.
Si tomamos muestras segn el primer mtodo en un proceso que puede cambiar a una situacin

de fuera de control y volver de nuevo dentro de control en el perodo comprendido entre

muestras, entonces, no detectaramos la produccin defectuosa, por lo que sera mas adecuado
utilizar el segundo mtodo.
Hacemos notar, sin embargo, que cuando se forman subgrupos de esta segunda forma, los
grficos de control para la dispersin (rango y sigmas) requieren una cuidadosa interpretacin ya
que es posible la aparicin de puntos fuera de control an cuando no existan cambios en la
variabilidad del proceso.
Existen otras bases para formar subgrupos racionales: Diferentes mquinas, distintos
trabajadores, etc. A veces, por ejemplo, ser preciso realizar un grfico de control para cada
mquina.
----------------------------------------------------------------------------------------------------------------------------------

CAPTULO 7.- GRAFICOS DE CONTROL POR VARIABLES

Introduccin. Grficos basado en un estudio inicial
Muchas caractersticas de calidad pueden expresarse en trminos de medida numrica. Por
ejemplo, el dimetro de una pieza puede medirse con un micrmetro y expresarse en milmetros.
Una caracterstica cualitativa que sea medible tal como un volumen, un peso, o cualquier
dimensin, en general, es una variable.
Cuando nos referimos a una variable, es una prctica normal el controlar tanto el valor medio
como la dispersin. El control del valor medio se realiza, habitualmente, con el grfico de control
para medias, o grfico X. El control de la dispersin puede efectuarse bien con el grfico de
control de la desviacin tpica (grfico S) o con el grfico de control de rangos (grfico R). El uso
del grfico R est ms extendido que el del grfico S.
Debemos sealar que es necesario mantener el control sobre ambos: Media y dispersin del
proceso. La figura 2 representa la situacin de un proceso. En a) tanto la media como la
desviacin tpica estn bajo control a sus valores nominales ( o, o) y en consecuencia la
mayor parte de la produccin del proceso cae dentro de los lmites de especificacin. En la figura
b) la media se ha trasladado 1 > o dando como resultado una cierta fraccin de la produccin
fuera de especificacin. En la figura c) la desviacin tpica ha cambiado 1 > o lo que origina
tambin que un parte de la produccin est fuera de norma.

Los grficos X-R se utilizan cuando la caracterstica de calidad que se desea controlar es una
variable continua.
A.- Grfico de la media
Supongamos que una variable est normalmente distribuida con media y desviacin tpica y
que ambas son conocidas. Si X1, X2, ... son mediciones de una muestra de tamao n, la media
muestral, dada por :

est normalmente distribuida con media y desviacin tpica

de que cualquier media muestral caiga en el intervalo

. Adems, la probabilidad

es 1 - , siendo el error tipo I o Nivel de significacin (probabilidad de decir que el proceso se ha

descorregido cuando en realidad el proceso sigue la distribucin N( , )),

Por consiguiente, si y son conocidos la expresin

anterior puede utilizarse para determinar los lmites de
control de la media muestral. Habitualmente usaremos los
lmites 3 reemplazando Z/2 por 3. Si la media muestral
cae fuera de estos lmites, esto indicar que la media del
proceso no permanece en .
Hemos supuesto que la distribucin original era normal.
Si no lo fuera, los anteriores resultados seran tambin
aproximadamente vlidos por aplicacin del teorema
central del lmite.
En la prctica no conocemos ni , por consiguiente,
debemos estimarlas a partir de muestras previas
obtenidas del proceso cuando se cree que ste est bajo
control. Esta estimacin debe basase como mnimo en 20
o 25 muestras.
Supongamos que disponemos de (m) muestras, cada una de ellas con (n) observaciones.
Tpicamente, n ser pequeo 4 5. En esa situacin, el mejor estimador de la media del proceso
ser

se utilizar como valor de la lnea central del grfico.

Para construir los lmites de control, necesitamos un estimador de la desviacin tpica s.
Podemos estimar s a partir de los rangos o de las desviaciones tpicas de las (m) muestras. De
momento, haremos la estimacin a partir de los rangos. Si X1, X2,..., Xn, son mediciones de una
muestra de tamao n, el rango de la muestra es R =Xmax - Xmin.
La variable aleatoria W = R/s sigue una distribucin conocida denominada distribucin del rango
relativo. Los parmetros de esta distribucin son funcin del tamao de muestra (n). La media de
W es (d2) y la desviacin tpica (d3). En consecuencia, un estimador de s es R/d2. Los valores de
d2 estn tabulados (Tablas II y III). Si

la mejor estima de s ser

Cuando el tamao de la muestra es pequeo: n = 4 5 el mtodo de estimar a partir del rango da
casi tan buen resultado como estimarla a partir de la varianza muestral. Sin embargo, para
valores de n, digamos no mayores de 10, pierde rpidamente eficiencia ya que ignora toda la
informacin comprendida entre Xmax y Xmin.

Si usamos Xcomo estimador de m y

del grfico de medias quedaran:

como estimador de s entonces los lmites de control

Za/2 lo obtendramos de las tablas de Distribucin Normal (Tabla I), una vez elegido a (error tipo I).
Normalmente Za/2 = 3 (a = 0,0027), en este caso la cantidad
calculo de los lmites de control da:

esta tabulada y el

B.- Grfico del recorrido

Hemos visto que el rango muestral est relacionado con la desviacin tpica del proceso. Por
consiguiente, la variabilidad del proceso puede controlarse representando los valores sucesivos
del rango muestral que constituyen el grfico del rango (R).
Los parmetros de (R) pueden determinarse con facilidad, la lnea central ser . Para
determinar los lmites de control necesitamos estimar R. Suponiendo que la variable sigue una
distribucin normal, R puede encontrarse a partir de la distribucin del rango relativo W = R/. Al
ser la desviacin tpica de W = d3, la desviacin tpica de R ser
desconocida la estimamos por R/d2 con lo que
3 sigma los parmetros del grfico de control sern:

. Como es

. Considerando los lmites habituales

Si hacemos

resulta :

Las constantes D3 y D4 estn tabuladas para diferentes valores de D (Tabla IV).

Podemos calcular los lmites del grfico del recorrido especificando el error I () y utilizando la
tabla de la distribucin del rango relativo, calcular W (que depende del tamao de la muestra) y
calcular luego el lmite superior de control

Cuando se inicia el control estadstico y las muestras previas son utilizadas para construir los
grficos,X, R, los primeros lmites de control calculados suelen considerarse como valores de
prueba. A continuacin, las medias y los rangos son representados en los grficos y se investigan
aquellos puntos situados fuera de control. Si se descubren causas asignables, los puntos se
descartan y se calculan nuevos lmites de prueba. El procedimiento se repite hasta que todos los
puntos se siten dentro de control. la muestra inicial no debe reducirse por debajo de
aproximadamente 20 muestras.
El concepto del subgrupo racional juega un importante papel en el uso de los grficos (X, R). El
grfico Xrealiza el seguimiento del nivel medio de calidad del proceso. Por consiguiente, las
muestras deben seleccionarse de forma que se maximice la probabilidad de diferencia entre
medias muestrales. Otra forma de expresar lo anterior es que el grfico X hace el seguimiento de
variabilidad del proceso a lo largo del tiempo mientras que el grfico del rango R mide la
variabilidad dentro de la muestra (variabilidad instantnea en un momento dado).
La estima de la desviacin tpica del proceso, utilizada para calcular los lmites de control se
calcula a partir de la variabilidad dentro de cada muestra y por consiguiente refleja solamente la
variabilidad dentro de la muestra. No es correcto estimar basndose en

que sobreestimara por combinar la variabilidad entre muestras con la variabilidad dentro de la
muestra.
Ejemplo:
En una fabricacin se desea controlar el peso de unos cartuchos de calibre 55, pero no se
conocen la media ni la dispersin del proceso. Durante varios das en que la produccin se estim
bajo control se obtuvieron 25 muestras de 5 unidades (los valores no son reales)

Utilizando criterio 3? para el grfico de medias obtendramos:

Vemos que las muestras 6, 18 y 19 caen fuera de lmites. Rechazadas dichas muestras los
nuevos lmites quedaran:

Y todas las medias de subgrupos caen dentro de estos lmites.

Veamos que ocurre con los recorridos ( rangos) -(utilizamos criterios 3 R )

La muestra 21 tiene un recorrida (0.032) mayor que LS por lo que la eliminamos. Con las
muestras 6, 18, 19 y 21 eliminadas calculamos de nuevo los lmites:

Para la media

Para el recorrido

La muestra 11 queda fuera de lmites por lo que eliminndola, lo nuevos limites quedarn:

Los nuevos lmites:

De medias muestrales

De recorridos muestrales

Como vemos no hay medias muestrales ni recorridos muestrales que se salgan de stos limites.
Estos ltimos quedan como definitivos.
Grficos basados en valores estandar

Cuando es posible especificar valores desviacin tpica del proceso, usaremos lmites de control
del grfico X, R, sin Supongamos que los estandar dados son y . Entonces los parmetros del
grfico son :

donde es el error tipo I elegido.

Normalmente Z/2 = 3 ( = 0,0027), la cantidad
en la tabla I, por lo que los parmetros quedarn :

,que solo depende de n, esta tabulada

Para construir el grfico R con un valor estndar , tendremos en cuenta los valores tabulados d2
y d3 que son, respectivamente, el valor central y la desviacin tpica de la distribucin del rango
relativo W = R/. Por consiguiente, (utilizando el criterio 3 R) los parmetros sern :

Tambin estn tabulados los valores :

con lo que los lmites de control sern

Si definimos un error tipo I determinado, utilizamos las tablas de la distribucin del rango relativo
para calcular los lmites.
La utilizacin de los grficos basados en valores estndar debe ejercerse con cuidado ya que
puede ser que estos valores no sean realmente aplicables al proceso y que, en consecuencia,
resulten muchos puntos fuera de control.
Si el proceso est en realidad bajo control para una media y una desviacin tpica diferentes
podemos gastar un esfuerzo considerable en buscar causas asignables inexistentes. En aquellos
procesos en los que la caracterstica cualitativa se controle mediante ajustes de la mquina este
tipo de grficos suele dar buenos resultados para conseguir los objetivos propuestos.
Ejemplo.- Supongamos que una especificacin seala que debemos fabricar un material granular
de dimetro exterior 10,8 0,2 mm y que nos aceptan alrededor de 5.5% de granos defectuosos.

El colectivo debe seguir una Distribucin Normal de media

10,8 y = 0,1 (si queremos dejar cuando el proceso est
centrado un 4% (<5,5) de granos defectuosos.
Para elegir el grfico de control de medias muestrales:
Elijo (Probabilidad de detectar un cambio en el proceso
cuando en realidad no se ha producido, error tipo 1). = 2.
7 o/oo (criterio 3).
Elijo n (tamao de la muestra). Con el tamao de la
muestra controlo el error tipo II (Probabilidad de no
detectar cambios en el proceso cuando los hay). Ver
curvas caractersticas y ARL en el punto. 2.2.2.
Normalmente n = 5.
Para elegir el grfico de control del recorrido:
Elijo el error tipo I, por ejemplo = 2. 7o/oo. luego 1- =
0,9975. En la tabla de la distribucin del rango relativo
(tablas II y III), para n = 5 obtengo y = 5,25, luego LSC =
5,25 x 0,1 = 0,52

Grficos de control para valores individuales

Existen muchas situaciones en las que el tamao de muestra utilizado para el control del proceso
es n = 1. Esto ocurre con frecuencia cuando la inspeccin est automatizada y se mide cada
unidad producida. Tambin se utiliza cuando el ratio de produccin es demasiado bajo para
esperar a tomar una decisin hasta tener muestras de tamao n > 1. Tambin, por ejemplo, en
procesos qumicos en los que las medidas sucesivas que pudieran hacerse sobre muestras
tomadas en un corto intervalo de tiempo solo difieren por razn del error experimental del anlisis.
Para estimar la variabilidad del proceso se puede utilizar el recorrido entre dos observaciones
sucesivas. Tambin es posible establecer un grfico de control para el recorrido mvil de dos
observaciones sucesivas.
Grficos de control de media mvil (desgaste de herramientas)
Si durante el proceso de investigacin se presentan ciertas causas de variacin que, aunque
identificadas por los grficos de control como causas especiales, y en calidad de tales son
asignables, son consideradas una caracterstica integral del proceso (por ejemplo herramientas
que se desgastan en el transcurso del tiempo sin ser reemplazadas para conseguir mxima
productividad, o una solucin qumica cuyos elementos constituyentes son, dejados que cambien
progresivamente de nivel antes de reemplazar la solucin completa). Tal vez no resulte prctico
eliminar estos cambios de nivel completamente, por lo que habr de tenerse esto en cuenta en el
trazado del grfico de control para un proceso que demuestre dicha tendencia.
Recogida de datos e interpretacin (Ver figura 3)

Los datos deben ser recogidos en el grfico de control de la forma acostumbrada, mientras el
proceso marcha bajo condiciones normales de produccin, anotando cualesquiera
acontecimientos o cambios que puedan afectar al proceso. Una vez recogidos suficientes datos
que abarquen por lo menos un ciclo completo del proceso (es decir el perodo entre cambios de
herramienta o solucin), ser necesario identificar cualesquiera causas especiales de cambios en
el proceso, aparte de la tendencia prevista, mediante la bsqueda de pautas inusuales en el
grfico con los lmites diagonales situados a una distancia

encima de la lnea de tendencia y

debajo de la lnea de tendencia (lnea de regresin).

Establecimiento de lmites del Proceso
Para poder utilizar el grfico de control como indicador de cundo deben hacerse los cambios del
proceso, ahora es necesario calcular el movimiento promedio de la media observada. El proceso
debe marchar en condiciones de trabajo normales durante varios ciclos del proceso. El
movimiento de la media correspondiente a cada ciclo, se calcula de la siguiente forma:
movimiento de media =
observado observado
Entonces se calcula el Movimiento Promedio de la Media como promedio de estos valores.
Posteriormente se pueden trazar los lmites sobre el grfico de control de la siguiente manera:
= X +(0,5) x Movimiento promedio de media +
= X - (0,5) x Movimiento promedio de media LCI y LCS son establecidos como para un grfico de control basado en valores standard.
Lneas generales para el diseo del grafico X ,R

Para disear el grfico X , R debemos especificar el tamao de muestra, la amplitud de los lmites
de control y la frecuencia del desmuestre. Sin una detallada informacin de los factores
econmicos y estadsticos que afectan al problema, no puede darse una solucin exacta al diseo
del grfico de control. Una solucin completa exige conocer el coste del desmuestre, el coste de
investigar y corregir el proceso cuando est fuera de control y el coste asociado con producir
fuera de los lmites especificados. Sin embargo, pueden darse unas lneas generales para el
diseo.
Si el grfico X se quiere utilizar para detectar cambios relativamente grandes (del orden de 2)
son suficientemente efectivos tamaos de muestra n = 4 a 6. Si lo que deseamos es detectar
cambios ms pequeos puede ser necesario aumentar el tamao de muestra hasta n = 15 25.
Cuando se toman muestras pequeas existe menor riesgo de que el cambio se produzca en el
curso de la toma de muestra. Si el cambio tiene lugar durante el desmuestre la media muestral no
reflejar debidamente el cambio por estar influida por las restantes observaciones. De ah un
argumento para utilizar un tamao de muestra tan pequeo como sea posible pero que a la vez
sea suficiente para detectar un cambio de la magnitud requerida.
Una alternativa a incrementar el tamao de muestra es utilizar lmites de atencin.
El grfico A es relativamente insensible a los cambios en la desviacin tpica para pequeas
muestras. Por ejemplo muestras del tamao n = 5 solo tienen una probabilidad de detectar de
aproximadamente el 40% en la primera muestra, un cambio en la desviacin tpica del proceso de
a 2. Con tamaos de muestra mayores, la efectividad sera mayor pero tambin seria A peor
estimador de a por lo que sera ms conveniente para n = 10 utilizar los grficos S en lugar del R.
Desde el punto de vista estadstico las curvas ARL de los grficos X , R son un poderoso auxiliar
para escoger el tamao de muestra.
Por ser, casi siempre, limitados los recursos que pueden emplearse en el desmuestre, las
estrategias posibles consistirn en tomar pequeas muestras a intervalos cortos o grandes
muestras de menor frecuencia. No se puede dar una regla general para todos los casos, aunque
la tendencia en la prctica industrial es la de tomar pequeas y frecuentes muestras. La
percepcin ms generalizada es que si el intervalo entre desmuestres es demasiado grande
puede producirse un porcentaje elevado de producto defectuoso antes de que se detecte el
cambio en el proceso. Desde el punto de vista econmico, s el coste asociado con la produccin
de unidades defectuosas es elevado es tambin mejor tomar muestras pequeas y frecuentes
que muestras de mayor tamao ms espaciadas.
El ratio de produccin tambin influye en la frecuencia y tamao de la muestra. A mayor
produccin/hora, mayor frecuencia de desmuestre. Si el coste de desmuestre y de la mediacin
no son excesivos los procesos de elevado ratio de produccin se desmuestran con tamaos de
muestra mayores n = 15/25.
El uso de lmites de control 3 en los grficos X ,R es la prctica ms ampliamente extendida.
Existen, sin embargo, situaciones en las que es conveniente adoptar otros criterios.
Por ejemplo, si las falsas alarmas (errores de tipo II son muy costosas de investigar puede ser
mejor utilizar lmites de control a 4. Por el contrario, si para un determinado proceso las
seales de fuera de control son rpida y fcilmente investigadas puede ser mejor colocar los
lmites de control a 2.
Interpretacin de los grficosX ,R
Una vez desarrolladas las tcnicas para el clculo de los grficos de control conviene establecer
unas pautas generales tendentes a ayudar a la "lectura de los grficos", con vistas a obtener el
mximo provecho de ellos.

a) Generales
Los grficos de control pueden indicar una situacin fuera de control an sin existir puntos fuera
de los lmites de control cuando los puntos representados sigan pautas distintas al
comportamiento aleatorio. En algunos casos estas pautas pueden utilizarse para realizar
modificaciones que reduzcan la variabilidad del proceso (objetivo bsico del C.E.P.)
Para interpretar pautas en el grfico X es preciso antes asegurarse de que el grfico R est bajo
control. Lo primero ser, pues, eliminar las causas asignables correspondientes al grfico R. Esto,
en muchos casos, eliminar automticamente las pautas del grficoX .
Normalmente slo interesan los puntos fuera de los intervalos. Estos debern marcarse o
destacarse (por ejemplo, con un crculo rojo). Los puntos que estn muy cerca de las lneas de
control conviene marcarlos con un semicrculo (rojo, cuando estn fuera y negro cuando caen
dentro.
No es conveniente dedicar demasiada atencin al movimiento de los puntos dentro de los lmites
de control, excepto en los casos de sesgo y tendencia que veremos mas adelante.
Se considera que el proceso est en estado controlado cuando:

25 puntos consecutivos caen dentro de los lmites de control

En 100 puntos consecutivos no hay ms de 2 que caen fuera de lmites de

control

No obstante hay que investigar y corregir la anomala.

Se considera, tambin, que hay anomala en el proceso cuando varios puntos caen al mismo lado
de la lnea central:

7 o ms puntos consecutivos

10 de 11 puntos consecutivos
12 de 14 puntos consecutivos

Cuando los puntos caen masivamente entorno a la lnea central (sobrestabilidad), deben
analizarse las causas (pues suponen una mejora) para intentar hacerlas permanentes.
Los cambios en el grfico de X no tienen porque reflejarse en el de R. Sin embargo, un cambio en
la variabilidad (R), si que suele traducirse en cambios en el de medias (X).
Los cambios de turnos (operarios), de materias primas, etc. pueden dar lugar a periodicidades
(ciclos).
Cuando hay grandes-fluctuaciones en los puntos, suele deberse al mal manejo o falta de
entrenamiento o inters del operario u operarios.
b) Aspectos especficos de los grficos R
Un punto que sobrepasa el lmite superior puede indicar:

La variabilidad del proceso ha empeorado

Cambio de persona o instrumento de medida

En todos los casos en los que un punto cae fuera de los lmites de control (superior o inferior), hay
que comprobar antes de cualquier accin:

Que el punto ha sido bien marcado

Que los lmites han sido bien calculados

Frecuentemente, pueden detectarse cambios anormales del proceso antes de que este se salga
de los lmites de control. Estos cambios son advertidos por un Sesgo en el grfico, como ocurre
en el caso de que 7 o ms puntos sucesivos caigan en el lado superior de la lnea central, sin
salirse de los lmites.
Un "sesgo" significa mayor variabilidad en la produccin (cambio de lote de producto, avera de
mquina, etc.)
Cuando el sesgo est por debajo de la lnea central R, esto indica MENOR variabilidad en el
proceso, lo que es indicador de una mejora, que debe ser estudiada para intentar hacerla
permanente.
A ttulo orientativo un 60% de los puntos deben caer en el 1/3 central, un 40% en los 2/3 restantes
aproximadamente. Si no es as, conviene recalcular de nuevo los lmites de control.
Cada vez que un punto salga de los lmites de control, y se detecte y corrija la causa, deberan
recalcularse los lmites de control. En cualquier caso estos deberan recalcularse cada 5-6
meses. En los nuevos clculos deben suprimirse los datos que estn fuera de lmites de control,
siempre y cuando se hayan determinado y eliminado las causas.
Cuando los R estn bajo control la variabilidad del proceso est controlada, por lo que el
proceso es estable, y puede pasar a analizarse el Grfico X.
c) Aspectos especficos de los grficos X
Un punto fuera de lmites indica generalmente:

El proceso ha sido modificado en ese momento o desde la ltima toma de

muestra

Modificacin de la medida por cambio de persona o instrumento de medicin

El punto est mal marcado o los lmites estn mal calculados

Al igual que en los Grficos R, existe sesgo cuando hay 7 o ms puntos seguidos a un mismo
lado de la lnea de X.
Una tendencia puede significar un desajuste gradual del proceso.
Igual que en los grficos R, el reparto de puntos aproximado debe ser 60% 1/3 central, 40% 2/3
restantes.
El reclculo de los lmites de control debe hacerse a la vez que el de R, y siguiendo los mismos
criterios.

La figura 3-a presenta

una pauta de tipo cclico.
Esta pauta en el grfico
X puede ser debida a
cambios en el ambiente
tales como temperatura;
fatiga
del
operario,
rotacin de trabajadores
y/o
mquinas,
fluctuaciones
en
el
voltaje o en la presin.
etc.
Los grficos A tambin suelen indicar pautas originadas por los programas de mantenimiento, la
fatiga del operario.
La figura 3-b indica una mezcla de dos o ms colectivos. En este caso, los puntos tienden a caer
fuera o ligeramente fuera de los limites de control. A veces, esta pauta aparece por sobrecontrol
cuando los operadores ajustan frecuentemente el proceso respondiendo a variaciones aleatorias
ms que a la aparicin de causas sistemticas.
La figura 3-c indica un cambio en el nivel del proceso.
Estos cambios pueden producirse tras la introduccin
de nuevos operarios, o tras cambios en las mquinas,
materias primas o en la motivacin de los operadores.
A veces, se nota incluso mejora tras la simple
introduccin del programa de implantacin del C.E.P.
por la motivacin ejercida sobre los operadores.
La figura 3-d indica una tendencia, que es un
movimiento continuo en una sola direccin. Las
tendencias son debidas usualmente al deterioro
gradual de las herramientas u otros componentes
crticos del proceso.

Fig 3-d
Tambin pueden originarse
las tendencias por la fatiga
del operario o la presencia de
supervisores
o
por
influencias
estacionales
como
la
temperatura.
Cuando las tendencias son
debidas
a
causas
sistemticas de deterioro,
stas
pueden
ser
incorporadas a los grficos.
fig 3-e
La
figura
3-e
indica
estratificacin que se traduce
en un excesivo agrupamiento
de puntos cerca de la lnea
central.
.Esta situacin puede originarse por haber calculado mal los lmites de control.
Finalmente, indicamos que las pautas deben considerarse observando a la vez los grficos , R. Si

la distribucin original es normal, los grficos , R evolucionarn de forma independiente. Cualquier

correlacin entre ambos grficos sealar que la distribucin no es normal sino sesgada.
Eficacia de los grficos X ,R
La eficacia de estos grficos se describe a travs de las curvas ARL (Longitud de racha media) y
curva caracterstica.
A) calculo de las curvas caractersticas y ARL del grfico
- Curva caracterstica
Suponemos la desviacin tpica conocida y constante. Si la meda cambia desde
el valor objetivo o hasta otro valor 1 = o + K. ,la probabilidad de no detectar el
cambio en la primera muestra que se tome ser:

con :

por lo cual :

Normalmente se elige = 0,0027 (Error tipo I) Z /2 = 3. Esta curva (Probabilidad de que el

siguiente punto caiga dentro de los lmites de control en funcin del Descentrado del proceso)
viene representada (con = 0,0027), para distintos tamaos de muestra (n) en la figura C.

Curva ARL
La probabilidad de no detectar el cambio en la 1 muestra es 1- . La de no detectarlo en la 2 es
(1- ). La probabilidad de no detectarlo en la muestra K ser: k-1 (1- ). Esta es una
distribucin geomtrica de media 1/(1- ).

Conocida la curva caracterstica, la construccin de la ARL es inmediata ya que:

Descentrado
del proceso

Curva
caractrstica

Curva ARL

Probabilidad de no detectar el cambio en la

siguiente muestra

1/(1-)
Nmero medio de muestras para detectar el
cambio

B) Clculo de las curvas caractersticas y ARL del grfico RCurva caracterstica.

Hay que utilizar la distribucin del rango relativo. La probabilidad de que una muestra caiga dentro
de los lmites de control ser:
para un determinado (error tipo 1) y dando valores a (variacin en la dispersin del proceso)
obtenemos tos valores de .
Aumento de dispersin
La curva ARL la
obtenemos mediante la en el proceso
+/
frmula 1/(1- )

Curva
caractrstica

Curva ARL

1/(1-)

Grficos de control ( , S)
Cuando crece el tamao de muestra (n = 10 a12) el mtodo del rango para estimar pierde
eficiencia. En este caso es mejor reemplazar los grficos ( , R) por los ( X, S) y calcular para
cada subgrupo la media y la desviacin tpica S.
Aunque,

es un estimador centrado de 2 S no lo es respecto de , ya que realmente estima C4 ya que

E(s) = C4 ; C4 es una constante que depende del tamao de muestra.
Por otra parte la desviacin tpica de S es

Con esta informacin ya podemos establecer los lmites de control con criterio 3 :

Y poniendo :

tendremos :

Los parmetros B5, B6 estn en la tabla IV

Si no se conoce , lo estimaremos de los datos pasados. A partir de (m) subgrupos obtenemos :

Siendo

un estimador centrado de .

Los lmites de control, resultarn:

Y poniendo :

tendremos :

En cuanto al grfico X, cuando utilizamos como estimador de a

3 resultarn:

, los lmites de control

Y poniendo :

tendremos :

Las constantes A3, B3 y B4 figuran en la tabla IV

Grficos de control de sumas acumuladas (CUSUM)
Los grficos de control que hemos visto hasta ahora se conocen como grficos de Shewhart. Un
punto dbil de los grficos de Shewhart es que solo se utiliza la informacin contenida en la ltima
muestra representada e ignora la informacin dada por el conjunto de muestras. Es cierto que la
incorporacin de lmites de atencin y el estudio de pautas trata de mejorar la sensibilidad del
grfico Shewhart utilizando ms el conjunto de la informacin pero a costa de complicar algo el
grfico reduciendo la sencillez de la Interpretacin
El grfico de sumas acumuladas (CUSUM) se presenta como una alternativa al grafico de
Shewhart. Incorpora directamente toda la informacin representando las sumas acumuladas de
las desviaciones de los valores muestrales respecto de un valor objetivo. Por ejemplo,
supongamos que se toman muestras de tamao igual o mayor que 1, siendo
la media
muestral de la muestra i.
Si suponemos que o es el objetivo para la media del proceso, el grfico de sumas acumuladas

se formar representando la cantidad

muestra.

respecto al nmero de orden (m) de la

Por combinar la informacin de varias muestras, los grficos de sumas acumuladas son ms
efectivos que los grficos de Shewhart para detectar pequeos cambios. Son particularmente
eficaces cuando el tamao de muestra es n = 1 y, por consiguiente, adecuados para su utilizacin
cuando la tecnologa permite inspeccionar y medir cada unidad producida usando a la vez un
microordenador en el puesto de trabajo.
Si el proceso se mantiene bajo control en el objetivo o , la suma acumulable
variar aleatoriamente respecto del valor cero. Sin embargo, si la media asciende a 1 > o se
apreciar una tendencia ascendente en la suma acumulada Sm. Por el contrario, si la media se
desplaza a 2 < o se apreciara una tendencia decreciente en Sm. Por consiguiente, una
tendencia determinada (positiva o negativa) se considerar como una evidencia de que la media
del proceso se ha desplazado debido a la presencia de alguna causa asignable que hay que
investigar y eliminar.
Existen dos criterios para establecer formalmente que el proceso est fuera de control. Uno de
ellos es un procedimiento grfico: La mscara V propuesta por Barnhard en 1959 y otro es un
procedimiento numrico muy adecuado para establecer en conjuncin con un microordenador.
Aqu veremos este segundo procedimiento.
En cada toma de muestra hay que calcular los 2 valores siguientes :

donde:
es la media muestral en la toma i-sima.
o es el valor objetivo (media centrada)
F es un parmetro de la carta de control que normalmente vale o/2 siendo o
el cambio que queremos detectar con prontitud.
, siendo normalmente f = 0,5 ya que queremos detectar normalmente
cambios del orden de
(n es el tamao muestral).Como veremos ms adelante, F se puede
seleccionar tambin en algn juego de cartas ARL.
Cuando algn valor Si Ti cumple que Si > H Ti < -H (H elegido de acuerdo a la curva ARL que
nos interese
siendo h normalmente 5) el proceso se considera fuera de control. Si Si se
hace negativo o se pone a 0, de igual forma si T i se hace positivo o se pone a 0.
Una vez corregido el proceso los contadores Si y Ti se pondran a 0.
Las curvas ARL de los grficos CUSUM, se calculan a partir de los parmetros del grafico, h y f (y
del tamao de la muestra, que est implcito en el desplazamiento) utilizando cadenas de Markov.
En la tabla 2.3 se dan valores de h y f ms comunes en funcin del desplazamiento de la media a
detectar y sus curvas ARL.
Ejemplo CUSUM
Consideremos el peso de cartuchos de certa fabricacin sigue siendo una distribucin Normal
(ver ejemplo anterior) de media 1,3917 y desviacin tpica 0,005. Valores que resultaban cuando
el proceso estaba bajo control.

Si utilizamos las muestras de tamao 5 del ejemplo anterior y queremos detectar

desplazamientos de la meda del orden de
lo que obtenemos

, elejimos h = 5 y f = 0,5 con

F = 0,5 x 0,0022 = 0,0011 ; H = 5 x 0,0022 = 0,01

En el sexto subgrupo Ti <-0,01 por lo tanto es un punto fuera de control y deberamos corregir el
proceso.

Para controlar la variabilidad dentro de las muestras se pueden utilizar los grficos de Shewart del
recorrido o de la desviacin tpica, en conjuncin con el CUSUM de medias.
No obstante tambin es posible disear una carta de control CUSUM especficamente por los
grficos de recorridos o de desviaciones tpicas. La forma de realizarlos es muy similar al CUSUM
de medias. Los parmetros h y f con sus curvas ARL del CUSUM para recorridos o desviaciones
tpicas estn recogidos en la norma britnica BS 5703.

TABLA 2.3
Valores de h y f recomendados para detectar un desplazamiento de la media de magnitud
(*)

Otros grficos de control.- Grfico de control de media mvil

Los grficos de control de media mvil son tambin muy efectivos para detectar pequeos
cambios en el proceso, Como los CUSUM, estos grficos son muy adecuados para implantar en
procesos automatizados.
Supongamos que se han tomado muestras de tamao n y que
indiquen las
correspondientes medias muestrales. La media mvil de amplitud W en el momento t se define
como

Es decir, en cada momento t se elimina la muestra vieja y se sustituye por la ms reciente.

La varianza de Mt, es :

Y los lmites de control con criterio 3 sern:

El procedimiento de control consistir en calcular con cada nuevo valor de

la nueva Mt y
llevarla al grfico con lmites de control dados por (II) concluyendo que el proceso est fuera de
control si se exceden los puntos del grfico. En general, la magnitud del cambio a detectar y la
amplitud de W estn inversamente relacionados: La deteccin de un cambio pequeo se
garantiza mejor con una muestra de tamao elevado.
El uso simultaneo de
y Mt puede dar buenos resultados. En este caso, habr situacin de
fuera de control cuando
, Mt , o ambos caigan fuera de los lmites de control respectivos. La
media mvil es tambin muy adecuada para usar cuando el tamao de muestra es n = 1.
Grficos de Control Multidimensional
Existen muchas situaciones en las que es necesario el control simultneo de dos o ms
caractersticas de calidad. Por ejemplo supongamos una pieza con un dimetro interior y otro
exterior que juntos determinen la conformidad de la pieza. Podramos aplicar los grficos de
control habituales a las caractersticas y considerar que el proceso est bajo control solamente
cuando ambas medias
equivalente a que el punto

estuvieran dentro de los respectivos lmites de control, esto es

caiga dentro del rea rayada en la figura.

Controlar ambas caractersticas independientemente puede ser engaoso. La probabilidad de que

excedan sus lmites de control 3 es 0,0027, sin embargo la probabilidad de que
ambas variables excedan los limites cuando el proceso est bajo control es (0,0027)x(0,0027) =
0,00000729 que es muy inferior a 0,0027. Es decir, el error de tipo I es muy diferente de los de los
grficos individuales. Esta distorsin se incrementa cuando aumenta el nmero de variables.
Si existen P caractersticas independientes y se elabora un grfico X para cada una con error de
tipo I = , el error de tipo I conjunto es = 1- (1- )p y la probabilidad de que las P medias caigan
dentro de sus respectivos lmites (1- )p. El problema se complica ms todava si existe
correlacin entre las diferentes caractersticas (caso frecuente). Problemas como estos
constituyen el llamado control de calidad multidimensional y fueron estudiados inicialmente por
Hotelling .
Supongamos que existen dos caracterstica cualitativas X1 y X2 que se distribuyen de acuerdo con
una distribucin normal bivariada siendo X1 y X2 sus valores nominales, S12 y S22 sus varianzas y
S12 su covarianza (la covarianza mide el grado de dependencia entre X1 y X2). Si
media muestral calculada para un subgrupo de tamao n, el estadstico :

se distribuye segn una distribucin T2 de Hotelling con 2 y (n-1) grados de libertad.

es la

Si

al menos de una de las dos caractersticas est fuera de control.

T2/2, n-1 es el percentil de la distribucin de Hotelling que deja una cola a la derecha de valor .
Representando en secuencia los valores resultantes de la ecuacin anterior para cada muestra,
como si se tratase de un grfico de control, podemos investigar pautas y otras tendencias no
aleatorias del grfico.

La mayora de los paquetes de software de control de Calidad permiten analizar con facilidad
estos grficos multidimensionales referidos a dos ms variables.
TABLAS PARA LA ELABORACIN DE GRFICOS
TABLA 1.- DISTRIBUCION NORMAL
Probabilidades acumulativas de la distribucin de probabilidad normal (reas bajo la curva desde
- infinito hasta z)

TABLAS II y III.- DISTRIBUCION RANGO RELATIVO

Puntos de porcentaje de la distribucin de la amplitud relativa w = R/, universo normal *

*Probabilidades tomadas de E. S. Parson, The Probabilily Integral of the Range in Samples of n

Observation from, a Normal Population, Biometrika, Vol. XXXII(1941-42), pgs 301-8. La media y la tomadas
de E. S. Pearson The Percentage Limits for the Distributons of Range in Samples from, a Normal
Population, Biometrika, Vol, XXIV (1932), pg. 404-17.
Obsrvese que en contraste con la tabla C estas probabilidades estn acumuladas desde el extremo inferior
de la distribucin.

n = Tamao de la muestra

TABLA IV - GRAFICOS POR VARIABLES

FACTORES PARA CONSTRUIR LIMITES DE CONTROL

ESTUDIO INICIAL - RESUMEN DE FORMULAS

CONTROL RESPECTO A ESTANDAR - RESUMEN DE FORMULAS

----------------------------------------------------------------------------------------------------------------------------------

CAPTULO 8.- CAPACIDAD DEL PROCESO

Introduccin
Un proceso de fabricacin es un conjunto de equipos, materiales, personas y mtodos de trabajo
que genera un producto fabricado.

Para analizar el comportamiento del proceso, se toman muestras de producto fabricado y se

realizan ensayos para determinar el valor de una caracterstica de calidad seleccionada
previamente. Desde el punto de vista del control estadstico, es conveniente incluir la etapa de
muestreo y ensayo dentro del proceso mismo.
Conceptualmente debemos considerar que cualquier
variacin en las condiciones de un proceso
(Modificacin en el equipo, cambio de materias
primas, etc.) da lugar a otro proceso, diferente del
anterior.
El primer paso para aplicar una tcnica estadstica es definir la caracterstica de calidad que se va
a medir en el producto fabricado. Desde el punto de vista estadstico, esta caracterstica de
calidad constituye una variable aleatoria, porque an despus de realizar una serie de
mediciones, el valor que se obtendra en la siguiente medicin no puede predecirse por clculo.
El conjunto de todos los resultados de mediciones que pueden obtenerse es nuestro universo o
poblacin. Cualquier subconjunto de mediciones extrado del universo constituye una muestra.
Con respecto al concepto de universo o poblacin, cuando se aplica a resultados de mediciones
en un proceso, es necesario puntualizar lo siguiente: La poblacin o universo de resultados es el
conjunto de datos que se obtuvieron hasta ese momento mas aquellos que se obtendran si el
proceso continuara funcionando siempre bajo las mismas condiciones. Esto se conoce como
Universo Hipottico de mediciones de la caracterstica de calidad.
Antes de aplicar cualquier tcnica estadstica, es necesario establecer algunas hiptesis bajo las
cuales se va a desarrollar el anlisis. En primer lugar, vamos a suponer que la caracterstica de
calidad (Variable aleatoria) es continua y de distribucin normal. En segundo lugar,
consideraremos que el proceso est bajo control estadstico, es decir que la variabilidad se debe
solamente a un sistema constante de causas aleatorias (No intervienen causas asignables).
Al realizar una sucesin de mediciones de la caracterstica de calidad sobre muestras del
producto fabricado, encontramos que los valores fluctan alrededor de un valor central. Esto es lo
que llamamos la fluctuacin natural y esperable del proceso. Esta variacin de la caracterstica de
calidad medida se debe a un conjunto muy grande de causas que afectan el proceso, cuyo efecto
individual es pequeo y que actan en forma aleatoria (Sistema constante de causas aleatorias).
La fluctuacin natural del proceso es inherente al mismo y no puede eliminarse, slo puede
reducirse realizando modificaciones al proceso mismo, lo cual significa, como ya hemos dicho,
trabajar con otro proceso. La fluctuacin natural de un proceso puede cuantificarse a travs de la
desviacin standard del mismo, con la cual podemos calcular Lmites de Tolerancia Natural del

proceso. Se debe insistir en que estos lmites no pueden fijarse voluntariamente, dependen del
proceso y de las variables no controlables del mismo. Generalmente se toma un rango para la
fluctuacin natural de 6 sigmas.
Los Lmites de Especificacin de un producto son fijados voluntariamente por el cliente, por el
fabricante o por alguna norma. Estos lmites constituyen un requisito a cumplir por el producto y
no deben confundirse en ningn caso con los Lmites de Control o con los Lmites de Tolerancia
Natural del proceso.
La Capacidad de un proceso es la aptitud para generar un producto que cumpla con
determinadas especificaciones. En el mejor de los casos, es conveniente que los Lmites de
Tolerancia Natural del proceso se encuentren dentro de los Lmites de Especificacin del
producto. De esta manera nos aseguramos que toda la produccin cumplir con las
especificaciones.
Para analizar la capacidad del proceso se puede utilizar un histograma de frecuencias. Si se
dispusiera de todos los datos del universo para la caracterstica de calidad medida y se hiciera un
histograma este permitira tener una idea exacta de la fluctuacin natural del proceso. Como esto
es imposible, es necesario tomar un cierto nmero de mediciones (Mnimo 100-200) y efectuar
con ellas un histograma de frecuencias.

Este es el histograma de una muestra y por lo tanto es slo una estimacin del verdadero
histograma del universo. Si representamos en las abscisas los Lmites de Especificacin del
producto, podemos ver grficamente si el proceso tiene aptitud (Capacidad) para fabricar dicho
producto.

CAPTULO 8.- CAPACIDAD DEL PROCESO

Anlisis de la capacidad del proceso

Las tcnicas estadsticas son tiles a lo largo de todo el ciclo productivo incluyendo: Actividades
previas a la fabricacin, cuantificacin de la variabilidad del proceso, comparacin de la
variabilidad con las especificaciones y la reduccin de la variabilidad. Al conjunto de estas
actividades se le denomina anlisis en la capacidad del proceso.
Definiremos el anlisis de capacidad, como el estudio de ingeniera encaminado a estimar la
capacidad del proceso. La capacidad del proceso puede estimarse definiendo la forma de la
distribucin que sigue la variable en estudio y dando una medida del valor central (media) y de la
dispersin (sigma).
La capacidad del proceso se refiere a su uniformidad, la variabilidad es una medida de la
uniformidad. Existen dos formas de variabilidad, la variabilidad inherente, existente en un
momento dado, tambin llamada variabilidad instantnea y la variabilidad a lo largo del tiempo.
Como medida de la capacidad de un proceso es costumbre tomar un intervalo de 6 u 8 en la
distribucin de la caracterstica en estudio. La figura adjunta muestra un proceso para el que la
distribucin es Normal con media y desviacin tpica . Los lmites naturales de tolerancia
inferior y superior del proceso caen en el intervalo - 3. -:- + 3. . Para la distribucin Normal
los lmites de tolerancia incluyen el 99,75% de los valores de la variable. Dicho de otra forma, slo
el 0,27% de los valores caen fuera de los lmites naturales de tolerancia. Si la distribucin no es
Normal, el porcentaje de valores fuera de los lmites 3 puede desviarse sensiblemente del
0,27% citado.
Se pueden utilizar como medida de la capacidad otros criterios como por ejemplo que el 98% de
la produccin entre en el intervalo de Tolerancia. En este caso utilizando las tablas de la
Distribucin Normal (Tabla I) vemos que deben entrar como mnimo 2x2,33 = 4,66 .
El anlisis de capacidad del proceso es fundamental en un Programa Integral de Mejora de
Calidad. Entre sus aplicaciones, podemos sealar :

1. Predecir como se comportar el proceso respecto de las especificaciones.

2. Ayudar en la seleccin o modificacin de los parmetros del proceso.
3. Orientar en el establecimiento de la frecuencia de los desmuestres para el
control del proceso.
4. Especificar las tolerancias de nuevos equipos
5. Reducir la variabilidad en el proceso de fabricacin.
Dos son, principalmente, las tcnicas utilizadas en el anlisis de la capacidad de un proceso:
Histogramas y Grficos de Control.
Anlisis de la capacidad del proceso usando histogramas
La distribucin de frecuencias suele ser til para estimar la capacidad del proceso. Se requieren,
por lo menos, entre 50/100 observaciones para realizar la estimacin. Siempre que sea posible y
antes de comenzar la recogida de datos, deben seguirse los siguientes pasos:
a) Escoger adecuadamente la mquina o mquinas sobre las que va a
realizarse el estudio de forma que sean representativas del conjunto de
mquinas al que van a extenderse las conclusiones.
b) Seleccionar las condiciones operativas del proceso definiendo
cuidadosamente estas condiciones ya que su variacin puede afectar a la
capacidad del proceso.
c) Seleccionar, cuando proceda, un operador representativo.
d) Seguir estrechamente el proceso de toma de datos y registrar el orden en
que se producen.
El histograma, con su valor medio X y su desviacin tpica S estima la capacidad del proceso que
es X 3S. Una ventaja del histograma es que nos da una impresin inmediata de como es la
caracterstica en estudio.
Para cuantificar la Capacidad de Proceso se utilizan coeficientes que permiten comparar el rango
de especificaciones con la fluctuacin natural del proceso. Uno de ellos es C p:

donde LSE y LIE son, respectivamente, el Lmite Superior y el lmite inferior de Especificacin
Si el proceso tiene capacidad para fabricar el producto, entonces C p > 1. En general se exige Cp >
1.30 para mayor seguridad.

Cp tiene el inconveniente de que para poder aplicarlo, el centro de gravedad del rango de
especificaciones debe coincidir con la tendencia central de las mediciones del proceso. Cuando
esto no ocurre se emplea el Cpk:

Donde:

En el grfico podemos observar que una buena parte del producto est por encima del Lmite
Superior de Especificacin (LSE). An as resulta Cp > 1, indicando errneamente que el proceso
tiene capacidad suficiente.
En este caso se debe usar el segundo coeficiente que muestra claramente que el proceso no
tiene capacidad suficiente (Cpk < 1), tal como se puede observar en el grfico.

Un proceso suele decirse que es apto cuando Cp > 1 incluso Cp > 1,3 Modernamente, ha
comenzado a utilizarse :

donde :

siendo :

El uso de un histograma para analizar la capacidad de un proceso tiene la ventaja de que se

puede apreciar la forma de la distribucin, con lo cual se puede confirmar o rechazar la hiptesis
de que la misma es normal. Pero el problema es que no se puede detectar la presencia de
patrones no aleatorios, con lo cual no es posible confirmar o rechazar la hiptesis de que el
proceso est bajo control estadstico. Si el proceso no est bajo control estadstico los resultados
del anlisis de la capacidad de proceso no sern vlidos y pueden llevar a conclusiones
equivocadas.
Anlisis de la capacidad del proceso usando grficos de control
Los histogramas y otros mtodos de anlisis tales como los grficos de probabilidad indican como
vara el proceso pero no muestran, necesariamente, la capacidad potencial del proceso ya que
ste puede estar en situacin de fuera de control o presentar pautas que si se eliminaran
reduciran la variabilidad de la caracterstica en estudio. Los grficos de control son muy tiles en
este sentido y deben ser considerados la tcnica principal en los anlisis de capacidad.
En los anlisis de capacidad pueden usarse los grficos de control por variables y los grficos de
control por atributos aunque son preferibles los primeros por la mayor informacin que
suministran.
Los grficos X, R permiten estimar la variabilidad instantnea (capacidad del proceso a corto
plazo) y la variabilidad a lo largo del tiempo(capacidad del proceso a largo plazo). La variabilidad
instantanea viene dada por s = R/d2 , donde d2 es un valor tabulado en funcin del tamao de
muestra n.
No debe estimarse la capacidad del proceso a corto plazo cuando se presenta una situacin fuera
de control ya que previamente habra que encontrar las causas asignables y poner el proceso
bajo control.
Cuando se utilizan grficos X-R, en el grfico de X se representan los promedios de subgrupos,
es decir, promedios muestrales. No debe confundirse la desviacin standard del proceso con la
desviacin standard de los promedios muestrales. Si la desviacin standard del proceso es s y
cada subgrupo tiene m mediciones, la desviacin standard entre subgrupos es:

Si se utiliza por error la desviacin standard entre subgrupos para calcular los coeficientes de
capacidad del proceso, se obtendrn valores ms altos que los que corresponden a la verdadera
capacidad del proceso.
-------------------------------------------------------------------------------------------------------------------------------------------------------

CAPTULO 9.- GRAFICOS DE CONTROL POR ATRIBUTOS

Introduccin
Algunas caractersticas de calidad no pueden ser representadas convenientemente por medio de
variables cuantitativas. En estos casos, las unidades de producto se clasifican en conformes o
en no conformes segn la caracterstica o caractersticas cualitativas sean o no conformes con
las especificaciones. Las caractersticas de calidad de este tipo se denominan atributos. Los
datos de tipo atributo tienen solamente dos valores: Conforme / no conforme, pasa / no pasa,
funciona / no funciona, presente / ausente. Tambin se consideran atributos aquellas
caractersticas cuantitativas que se registran en trminos de sino como por ejemplo, el dimetro
de un eje cuya conformidad solo la medimos en trminos de aceptable/no aceptable, las
imperfecciones de pintura en una puerta de un automvil, las burbujas en la laca de un detonador,
la presencia/ausencia de un percutor, etc.
Vamos a analizar cuatro tipos de grficos de control por atributos:
Grfico p para porcentajes defectuosos
Grfico np para el nmero de unidades defectuosas
Grfico c para el nmero de defectos
Grfico u para el nmero de defectos por unidad inspeccionada
Grfico p para porcentajes defectuosos
La fraccin no conforme de un colectivo se define como el cociente entre el nmero de unidades
defectuosas y el nmero total de unidades en dicho colectivo. Cada unidad de producto puede ser
examinada por el inspector respecto de una o varias caractersticas cualitativas. Si la unidad
inspeccionada no es conforme respecto a la especificacin en una o ms caractersticas, se
clasifica como no conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal
aunque puede tambin indicarse en tanto por ciento.
La distribucin binomial es la base estadstica del grfico de control por atributos. Supondremos
que el proceso est operando de forma estable y que la posibilidad de que una unidad de
producto sea defectuosa es constante y de valor p. Tambin, supondremos que las unidades
producidas sucesivamente son independientes. Entonces, si tomamos una muestra de n
unidades, y llamamos x al nmero de unidades no conformes, la probabilidad de que x tome los
valores 0, 1, 2.... n vendr determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son :

La fraccin muestral no conforme se define como el cociente entre el nmero de unidades no

conformes en la muestra x y el tamao de la misma p = x/n.
El valor medio y la varianza de p sern respectivamente :

como consecuencia de la relacin p = x/n

Operativa del grfico de control p
La base estadstica para definir los lmites de control es comn con los restantes grficos de
Shewhart: Si W es un estadstico que describe una determinada caracterstica de calidad siendo
w y w2 su media y su varianza, los lmites de control se definen como :

K es la distancia de los lmites de control a la lnea central expresada como un mltiplo de sw.
Habitualmente escogeremos K = 3.
Supongamos que conocemos o se especifica la fraccin p no conforme de un proceso de
produccin. Entonces los limites de control resultan:

La operativa consiste en tomar sucesivas muestras de n unidades, contar dentro de cada muestra
el nmero de unidades no conformes y calcular = D/n llevando este valor al grfico. En tanto
permanezca dentro de los lmites de control y la secuencia de puntos no seale ninguna pauta
distinta a la que puede surgir por mero azar, diremos que el proceso est bajo control al nivel p de
fraccin no conforme. Si por el contrario, observamos algn punto fuera de control o un patrn
inusual diremos que la fraccin defectuosa ha cambiado a un nivel diferente y que el proceso est
fuera de control.
Cuando se desconoce p, debe estimarse a partir de los datos. El procedimiento a seguir es
seleccionar m muestras preliminares, cada una de tamao n. Como norma general, m estar
comprendido entre 20 y 25. Si Di es el nmero de unidades defectuosas en la muestra i,
calcularemos la fraccin defectuosa en la muestra como
estas fracciones,

; i = 1, 2... .n y la media de

, estimar la media p del proceso siendo los lmites de control:

Frecuentemente se utiliza solo el lmite superior.

Estos lmites de control se consideran como limites de prueba y sirven para determinar si el
proceso estaba bajo control cuando las m muestras iniciales fueron seleccionadas. Si todos los
puntos caen dentro de los lmites de control y no se observa ninguna pauta anormal
dictaminaremos que el proceso estaba bajo control a la toma de las m muestras y los lmites de
prueba sern validos para controlar la produccin actual y la futura.
Los lmites de control para la produccin actual deben basarse en datos obtenidos de una
situacin estable. Por ello, cuando alguno de los puntos iniciales est fuera de control se hace
necesario revisar los lmites de control. Esto se realiza examinando cada punto fuera de control y
buscando las causas asignables. Si se localiza la causa asignable se descarta el punto
correspondiente y se vuelven a calcular los lmites de control con los puntos restantes. Puede
darse el caso que alguno de estos restantes puntos se encuentre ahora fuera de control respecto
de los nuevos lmites ya que estos sern, normalmente, ms estrechos que los iniciales.
Entonces, deben repetirse los pasos dados anteriormente hasta que todos los puntos se
encuentren dentro de control con lo que ya podremos adoptar los lmites hasta entonces
provisionales como lmites definitivos.

Si el grfico de control se basa en un valor estandar conocido (un objetivo) para la fraccin no
conforme p, entonces el clculo de lmites de prueba es, generalmente, innecesario aunque
deben tomarse ciertas precauciones en el sentido de comprobar si el proceso est bajo control a
un valor de p diferente dei indicado en el objetivo. Por ejemplo, supongamos que la Direccin
seala como valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a p
= 0,05.
Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos fuera de control
sin que aparezca causa asignable. No obstante, suele ser til esta opcin para mejorar el nivel de
calidad llevando el proceso al nivel adecuado, sobre todo en procesos donde la fraccin no
conforme puede ser controlada mediante un proceso sencillo de ajuste.
Diseo del grfico p
El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del desmuestre y distancia
entre lmites de control.
Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo largo de un
periodo de tiempo determinado. Un da, un turno, etc. En este caso, la frecuencia y el tamao de
la muestra estn relacionados. Generalmente, se selecciona inicialmente la frecuencia del
desmuestre apropiada para la produccin a inspeccionar y de ah resulta el tamao de la muestra,
Los subgrupos racionales pueden jugar tambin un papel importante en determinar la frecuencia
del desmuestre. Por ejemplo, si hay tres turnos y sospechamos que entre turnos puede variar el
nivel de calidad utilizaremos cada turno como un subgrupo sin mezclarlos para obtener una
fraccin diaria no conforme. Si p es pequeo n deber ser suficientemente grande para encontrar,
al menos una unidad defectuosa en la muestra.
Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener una
probabilidad de aprox. 50% de detectar un cambio de una determinada magnitud. Por ejemplo,
supongamos que p = 0,01 y que queremos que la probabilidad de detectar un cambio a p = 0,05
sea del 50%. Suponiendo que aproximamos la distribucin binomial respecto de la normal,
escogeremos de tal forma que el lmite de Control Superior coincide con la fraccin no conforme
en la situacin de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces n debe
satisfacer

En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3 n = 56

Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse otros ms
sensibles a costa de exponerse a situaciones ms frecuentes de falsa alarma.
A veces, suelen usarse limites ms estrechos (por ejemplo 2) dentro de una situacin de
urgencia para mejorar la calidad de un proceso. Estos lmites deben utilizarse con precaucin
porque las falsas alarmas destruyen la confianza de los operadores en los grficos de control.
Hay que tener en cuenta que los lmites de control estudiados se basan en la distribucin binomial
que considera constante la proporcin defectuosa p y que los valores sucesivos son
independientes. En procesos en los que las unidades no conformes estn agrupadas o en los que
la probabilidad de producir una unidad defectuosa depende de que la anterior unidad producida
haya sido no defectuosa, no son aplicables este tipo de grficos.
Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de control inferior.

Estos puntos no suelen ser lo que aparentemente indican: Una mejora en la calidad del proceso
por disminucin de a sino que suelen originarse por errores en la inspeccin o por causa de
aparatos de medida mal calibrados. Tambin puede deberse a que los operadores hayan
registrado datos ficticios para cubrir su responsabilidad.
Grfico np para unidades defectuosas
Supongamos un proceso que fabrica tornillos. Una manera de ensayar cada tornillo sera probarlo
con una rosca calibrada.
El resultado de este ensayo slo tiene dos posibles resultados:
Defectuoso - No Defectuoso ( Conforme-No Conforme )
. Si el tornillo no entra en la rosca, se lo considera defectuoso o no
conforme.
Para controlar este proceso, se puede tomar una muestra de tornillos y contar el nmero de
defectuosos presentes en la muestra.

La variable aleatoria nmero de defectuosos es una variable aleatoria discreta, porque puede
tomar un nmero finito de valores, o infinito numerable. Los grficos np se utilizan para controlar
el nmero de defectuosos en una muestra.
Para controlar este proceso, un inspector se coloca al final de la lnea de produccin y cada hora
retira una muestra de n=50 tornillos (por ejemplo), comprueba cada uno con la rosca y anota el
nmero de defectuosos.

Este resultado se anota en un grfico hora por hora denominado grfico np.
Si se tomara del proceso un slo tornillo Cul es la probabilidad de que sea defectuoso?
Imaginando la poblacin de tornillos que podra fabricar el proceso trabajando siempre en las
mismas condiciones, una cierta proporcin p de estos seran defectuosos. Entonces, la
probabilidad de tomar un tornillo y que sea defectuoso es p.
En una muestra de n tornillos, la probabilidad de encontrar:
0 defectuosos ; 1 defectuoso ; 2 defectuosos ; ... ; n defectuosos
est dada por una distribucin binomial con parmetros n y p.
Como sabemos, el promedio de la poblacin es p y la varianza es n.p.(1-p).
Para construir los grficos de control np, en una primera etapa se toman N muestras (ms de 20
25) a intervalos regulares, cada una con n tornillos. Se cuenta en cada muestra el Nmero de
Defectuosos y se registra. Se obtendra una Tabla como la siguiente:

En cada muestra, la fraccin de defectuosos es Di/n, siendo Di el nmero de elementos

defectuosos en la muestra i, y n el nmero de elementos en la muestra i
A partir de la tabla podemos calcular p como promedio de las fracciones de defectuosos en las
muestras:

siendo N el nmero de muestras, y luego la Desviacin Standard s:

Con esto podemos calcular los Lmites de Control para el grfico np:

Construimos entonces un Grfico np de prueba y representamos el nmero de defectuosos en las

muestras.
Si no hay puntos fuera de los lmites de control y no se encuentran patrones no aleatorios, se
adoptan los lmites calculados para controlar la produccin futura.
Para las personas con poco entrenamiento estadstico, este grfico suele ser ms fcil de
interpretar que el grfico p. Frecuentemente se utiliza solo el lmite superior.
En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de
producto que se estn fabricando. Por ejemplo, se fabrican telfonos celulares y entonces se
toma uno de ellos y se cuenta el nmero total de defectos. Estos podran ser:

Rayas en la superficie.

grietas en el plstico

Antena defectuosa

Botn defectuoso.

Etc.

Los defectos pueden ser de diferentes tipos y se cuenta el total de todos estos defectos en la
unidad inspeccionada. Obtenemos un resultado que es el Nmero de Defectos por unidad de
inspeccin.
A medida que el proceso genera las unidades (Telfonos mviles), retiramos una unidad a
intervalos regulares y contamos el nmero total de defectos. En cada unidad podemos
encontrar:? 0 defectos

1 defecto

2 defectos

...

n defectos

Los resultados obtenidos al contar el Nmero de Defectos en unidades de inspeccin tomadas a

intervalos regulares constituyen una variable aleatoria discreta, porque puede tomar los valores
discretos 0, 1, 2, ... n. Esta variable aleatoria tiene una distribucin de Poisson:

Los grficos C se utilizan para controlar el nmero de defectos en una muestra del producto o
unidad de inspeccin. Para controlar este proceso, un inspector se coloca al final de la lnea de
produccin y cada cierto intervalo retira una unidad de inspeccin , verifica y anota el nmero total
de defectos.
Este resultado se anota en un grfico denominado grfico C. De acuerdo a la Distribucin de
Poisson, si denominamos C al parmetro de la funcin de distribucin, el promedio de la
poblacin es C y la varianza tambin es C.
Una unidad defectuosa puede tener uno o ms defectos. Sin embargo, es posible que una unidad
de producto tenga varios defectos y que no sea clasificada como defectuosa debido a la
naturaleza poco importante del defecto. Existen en la prctica muchas situaciones en las que es
preferible trabajar con el nmero de defectos que con el porcentaje o el nmero de unidades
defectuosas. Por ejemplo, el nmero de soldaduras defectuosas en un tubo de conduccin de
gas, el nmero de defectos funcionales es un dispositivo electrnico, etc.
Se pueden efectuar grficos de control para el nmero total de defectos por unidad de producto o
para el nmero de defectos en la muestra. Estos grficos de control se basan en la distribucin de
Posson que exige un nmero de puntos donde potencialmente podra producirse el defecto
infinitamente grande, as como que la probabilidad de que el defecto aparezca en un determinado

punto sea muy pequea y constante.

La unidad de inspeccin debe ser la misma en cada muestra. Es decir cada unidad de inspeccin
debe representar siempre una probabilidad igual de que se produzcan los defectos. En la mayor
parte de las situaciones prcticas, estas condiciones no se satisfacen exactamente. El nmero de
oportunidades (puntos) para los defectos suele ser finito y la probabilidad de aparicin de
defectos puede no ser constante. Si las desviaciones respecto de la situacin ideal no son
importantes, puede usarse el modelo de Poisson. Existen, sin embargo, casos en los que las
desviaciones respecto de las condiciones del modelo son considerables y en los que la utilizacin
de la distribucin de Poisson es inadecuada.
Grficos c para tamao de muestra constante
En el grfico c se representan el nmero de defectos existentes en cada unidad de inspeccin.
En la mayor parte de los casos, la unidad de inspeccin ser una unidad de producto aunque esto
no es absolutamente necesario ya que la unidad de inspeccin constituye simplemente una
porcin de produccin sobre la que es conveniente registrar el nmero de defectos encontrados.
Puede ser un grupo de 1,5 6 10 unidades de producto. Supongamos que los defectos tienen lugar
en esta unidad de inspeccin de acuerdo con la distribucin de Poisson

donde x es el nmero de defectos en la unidad de inspeccin y C es el parmetro de la

distribucin, Sabemos que la media y la varianza de la distribucin de Poisson son ambas iguales
a C. En consecuencia, los lmites de control 3 sigma para el nmero de defectos sern:

Hay que tener en cuenta que la probabilidad de producir una falsa alarma por situarse el punto
por encima del lmite de control superior es diferente que la de situarse por debajo del lmite
inferior (colas superior e inferior diferentes). Si no se conoce el parmetro c, debe estimarse a
partir de una muestra preliminar de unidades de inspeccin. El valor obtenido en la estimacin, O
sustituir al valor O en los lmites arriba indicados.
Anlisis de defectos
Los datos sobre defectos aportan siempre mayor informacin que los relativos a unidades
defectuosas ya que habitualmente existen diversos tipos de defectos.
Al analizar por conteo la frecuencia de cada tipo de defecto observamos que, en muchas
ocasiones, los resultados estn acordes con la distribucin de PARETO y que un pequeo
nmero de defectos es causa de la mayor parte de los problemas. Si somos capaces de eliminar
las causas de unos pocos tipos de defectos, habremos conseguido una drstica mejora en la
calidad.
Grfico u
Supongamos que se est controlando el nmero de defectos en un proceso de ensamblado de
licuadoras y se define una unidad de inspeccin de 5 licuadoras. En este caso es posible trabajar
con un grfico C, como ya hemos visto. Pero tal vez se desea controlar el promedio de defectos
por cada licuadora (unidad de produccin) en lugar del total de defectos para las 5 licuadoras
(unidad de inspeccin):

siendo ni la cantidad de Defectos por Unidad de Inspeccin y m el nmero de Unidades de

Produccin en la Unidad de Inspeccin.
En nuestro ejemplo, si encontramos ni defectos en la unidad de inspeccin (5 licuadoras), la
cantidad promedio de defectos por licuadora ser
Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma valores 0, 1/m,
2/m, etc., y cuya distribucin de probabilidades se puede calcular a partir de la Distribucin de
Poisson.
Como en el caso de los grficos C, en una primera etapa se toman N unidades de inspeccin
(ms de 25 30) a intervalos regulares. Se cuenta en cada unidad de inspeccin el Nmero de
Defectos y se registra. Luego se divide el Nmero de Defectos de cada unidad de inspeccin por
m (Nmero de unidades de produccin en cada unidad de inspeccin).
En nuestro ejemplo (m = 5) la Tabla quedara as:

Entonces, a partir de la tabla podemos calcular el parmetro U, como promedio del Nmero de
Defectos por licuadora, y la Desviacin Standard:

;
siendo : ni la cantidad de Defectos por Unidad de Inspeccin, m el Nmero de Unidades de
Produccin en la Unidad de Inspeccin y N el Nmero de Unidades de Inspeccin
Con esto podemos calcular los Lmites de Control para el grfico U:

DISTRIBUCIN BINOMIAL
Probabilidad de r o menos sucesos en n intentos, donde p es la ocurrencia de cada intento.

-----------------------------------------------------------------------------------------------------------------------------------------------

10.- LINEAS GENERALES PARA IMPLANTAR GRAFICOS DE CONTROL

Ventajas de los grficos de control
Existen importantes razones para implantar los grficos de control. Destacamos las siguientes:
a) Los grficos de control son una tcnica de eficacia probada para mejorar la productividad. La
adecuada implantacin de un programa de C.E.P. reduce la repeticin de las operaciones no
conformes y los rechazos por desechos que son uno de los principales enemigos de la
productividad. De esta reduccin se deriva una disminucin en los costes y un incremento de
produccin de producto correcto
b) Los grficos de control son eficaces en la prevencin de defectos. El objetivo bsico del grfico
de control es detectar cualquier cambio en el proceso o en el producto. Siempre es ms barato
hacer las cosas bien de entrada que escoger las unidades buenas dentro de un lote de malas y
buenas. Si no se posee un control eficaz, se estar pagando por fabricar produccin no conforme.
c) Los grficos de control previenen de ajustes innecesarios del proceso. El grfico de control
distingue entre el ruido de fondo y una variacin anormal. Si el operador ajusta el proceso
basndose en comprobaciones peridicas no relacionadas con la implantacin sistemtica de los
grficos de control, a menudo reaccionar frente al ruido de fondo y realizar ajustes
innecesarios.
d) El grfico de control proporciona informacin sobre la capacidad del Proceso. El grfico
suministra informacin sobre los parmetros bsicos del proceso y sobre su estabilidad a lo largo
del tiempo.
La tecnologa moderna, utilizando ordenadores, hacen sencilla la implantacin de los grficos de
control, en cualquier tipo de proceso.
Como resumen de lo visto en los captulos anterores, vamos a tratar sobre los siguientes puntos :
A) Determinacin de la caracterstica a controlar y desde donde se va a
controlar
B) Seleccin del grfico adecuado
A) Seleccin de la caracterstica a controlar y donde controlarla
a) En el comienzo de la implantacin se aplican los grficos a aquellas
caractersticas del proceso o del producto que se consideran importantes.
Los grficos nos dirn si son realmente necesarias.
b) Eliminar grficos que se encuentren innecesarios.
c) Disponer de una informacin actualizada sobre el nmero y tipos de
grficos de control existentes en el proceso. Cuando comienza la
implantacin, el nmero de grficos suele crecer de forma continuada,
despus decrece. Cuando el proceso se estabiliza, el nmero de variables
seguidas por grficos, suele mantenerse constante aunque stas no son
necesariamente las mismas.
d) Segn se va sabiendo ms sobre el proceso, el nmero de grficos por
atributos disminuye y el nmero de grficos por variables aumenta.
e) Al comienzo, suelen utilizarse bastantes grficos por atributos para el
producto final o intermedio. Despus estos grficos tienden a ser sustituidos
por grficos por variables para caractersticas de las primeras fases del

proceso.
f) Los grficos de control son procedimientos a implantar en la lnea tan cerca
del puesto de trabajo como sea posible, as, la informacin llegar con
rapidez. Adems, las personas responsables de produccin tendrn la
responsabilidad directa de recoger datos, realizar los grficos e interpretar
resultados. Los operadores e ingenieros que trabajan en el proceso disponen
del conocimiento del mismo necesario para corregir fallos y utilizar el grfico
como una herramienta para mejorar la calidad. Los ordenadores facilitan
enormemente la rapidez de clculos y presentacin de grficos por lo que no
pueden faltar en ningn procedimiento moderno de control estadstico del
proceso.
B) Seleccin del grfico adecuado
Grficos X, R (o X, S); Solo para variables cuantitativas.
Los grficos por variables se utilizan en los casos siguientes:
a) Comienza un nuevo proceso, o un nuevo producto va a fabricarse en un
proceso existente.
b) El proceso tiene continuos problemas o es incapaz de cumplir las
tolerancias especificadas.
c) La verificacin de la calidad producida requiere ensayos destructivos o
costosos procedimientos de ensayo.
d) Se desea reducir la inspeccin por desmuestre y otras verificaciones sobre
el producto al mnimo
e) Se han utilizado, sin resultado, grficos de control por atributos.
f) Procesos con especificaciones muy estrechas.
g) Situaciones en las que el operador debe decidir si ajusta o no el proceso.
h) Cuando ha de demostrarse ante el cliente de forma continuada, la
estabilidad y la capacidad del proceso.
Grficos CUSUM
Se puede utilizar en todos los casos sealados para el grfico , R, pero
donde realmente muestra ms ventajas es:
a) Cuando los procesos vayan descorrigindose lentamente (por ejemplo
procesos qumicos)
b) Cuando sea necesario descubrir rpidamente pequeos desajustes.
c) Situaciones en las que es posible disponer un microordenador en la lnea
Grficos por atributos
Se recomienda utilizar los grficos por atributos en los siguientes casos:
a) Los operadores controlan las causas asignables y es preciso reducir el

porcentaje de fallos.
b) El proceso es una operacin de montaje compleja y la calidad del producto
se mide en trminos de conforme/no conforme.
c) Es necesario el control del proceso pero no pueden obtenerse datos
cuantitativos.
d) Para facilitar a la direccin una visin con un resumen informativo sobre la
eficacia del proceso.
Grficos de control para valores individuales
Se puede usar conjuntamente con los grficos de rango mvil en los
siguientes casos:
a) Procesos en los que no puede obtenerse ms que una medida por
muestra o donde las medidas repetidas solo difieren debido a errores
analticos. Esto suele suceder en los procesos qumicos.
b) Procesos donde la tecnologa existente cuantifica cada unidad producida.
En estos casos, tambin pueden considerarse los grficos de media mvil.
c) Cuando la cadencia de aparicin de nuevos datos es muy lenta y sera
impracticable esperar a reunir una muestra mayor porque esto supondra una
reaccin demasiado tarda ante los problemas.

FIN DEL MANUAL DE CONTROL ESTADISTICO DE PROCESOS