ESPECIALIDAD EN MÉTODOS ESTADÍSTICOS

FACULTAD DE ESTADÍSTICA E INFORM ÁTICA

UNIVERSIDAD VERACRUZANA.

| ------------------------------------------------------------------------------------------------------------------------- -----------------------

CONTROL ESTADÍSTICO
DE CALIDAD
Una recopilación de técnicas aplicables
a la supervisión en los procesos
de producción.

Trabajo recepdonal que como requisito

parcial para obtener el diploma de esta
Especialidad
/
presenta;
EMMANUEL CAMPOS ROBLES.
TUTOR ACADEMICO;
MERO. SERGIO HERNANDEZ GONZALEZ

Xalapa,Ver. Diciembre de 1995

Deseo expresar mi agradecimiento al personal de la
especialidad en Métodos Estadísticos:

DIRECTIVO Y COORDINADOR
DE ASESORIA
DOCENTE
AUXILIAR DE DOCENCIA
SECRETARIAL
IGUALMENTE AL PERSONAL DE SERVICIOS

Con cada uno de ellos estoy en deuda por sus orientaciones,

por sus enseñanzas, su voluntad de ayuda y paciencia y por
sus atenciones.

e . Ct
DATOS DEL AUTOR,

Nacido en la Ciudad de México, D. F. el 25 de diciembre de 1936,

Emmanuel Campos Robles, recibió su Educación Primaria en la Escuela
España; la Educación Secundaria y Normal en la Escuela Nacional de
Maestros; el Bachillerato lo cursó en la Escuela Nacional Preparatoria número
3, nocturna, la Especialidad en Electrónica y Comunicaciones Eléctricas en el
Centro Nacional de Enseñanza Técnica Industrial. De 1955 a 1966, trabajó
para la Secretaría de Educación Pública, primero como Profesor de
Enseñanza Primaria y después en Segunda Enseñanza En 1966, ingresó a
Comisión Federal de Electricidad como Instructor. Laboró en las áreas de
capacitación y de seguridad industrial, jubilándose en 1992.
El Comité Académico de la Especialidad en Métodos Estadísticos, y el respectivo tutor
del trabajo recepcional “ CONTROL ESTADISTICO DE CALIDAD. Una recopilación
de técnicas aplicables a la supervisión en los procesos de producción ”, una vez cubiertos
todos los requisitos académicos y administrativos establecidos, autorizan la impresión y
la constitución del jurado para la defensa del mismo.

POR EL

Dr. MarioMiguelSjedá Ramírez

Mtro. idez González

 PROLOGO

Una aportación importante de la Estadística al campo de la producción es d

control de la calidad de los bienes y servicios que se ofrecen a la comunidad, y que
representan la conclusión del esfuerzo de los trabajadores tanto operativos como
directivos

Independientemente de la remuneración económica que corresponda por

dicha producción, es conveniente no soslayar el hedió de que los productos de
alta calidad remuneran emodonalmente, de manera satisfactoria, a quienes han
estado involucrados en su proceso, y desestiman esa parte del "salario" cuando su
calidad es mediocre.

Aparte de este aspecto que indde en d clima laboral de las empresas, la

calidad de la producáón es uno de los factores que determinan la imagen de las
organizaciones ante la sociedad y esto trasciende hasta influir, a través de su
penetración en el mercado, en la economía local, regional o nacional.

Esta es la razón por la cuál el autor de la presente recopilación de las

Técnicas Estadísticas para el Control de Calidad, la ha considerado pertinente
como temática de su Trabajo Recepdonal.
 El propósito de este trabajo es constituir unas notas que tenga alguna
utilidad para consulta, cuando en la Especialidad de Métodos Estadísticos se
implemente la materia CONTROL DE CALIDAD.
 CONTENIDO

PAG.
INTRODUCCION. 2
I. VARIABLE DE CALIDAD, CAUSAS ATRIBUIBLES Y VARIACION 6
ALEATORIA.
II. DIAGRAMA DE "X" PARA EL CONTROL DE LA MEDIA. 8
III. DIAGRAMA DE "R" PARA EL CONTROL DE LA VARIACION 10
DEL PROCESO.
IV. DIAGRAMA DE "P" PARA EL CONTROL DEL NUMERO DE 24
DEFECTOS POR UNIDAD.
V. DIAGRAMA DE "C" PARA EL CONTROL DEL NUMERO DE 27
DEFECTOS POR UNIDAD.
VI. PRUEBAS DE NO ALEATORIEDAD. 39
- RACHAS.
- NORMAL ESTANDAR
* BIBLIOGRAFIA. 49
* REFERENCIAS. 51
* ANEXO. TABLAS ESTADISTICAS. 52
- DISTRIBUCION DE PROBABILIDAD BINOMINAL Y NORMAL.
- FACTORES A2,D 3,D 4 PARA DIAGRAMAS DE CONTROL.
- DISTRIBUCION DEL NUMERO DE RACHAS PARA (n1?n2) <10
En todo trabajo hay dispersión.
Los datos sin dispersión son datosfalsos.
Sin análisis estadístico(análisis de calidad
y de proceso) no puede haber un control eficaz.
El C.C. empieza con un cuadro de controly
termina con un cuadro de control.

KAORUISHIKAWA(1)

1
 INTRODUCCION.

La aplicación de los métodos estadísticos en d control de calidad, se inidó,

de acuerdo con la información obtenida, en la década de los años 30, en los
laboratorios Bell de los Estados Unidos de Norteamérica, con la uíilizadón de un
cuadro de control ideado por d Dr. W.A Shewhart

Este tipo de control de calidad se utilizó ampliamente durante la Segunda

Guerra Mundial, optimizando la producción en la industria norteamericana.
Posteriormente fize adoptada por Japón donde su práctica coadyuvó a mejorar la
manufactura de diversos productos permitiendo incrementar sensiblemente las
exportaciones de este país.

La definición dd control de calidad que expresan las Normas Industriales

Japonesas dicea&í:íz)

"Un sistema de métodos de producción que económicamente genera

bienes o servicios de calidad, acordes con los requisitos de los
consumidores. El control de calidad moderno utiliza métodos estadísticos
y suele llamarse control de calidad estadístico".

2
 El control de calidad estadístico en su modalidad japonesa se enfoca al
control del proceso: investigación de mercado- diseño- producción- ventas, a
diferencia del control de calidad basado en la inspección de productos terminados.
Como explica K. Ishikawaí3). “si en vez de acudir a la inspección dejamos de
producir artículos defectuosos desde el comienzo, en otras palabras, si
controlamos los factores del proceso que ocasionan productos defectuosos
ahorraremos mucho dinero que de otra manera se gastaría en inspección”.

Este enfoque ocasionó que la actividad de control de calidad restringida a

los niveles supervisores, emergiera para ocupar la atención de la Dirección de las
empresas cambiando radicalmente las ideas sobre la Administración Esta
modalidad entre cuyos precursores están el Dr. W. Edwards Deming, el Dr. J. M.
Juran y el Dr.Kaoru Ishikawa, involucra conceptos novedosos como la
consideración de los clientes como parte del proceso, o la promoción e institución
de círculos voluntarios de control de calidad y la utilización de herramientas
estadísticas relativamente simples pero que permiten seleccionar decisiones más
racionales que intuitivas. Al respecto Ishikaw adice:
"... hasta un 95% de los problemas de una empresa se pueden resolver con estas
herramientas" refiriéndose a las siguientes:

• Cuadro de pareto (principio de los pocos vitales, muchos triviales)

• Diagrama de causa y efecto o Diagrama de espina de pescado.
• Estratificación
• Hoja de verificación

3
• Diagrama de dispersión.
• Gráficas y cuadros de control (de Shewart)
Por su grado de dificultad, Ishikawa denomina estas 7 técnicas como
método estadístico elemental. Considera como métodos estadísticos intermedios:
• Teoría del muestreo.
• Inspección estadística por muestreo.
• Estimaciones y pruebas estadísticas.
• Pruebas sensoriales.
• Diseño de experimentos
Y como método estadístico avanzado establece:
• Métodos avanzados de diseño de experimentos
• Análisis multivariado
• Investigación de operaciones.

Por su parte Deming d i c e "La posibilidad de que la gente esté orgulloso

de su trabajo significa más, para el trabajador, que los gimnasios, campos de
tenis y áreas de recreo... Las personas necesitan en su carrera, más que él
dinero, oportunidades para añadir algo, material o de otro tipo, a la sociedad".

Como puede observarse, la práctica del control de calidad en este orden de

ideas, implica d control en cada fase del proceso de producdón de bienes o
servidos, amplía el concepto de diente ubicándolo a lo largo de toda la cadena de
producdón de manera que cada grupo de trabajo que agrega valor a la materia

4
 prima es "cliente" del grupo anterior y sirve al siguiente grupo, hasta llegar
al consumidor final.
En cada fase el control Estadístico, al tomar en cuenta la variabilidad
natural del proceso, proporciona elementos de juicio al trabajador para
tomar decisiones sólo en casos de que aparezca una causa de variación que
sea ajena al sistema, y deja a la Dirección o Gerencia la oportunidad y ía
responsabilidad de innovar para efectuar cambios que reduzcan la
variabilidad natural, pudiendo así mejorar continuamente la calidad, siempre
en función de los requerimientos del consumidor final. Las herramientas
básicas para que ésto se lleve a efecto son los cuadros de control que
constituyen el contenido de este trabajo.
Respecto al uso de planes de muestreo para aceptación de lotes, es
interesante transcribir las palabras del Dr. Deming <£>:
"Si se utilizan para la auditoría de calidad del producto final tal como
sale por la puerta, lo que hacen es garantizar que algunos clientes
reciban productos defectuosos... increíblemente, los cursos y libros
sobre los métodos estadísticos todavía dedican tiempo y páginas al
muestreo de aceptación".
En este trabajo se presenta el procedimiento para elaborar las gráficas
para el control de la mediaba variación del proceso, la proporción de
defectuosos y el número de defectuosos por unidad. La utilización de estos
elementos de control por parte de supervisores y operarios bien entrenados,
es sencilla y permite lograr una producción de alta calidad.

5
 I VARIABLE DE CALIDAD. CAUSAS ATRIBUIBLES Y
VARIACION ALEATORIA.

Una variable de calidad es una característica de un producto o de un

proceso, susceptible de sea* medida y para la cual se ha establecido una
especificación de su magnitud, aceptando que varíe dentro de ciertos límites
previamente convenidos.

La variacaóm dt; las mediciones que se hacen & una variable de calidad
ocurren en el tiempo y sus causas pueden ser múltiples y producir cambios según
un patrón identificable o sucederse al azar. En el primer caso se traía de una
variación cuya CAUSA ATRIBUIRLE debe ser definida y eliminada; el segundo
caso se considera una VARIACION ALEATORIA y cuando esto ocurre se dice
que el proceso está bajo control estadístico, independientemente de que las
mediciones proporcionen valores dentro de los límites convenidos o queden fuera
de dios.

Entonces d procedimiento lógico «insiste en lograr que el proceso esté

bajo control (estadístico), eliminando las "causas atribúibles" de variación y
después disminuir las variaciones de modo que las mediciones de la variable de
calidad produzcan valores dentro dd intervalo especificado como aceptable. Esta
condición se muestra en la figura 1.

6
En las condiciones mostradas, es importante establecer un control o medio dé
verificación a fin de detectar, cuando ocurran, valores medios que se ubiquen más
allá de tres desviaciones estándar alrededor de la media / a, . Igualmente es
importante detectar cambios en la varianza de la distribución de las mediciones.

Estos controles se efectúan por medio del diagrama de X (diagrama de

medias) y el diagrama de R (diagrama de variabilidad).

En dichos diagramas se grafican los valores X (media muestral) y R (rango

muestral) obtenidos de las muestras que deberán tomarse periódicamente.

7
 D. DIAGRAMA DE X PARA EL CONTROL DE LA MEDIA.

Cuando el proceso está bajo control, se sabe que las medias muéstrales X
deben variar aleatoriamente alrededor de la media pobladonal /t y quedar
comprendidas en casi su totalidad dentro del intervalo - 3<rx £ ^ 3<rx

JJ, se estima con la media X de, preferentemente 25 o más medias

muéstrales.

3<tz se calcula utilizando la media de los rangos muéstrales y un factor A2,

cuyo valor está en función dd tamaño de muestra n y se halla tabulado (ver tabla
19 en d enexo) . Es decir 3ax = A2R donde R = ( Z R¿ )/K siendo K ^ 25 d
número de muestras que se obtienen a intervalos de tiempo determinados.

La figura 2 muestra un diagrama de X

x limite superior de control ( LSC )
/ y

3 o*
JX= x \
/

limite inferior de control , 3<Jv (LIC ) V

0 i__ i i ■ « i i < <__i — 1.1 i__ 1.1 i i__ i i i i /

número de la muestra
i i í

Fig.2

8
OBSERVACIONES.-^

El estimador a = — ;d2 es un número que depende de "n" y se halla

«2
tabulado. Sirve para hacer de a un estimador insesgado si el muestreo se efectúa
en una población con distribución normal

Por lo tanto a R /d2 R

>/n Vñ d2V«

Para efecto de calcular los límites de control, 3ax = =4

queda 3<tx -A¿ R donde A2 es un factor que, como se mencionó, se halla tabulado.

9
 m. DIAGRAMA DE R PARA EL CONTROL DE LA
VARIACION DEL PROCESO.

En la medida que la varianza de la variable de calidad es menor, (y la media

se halle dentro de las especificaciones) es más probable que las mediciones que se
hagan a dicha variable se ubiquen dentro del intervalo especificado como
aceptable. Para vigilar esa variación se utiliza el diagrama de R, que se construye
como sigue:

1. - El eje del diagrama corresponde al valor de la media de los rangos muéstrales

Mr = R-
2. - Los límites de control (LSC y LIC) se determinan sumando y sustrayendo la
cantidad 3 ctr al valor de R

Como en el caso del diagrama de X, se simplifica el cálculo utilizando los

factores D3 y D4 que se hallan tabulados en función del tamaño "n" de las
muestras.

En consecuencia, los LIMITES DE CONTROL se obtienen así:

LIC = D3R
l sc = d 4 r

10
Ejemplo. Imaginemos un ejecutivo interesado en optimizar su tiempo de traslado
diario, para lo cual registra los minutos que utiliza cada día en esa actividad Se
muestran los datos de 10 semanas y la gráfica de x resultante.

TIEMPO DE VIAJE®
PASO 1: SEMANA
i°
1 I 2 M 1 4 1 5 6 1 7 1 8 I 9
55 90 100 70 55 754 120 65 70 100
75 95 75 110 65 85 110 65 85 80
MINUTOS 65 60 75 65 95 65 65 90 60 65
80 60 65 60 70 65 85 90 65 60
80 55 65 60 70 65 70 60 75 80
X= 71 72 76 73 71 71 90 74 71 77
R= 25 40 35 50 40 20 55 30 25 40

PASO 2: PASO 3: n = 5; A2= 0.577 ;D 3=0;D 4 = 2. 115.

x = 74. 6 LSC = X + A2 R =74.6 + (0.577) (36) = 95.37.
UC = X -A 2 R = 74.6-(0.577) (36) = 53. 83.
R = 36 LSC = D4R=(2.115) (36) = 76.14.
LIC D3 R =(0) (36) = 0

11
PASO 4: GRAFICA DE X

X = 74.6

EJEMPLO CONTROL DE PEDIDOS

GRAFICA DE R

EFnúmero de pedidos cumplimentados se registra cada media hora Cada

punto del gráfico procede de cuatro medias horas consecutivas; X es el número
medio de pedidos cumplimentados en cuatro medias horas consecutivas; R es el
recorrido entre estos cuatro números. El cálculo de los límites de control sigue las
fórmulas usuales:
12
 x= 1200, R= 1372
ParaX:
LCS
LCI = X + A 2R =
=1200+ (0.729) (1372) =
Í2200
[200

Para R: LCS = DJL = (2.282) (1372) = 3131

L C I= D 3R = 0
donde los valores numéricos de las constantes A2 =0.729, D3 =0 y D4 =2.282
proceden de la tabla 19 que se halla a i el anexo.

13
 EJERCICIOS
1.- Se calcularon las medias y las amplitudes de 30 muestras de tamaño
n=10 para un proceso que se consideró bajo control. Las medias de los 30
valores de x y de los 30 valores de R , fueron x = 20.74 y R = 3.49.
a) Estimación de a del proceso mediante R
b) ¿Por qué S calculada a partir de 300 observaciones de 30 muestras
podría producir una mejor estimación de ct que la estimación
mediante el rango?
c) Determinar los límites superior e inferior de control para una gráfica
d) ¿Cuál es el propósito de un diagrama de x ?
e) Construir un diagrama de x para el proceso ¿cómo se puede aplicar?
SOLUCIONES

d2 = 3.078 ( ver tabla 19 anexo ) ct= 1.134

b) Por que el estimador de ctes s
c) LSC = 1 + A2 R Con A2 = 0.308 LSC = 20.74 + (0.308) (3.49)
LIC = f -A 2 R LIC =20.74-(0.308) (3.49)
LSC = 21.815
LIC = 19.665
d) El propósito de un diagrama de x es verificar sistemáticamente que los
promedios de las muestras obtenidas no se apartan de la media en más de
3ctx. Principalmente permite observar la variación del proceso y determinar
si dicha variación es aleatoria o por causa atrtbiiible.

14
 LSC
21.81

20.74
x

LIC
19.66
i i i i-----------------------------1—i- i -
MUESTRAS DE LA 1 A LA 30

2.- Se calcularon las medías y las amplitudes de 40 muestras de tamaño

n = 5 para un proceso que se consideró bajo control. Las medias de los 40
valores de x y de los 40 valores de R, fueron x = 155.9 y R = 17.2.
a) Señale una estimación mediante la amplitud para la desviación estándar
a del proceso.
b) Determine los limites superior e inferior de control para un diagrama
deX .
c) Construir un diagrama de x para el proceso y explicar como se puede
usar.
SOLUCIONES.-
a)
c = R_
d2
para n = 5 d2 = 2.326 entonces a = 17.2/2.326 =7.39
b) L SC =X + A 2 R Paian = 5 LSC = 155.9 + (0.577) (17.2) = 165.8
LIC = X -A 2R A2 = 0.577 LIC = 155.9 - (0.577) (17.2) = 145.9

15
C)

1 Se ubica el promedio I de cada muestra en la unidad de tiempo que le

corresponde y en su magnitud.
2. - Si una media no esta dentro de los límites de control es "una advertencia
de un posible cambio en la media del proceso", que requiere un análisis
del proceso para determinar la causa.
3. - Se debe verificar la VARIACION ALEATORIA o DETERMINAR LAS
CAUSAS ATRIBUIBLES DE LA VARIACION.
3.- Utilice la información del ejercicio 1 para elaborar un diagrama de R.
¿ Cuál es el propósito de una gráfica de R ?
solución:
La recta central del diagrama de R se ubica en el estimado de p* = R .
Los límites de control LSC = }1R+ 3a„ y LIC = J1R- 3a„ se reduce a :
LSC = D4R y D3R D3 = 0.223 D4 = 1.777

16
 620 LSC

R
3.49

LIC
0.78
l-l f-l-H----------------------------------------- H -4
M UESTRAS D E LA 1 A LA 30

El proposito de una gráfica de R es detectar posibles cambios en la

variación del proceso . Cuando la amplitud R de alguna muestra queda
fuera de los límites de control deberá investigarse el porqué de ese valor
anormalmente grande o pequeño de R Puede deberse a cambios en la
materia prima, o en cualquiera de las variables que afectan el proceso.

4 .- Utilice la información del ejercicio 2 para trazar una gráfica de R

¿ Cual es el propósito de un diagrama de R ?
SOLUCION:
LSC = D4R = (2.115) (17.2) = 36.38; LIC = D3R = (0) (17.2) = 0

17
 Un diagrama de R se dibuja para trabajar en él la gráfica de los rangos
muéstrales.

5.- Un casino registra y gráfica la media y la amplitud de las ganancias o

pérdidas diarias en cinco mesas de juego en gráficas de X y R . Las medias
de las medias y de las amplitudes para 40 semanas fueron X=$10752 y
R=$6425
a) trazar una gráfica de X para la ganancia media diaria por mesa de
juego.
b) ¿ Qué ventajas obtendría el gerente del casino con la gráfica de X?

SOLUCIONES.-Con n = 5

a) Para el diagrama de X : A2R = (0.577)(6425) = 3707.23

Línea central: 10752
LSC = 10752 + 3707.23 = 14459.23
LIC = 10752 - 3707.23 = 7044.77

18
 14459 LSC

10752 _________x
LIC
7044

M UESTRAS D E LA 1 A LA 40

b) Puede determinar periódicamente :

* Si todas las X están dentro de los límites de control en caso contrario
debe
investigar la causa del cambio de la media
* Si la variación de las X es aleatoria o existe una causa atribuible de
variación.
6.- Trazar una gráfica de R para la ganancia diaria por mesa de juego del
ejercicio 5. ¿Qué ventajas obtendrá con esta gráfica el gerente del casino?
n= 5 X $10752 ; R = $6425
LSC = D4 R = (2.115)(6425) = 13588.87 ; LIC = D3 R = (0)(6425) = 0

M UESTRAS DE LA 1 A LA 40

La amplitud de las muestras debe variar aleatoriamente alrededor del

eje central R y permanecer dentro de los límites de control , en caso
contrario debe existir alguna variable que afecte, lo cual es de interés
primordial.

19
7.- El gerente del casino del ejercicio 5 también gráfico las ganancias o
pérdidas diarias para cada mesa de juego. La ganancia media para la mesa
1,calculada según 40 días fue x = $ 10940 y la desviación estándar de la
muestra fue $ 5130.
a) Si la ganancia x para el que reparte los naipes en la mesa 1 tuviera una
distribución con media jj, y desviación estándar a, ¿dentro de que límites
esperarían que cayera x casi todos los días ?
b) Ya que se dispone de estimaciones para \x y a , trazar una gráfica
X (n =1) para las ganancias diarias de la mesa 1.
c) ¿Qué valor tendría la gráfica del inciso b) para el gerente del casino?
SOLUCIONES.-
a) Para la m esa 1 en 40 d ía s, n = 40; x = 10940;
1 -=fa - =—^¡M J4Q — =811.12
LSC = x + 3 CTX = 10940 +3(811.12) = 13373.36
LIC = x - 3 crx = 10940 - 3(811.12) = 8506.64
b)
LSC
13373
10940
x
LÍC
8506

DÍAS D EL 1 A L 40

c) La gráfica anterior le permitirá al gerente controlar la mesa 1.

8.- Los datos del la tabla miden la radioactividad ( en milésimas de la

unidad correspondiente ) en partículas de aire dentro de una planta de
energía nuclear. Se registraron 4 mediciones semanarias durante 26
semanas. Trazar un diagrama de x y localizar los 26 valores de x.
¿ cómo se aprovechará la gráfica ?

20
 Sem. m e d id a s d e la r a d n c t t n . Sem. medidas de la radraorin.
fí X t X2 X s X « x R # X t Xz X s X * ~x R
1 31 32 30 31 3 1 .0 0 2 14 29 28 29 29 2 8 .7 5 1

2 25 26 25 25 2 5 .2 5 1 15 31 29 30 31 3 0 .2 5 2

3 29 29 31 30 2 9 .7 5 2 16 14 16 16 17 1 5 .7 5 3

4 35 37 34 35 3 5 .2 5 3 17 19 19 21 20 1 9 .7 5 2

5 22 24 22 23 2 2 .7 5 2 18 24 24 24 25 2425 1

6 30 29 30 30 2 9 .7 5 1 19 29 27 28 28 28JOO 2

7 19 19 18 19 1 8 .7 5 1 20 32 30 31 30 3 0 .7 5 2
8 27 28 28 28 2 7 .7 5 1 21 41 41 38 39 404» 4
9 34 32 33 33 334» 2 22 34 36 36 35 3525 2
10 17 16 18 18 1 7 .2 5 2 23 21 22 24 22 2225 3
11 22 20 20 21 2 0 .7 5 2 24 29 29 30 29 2925 1
12 16 18 17 17 17J00 2 25 16 17 17 16 1 6 .5 0 1
13 15 17 10 17 1 6 .7 5 3 26 20 21 28 2 2 2 0 .7 5 2

X — -6^ = 25.63 R =
26
A2R = (0.729X1.92) = 1.4 ; LSC = 25.63 + 1.4 = 27.03 ; LIC = 25.63 -1.4 = 24.23

40*

30 ■
L S C -2 7
25.6
■ LIC = 24.2
20 *

n ' - ' 1 ' l o 1 1 [ ] ¡5i 111 j o 1 1 1 1 ¿ 1

M UESTRAS

21
 BIBLIOTECA
CHIBAD DOCENTE INTEfiDlSClPUNAAÜ
DE ECONOMIA Y ESTADISTICA
Aunque la variación parece ser aleatoria, hay demasiadas medias fuera de
los limites de control que indican causas atribulóles que deben identificarse
y eliminarse.
9.- Elabora un diagrama de R para los datos del ejercicio ? 8 .
¿Cómo se utilizará la gráfica?
DATOS.- n = 4 EJE CENTRAL-R = 1.92 D3= 0
LSC = D4R = (2.282) (1.92) = 4.38 ; LIC = D3R = 0

La gráfica de variabilidad parece ser una sucesión aleatoria y estar dentro de

los límites de control.
10.- Una planta energética que quema carbón, prueba y mide tres muestras
de combustible diariamente para vigilar el porcentaje de ceniza en éste. Las
medias de las medias y amplitudes muéstrales fueron: x = 7.24 y R = 0.27
a) Trazar una gráfica de x para el proceso y explicar qué ventajas puede
obtener de ella el superintendente de la planta.

22
 b) Construir una gráfica de R para el proceso. Explicar qué beneficios se
pueden obtener del diagrama
á) GRAFICA DE X :
n = 3 A2= 1.023 A2R=0.28 LSC= 7.24+0.28 = 7.52 LIC=7.24 - 0.28 = 6.96

Ventajas.- Saber si existen causas atribuibles de variación para investigarlas

y corregirlas,
b) GRAFICA DE R .-
D4=2.575; D3=0 LSC=2.575 (0.28)=0.721 LIC=0

0.72 LSC

0.27 R

O LIC
H —I—H -----------------
M UESTRA

La gráfica de R sirve para controlar la variación del proceso.

23
 IV.DIAGRAMA DE P PARA EL CONTROL DE LA
PROPORCION DE ARTICULOS DEFECTUOSOS.
Cuando los artículos producidos se clasifican solamente como buenos o
defectuosos al comparados con las especificaciones, una muestra aleatoria de
dichos artículos tendrá una distribución de probabilidad binomial.

Para verificar si el proceso está bajo control, se procede (de manera similar
a los casos anteriores) a elaborar un diagrama de "p" (proporción de defectuosos),
y a tomar muestras de tamaño “n” periódicamente.

Se obtiene la estimación media de defectuosos promediando las

Pt
proporciones muéstrales, es decir, p = ^ ~ 7A— dondept son las proporciones
muéstrales y K 25 el número de muestras.
La estimación de la desviación estándar se calcula con:

Íp CT- p)
t' =i ~

El eje dd diagrama corresponde al valor de p y los límites de control son:

LSC=P+ 3 jp Q -p )

24
 4
L/C:■ — J 12 ?

H ejemplo que sigue ® pone de manifiesto una manera de utilizar el

diagrama de p.

EJEM PLO(10).
Inspección defectuosa causada por el miedo. En el gráfico de control de
la fig. se muestra el registro diario, durante dos meses, de la proporción de
unidades defectuosas encontradas en la auditoría final de un producto listo para
enviar. La proporción media de unidades defectuosas en los dos meses era de 8,8
por 100. Los límites de control son:
4c Límite de control superior, 14,4
O3
V3
oO 151—
C

n = 225 p = 0.088 ú 8.8% o

-o 1 0 HA A A - Línea>A.Ak
central 8,8
^
T-2*3
®

LCS
a
cou
LC1 p ± 3 ^ p ( l - p)/n = c Limite de control inferior. 3,1
Q_

0-088 ± ( 3 ) (0,0189) =
_L
10 15 20 25~ ■-

0,144 ó 14,4% Enero Febrero

0,031 ó 3,1%
Número ordinal del día de la semana

La figura 5 indica una situación curiosa Los movimientos hada arriba y

hada abajo de los puntos son demasiado estrechos, a la vista de los límites de
control. Dos posibles explicadones acuden a lamente:

1. La uniformidad de la proporción de unidades defectuosas ha sido incorporada

Esto no es en absoluto extraño. Por ejemplo, 12 plataformas que giran para la
estampadón. Una de las plataformas va mal. Las otras 11 siguen fundonando

25
 bien. El producto resultante tiene una estampación defectuosa por cada 12;
1/12 es el 8,3 por 100 que aparece en el gráfico.

2. Las cifras del gráfico no tienen ningún significado.

Descartamos la primera explicación al conocer íntimamente el proceso y las

circunstancias. La segunda explicación nos parecía plausible. El inspector no
estaba seguro, tenía miedo. Corría d rumor por la planta de que d director
cerraría la planta y se desharía de ella si la propordón de unidades defectuosas en
la auditoría final llegaba cualquier día al 10 por 100. El inspector estaba
protegiendo el trabajo de 300 empleados.

Vemos nuevamente que cuando hay temor, hay cifras erróneas. La

organización fúndona según la idea que los trabajadores tienen metida en la
cabeza No importa en absoluto si a i realidad d director quiere cerrar con un 10
por 100 de unidades defectuosas.

Comunicamos a la alta direcdón nuestra explicadón: d miedo, El

problema desapareció cuando el gerente de esta planta se buscó otro trabajo, y
entró un nuevo gerente.

26
 V. DIAGRAMA DE C PARA EL CONTROL DEL NUMERO
DE DEFECTOS POR UNIDAD.
Si se requiere controlar d número de defectos por artículo producido, se
utiliza un diagrama de C.

"C" es el número de defectos por unidad, es decir, por artículo producido o

por unidad de área, longitud o volumen del artículo que se produce. En este caso
se considera que "C" tiene una distribución de probabilidad de Poisson.

El diagrama de control, similar a los anteriores requiere también de k > 25

muestras obtenidas a intervalos determinados de tiempo en las cuales se determina
“C”
El eje del diagrama corresponde al valor de pie y los límites de control sé)
determinan agregando y disminuyendo a P*. el triple de su raíz cuadrada, ya que
para la distribución de probabilidad de Poisson la varianza es igual a la media

Entonces se tiene parad eje -C=-~,k -con k^25

T ia

y los límites de control: LSC = C + 3 J e

U C = C -3V ?
El ejemplo que sigue ilustra una aplicación interesante/11^

27
 Las equivocaciones que aquí se cuentan podrían ser errores al llevar los
libros, equivocaciones a i los planos de ingeniería, errores de cálculo, errores de
los operadores de montaje o cualquier otra cosa

Nombre Número de
equivcadones
Juanita........... - ......................................... ........... 10
Andrés.................................................................... 15
Guille.----............................................................. 11
Paco................................................. - .........- ......... 4
Ricar.do................................................ 17
Caditos.................................................................... 23
Alicia...................................................................... 11
Tomás........... .........................................- .......... 12
Jóana...................................................................... 10
Total 113

Ya es hora de hacer las evaluaciones y las recomendaciones para los

aumentos. ¿A quien se premia? ¿A quien se penaliza? Primero, ¿qué márgenes
se deberían dejar para los efectos del sistema en el que trabajan las personas? Los
cálculos, a continuación:
113
=12,55
Cálculo de los límites de variación atribuibles al sistema:

Límite superior\
=12,55± 3^12,55 =
Límite inferior
23,2
1,9

28
 Por tanto, ninguna de las nueve personas cae fuera de los límites
calculados. Las diferencias aparentes entre las nueve personas bien podrían
adscribirse a la acción del resto del sistema La misma fórmula que tenga la
compañía para los aumentos de salario se debería aplicar a todas las personas.

29
11.- Explique la diferencia entre los diagramas p y C
El diagrama p sirve para d control de la "propordón de defectuosos"
(fracción de defectuosos). El diagrama C sirve para el control del
numero de defectuosos por unidad.
diagrama p diagrama C

P =i=W k k = c = |c ¡ / k
l

LSC LSC\= C ± 3 j c
}4 ± 3 0(1-5) LIC /
LIC \

k : # de muestras ( k > 25) (k> 25)

n :tamaño de la muestra
p : Fracción de defectuosos
Nota : si el LIC resulta negativo se toma
como su valor cero, es decir
LIC > 0 por que p no puede ser negativo.
C : # de defectos por unidad
Nota :LIC > 0 ya que C puede
ser negativo.

12.- Se seleccionaron muestras de n = 100 artículos cada hora durante

100 horas y se calculó la proporción muestral de defectuosos por hora. La
media de las 100 proporciones muéstrales fue 0.035
a) Utilice los datos para obtener LSC y LIC para un diagrama de p.
b) Trace una gráfica de p para el proceso y explique como se puede
aprovechar.
SOLUCIONES
a) p = 0.035
L S C \ =p + * ata = 0.035 +
A O f0 035¥0.9fiS)
LIC / y ~ N n J 100

30
 LSC = 0.035 + 0.0551 = 0.0901
LIC = 0.035 - 0.0551 =-0.0201 ( es decir 0 )
b)

M UESTRA

Si el proceso esta bajo control las proporciones muéstrales deben

estar dentro de los límites de control y tener una distribución aleatoria
respecto al eje del diagrama

13.- Se seleccionaron muestras horarias de n = 200 artículos durante 100

horas y se calculó la proporción muestral de defectuosos por hora La media
de las 100 proporciones muéstrales filé de 0.041
a) Utilice los datos hallar los LSC y LIC para una gráfica de p.
b) Construya un diagrama de p para el proceso y explique cómo se puede
utilizar
S o lu c ió n :
a) p =0.041
Ls<n
>=0.041 ± 3 \| (0.0411(0.959)
200
LIC )
LSC = 0.041 +0.042 = 0.083
L IC = 0.041 —0.042 —*■ 0

31
 \

b)

M UESTRA

Sirve para controlar la proporción de defectuosos. Si el proceso está bajo

control, las proporciones muéstrales deben ubicarse dentro de los límites de
control y distribuirse aleatoriamente.

32
14.- Se registró el número de C de defectos horarios por unidad durante
100 horas, y el número medio de defectos por unidad fúé 0.7.
a) Use los datos para obtener los LSC y LIC para una gráfica de C.
b) Construya un diagrama de C y explique cómo se puede aplicar.
SOLUCIONES .-
a)
C = 0.7 = íi LSC _ /— ____
^ > ^C ± 3 jc ; 3 JC = 3.J0.7 = 2.5
. LSC = 0.7 + 2.5 = 3.2
LIC = 0.7 - 2.5 -----v o
b)

M UESTRA

Los números de defectos por unidad en cada hora deben ubicarse

dentro de los límites de control y distribuirse aleatoriamente para considerar
el proceso bajo control.
15.- Se registró el número C de defectos por unidad cada hora durante
200 horas, y el número medio de defectos por unidad fué 1.3
a) Obtenga LSC y LIC para una gráfica de C.
33
b) Construya tal gráfica y explique cómo se puede emplear
SOLUCIONES:
a)
C = fl= 1.3
— A
LSC _
LIC h1■ =c +“ \ ^
LSC = 1.3+ 3.42 = 4.72 LIC = 1.3-3.42
b)

M UESTRA

Sirve para controlar el número de defectos por unidad. Dicho número en

cada hora debe quedar ubicado a i la gráfica, dentro de los límites de control
y distribuirse aleatoriamente respecto al eje C.
16.- Un fabricante de remaches de latón muestrea 400 piezas cada hora y
calcula la proporción de defectuosos en la muestra La proporción muestral
media, calculada para 200 muestras, filé igual a 0.021 . Trazar una gráfica
de control para la proporción de defectuosos en muestras de 400 remaches.
Explicar qué ventajas puede lograr el administrador con la gráfica de
control.

34
 SOLUCION.-
p = 0.021

LSC1
O ÍO. 020(0.979)
u c r 0 021 ± “ S 400

LSC = 0.021 + 0.0215 = 0.0425 LIC = 0.021 - 0.0215 ->*0

El fabricante puede controlar la proporción de defectuosos.

17.- Un director de personal localiza el número de accidentes personales

en la planta por Pies en una gráfica de control. En un periodo de 30 meses,
el promedio de número de accidentes por mes fue de 3.7 . Elabore un
diagrama de control y explique cómo se puede utilizar.
SOLUCION
C = 3.7 LSC } = C ± 3 n C = 3.7 + 3 J 3 J
LIC

LSC = 3.7 + 5.77 = 9.47 LIC = 3.7 - 5.77------ >- 0

35
 M UESTRA

Sirve para verificar que los accidentes son los que correponden a las
condiciones de seguridad de la planta, mientras su promedio mensual este
dentro de los límites de control y su distribución sea aleatoria.
18.- Una compañía registra y localiza en una gráfica de control el número
de quejas recopiladas durante 52 semanas, fue de 4.9 quejas semanales.
Trazar una gráfica de control para el número de quejas de clientes por
semana Diga que''valor representa la gráfica de control para un
administrador o gerente.
SOLUCION.-
C = 4.9
LSC
^ = 4 .9 ± 3 N4.9
L1C

LSC = 4.9 + 6.64 = 11.54 LIC = 4.9 -6.64— ► 0

36
 A través de la gráfica de control puede observarse si el promedio
semanalde quejas es normal para las condiciones de atención a los clientes.
Si la variación deja de ser aleatoria deberá encontrarse alguna causa
aíribuible.
19.- El director de una compañía de materiales para la construcción
muestrea al azar madera nueva a fin de comprobar si satisfacen las
especificaciones de calidad. Se examinaron 100 piezas de madera de 2 x 4
pulgadas, de cada cargamento y se juzga según si son de primera clase
aceptables) o de segunda (defectuosas).
Las proporciones de las piezas 2 x 4 de segunda clase, registradas para
30 cargamentos, fueron:
0.14, 0.21, 0.19, 0.18, 0.23, 0.20, 0.25, 0.19, 0.22, 0.17, 0.21, 0.15, 0.23,
0.12, 0.19, 0.22, 0.15, 0.26, 0.22, 0.21, 0.14, 0.20, 0.18, 0.22, 0.21, 0.13,
0.20,0.23,0.19,0.26.

37
 Construir una gráfica de control para la proporción de piezas de
segunda clase en muestras de 100 de los envíos. ¿ que“"utilidad puede tener
el diagrama de control para el gerente de la compañía ?
SOLUCION
ÍS = ^ = 0 .1 9 fi LSC 0.196 +
LIC

LSC-0.196 + 0.119 = 0.315 LIC = 0.196 - 0.119 = 0.077

Si las propofciones muéstrales p futuras se mantienen dentro de los

límites y su distribución es aleatoria los cargamentos tendrán una calidad
estable.

38
 VI PRUEBA DE NO ALEATORIEDAD.
En cada uno de los diagramas de control que se han mencionado, se acepta
que el proceso o fenómeno que muestran está "bajo control" si los valores
graficados se ubican aleatoriamente a ambos lados del eje de la gráfica.

Para verificar tal aleatoriedad o su inexistencia es necesario incluir en este

reporte la prueba correspondiente.

La prueba de "rachas" tiene el siguiente procedimiento:

Io. Ho: La sucesión de puntos de la gráfica resulta de un proceso aleatorio.

Ha' La sucesión de puntos de la gráfica resulta de un proceso no aleatorio.

2o. Se cuenta el número de rachas r, así como el número de puntos arriba y abajo
del eje de la gráfica, ni y n2 respectivamente, (ni y n2 no deben ser mayores de 10.
Para valores mayores de ni y n2 se realiza otra prueba)

3o. Con ayuda de la tabla 20 del anexo que da la distribución del total de rachas, se
determina la "región de no rechazo de Ho" fijando r^ según n!, n2y a o a!2 según
que la prueba sea unicolar o bicolar.

4o. De acuerdo con el valor de roes. se rechaza o no Ho.

39
 Número de radias.
R e g ió n d e re c h a z o R e g ió n d e n o re c h a z o R e g ió n d e re c h a z o

P{r<,r¿) = o c / 2 H r Í < r < r 2 ) = 1 — «= P ( r ^ r 2) = o c /2

Ti r2
El manejo de la tabla 20 del anoto que se menciona, se muestra con el ejemplo
que sigue.

( A p u n to a rrib a d e l e je
B : p u n to b a jo d g e ).

n j= 6 (seis puntos A)
n2=5 (cinco puntos B)
t = 1 radias (4 sucesiones de A y 3 sucesiones de B)

3o. Uso de la tabla de la distribudón de radias. Prueba de 2 colas, a =0.1

aJ2 = 0.05

40
 (ai 112) 2 3 4 ____ 8 9

0
l¡
l
1
(2.3)
(2.4)

(3,3)

(5,5)
(5,6) 0.004 0.024 0.110 0.911 0.976 0.998

Para definir ri: lo más cercano a a /2= 0.05 es 0.024 ri = 3

Para definir r2: 1-0.05 = 0.95; lo más próximo es 0.976 r2 = 9

3 9 RACHAS
REGION REGION
*OBS =7
DE DE
RECHAZO RECHAZO

rl r2
P(r < 3) = 0.024
P(r> 9) = 1-0.976 = 0.024
a = 0.024 + 0.024 = 0.048
con a = 0.048 no se rechaza Ho. Es decir, no hay evidencia para considerar
que la sucesión de puntos haya sido generada por un proceso no aleatorio.

En el caso de que ni >10 y n2 >10 la prueba de rachas se verifica

transformando la r (total de rachas) en Z (estadística para una prueba normal
estándar).

41
v>on las mismas mpoiesis nmay aiiema, ei proceoimienio es: z
2”i ”2 + 1
calculando fi, = 71,+Wj

calculando ar =
2nt
(ni+«2) f a + « i -l )

Región de rechazo. -
Para la prueba de una cola Z < - Z a
Para la prueba de dos colas: Z < -Z a /2 ó Z > Z a /2

42
20.- Para una sucesión aleatoria de ni letras A y n2 letras B, encuentre la
probabilidad de que el numero de rachas r se menor o igual a rq para los
siguientes c.asos. SOLUCION : (ver tabla 20 en el enexo)
a) n¡ = 5 , n2 = 7 , ro = 4 P(r< 4) = 0.076
b) ni = 6

Ui
IA
c-

►■i
¿a
Tf
I

a
I
G

o
o
r\
c) ni = 8 , n2 = 10 , r0 = 7 P (r< 7) = 0.117
d) ni = 10 , n2 = 10 , r0 = 5 P(r < 5) = 0.004

21.- Para una sucesión aleatoria de nt letras A y n2 letras B, obtenga el

numero de rachas r0, tal que P (r < r0) 0.05, para los siguientes casos.
SOLUCION : ( ver tabla 20 en el anexo )
a) n¡ = 4 n2 = 10 io = 4
b) n¡ = 6 n2 = 10 r0 = 5
c) ni = 7 n2 = 8 rO = 5
d) ni = 3 n2 = 4 r0 = 4

22.- Para una sucesión aleatoria de ni letras A y n2 letras B, encuentre el

numero de rachas r0, tal que P (r < r0) 0.10, para los siguientes casos.
SOLUCION : ( ver tabla 20 en el anexo )
a) ni = 5
lo-H

O*
I
s1
I i I I

b) ni = 4 r0 = 3
c) nj = 8 ro = 6
00 O
G* G*

d) ni = 10
o1
00I

23.- Determine jir y u r cuando nt =20 y n2 = 15

2 1 1 ^ + l 2(20)05) + 1 = 18.14
^ n1+n2 20+15

43
 2n 1n2(2n1n2-n1-n2) 2(20)05) [2(20X15)- 20,-lS] = 2.85
(nrf-ns^CiM +iia-l) N (20+ 15)2 (20+15-1)
24.- Calcule p, ry a r cuando ni =25 y n2 = 30
SOLUCION:
2(25)(30)
Mt = = + 1=28.27
25+ 30
Or = 2(25)(30) [2(25)(3Q) - 25 - 30] = 3.64
N (25 + 30)2 (25 + 30-1)
25.- Utilice la aproximación normal para, muestras grandes de la
distribución del numero de radias r en una sucesión aleatoria de nx = 10
letras A y n2 = 10 letras B, para calcular P (r < 8). Comparar la
aproximación con el valor exacto dado en la tabla 20 del anexo.
SOLUCION:
20ffl0ffl + i = l l 2aQ¥io)r2no)no)-io-ioi = 217
1CH-10
Nj ( 10+ 10)2 (10+ 10- 1)

7 S -ll = 1.382 que corresponde a un a=0.5 - 0.4162= 0.0838

2.17 por lo tanto con aproximación nonnal P (r < 8) =0.0838
y en la tabla 20 se encuentra para n x= n 2= 10 , P (r < 8)
= 0.128.
26.- Utilice la prueba de rachas para probar la inaleatoriedad de las
desviaciones respecto al eje para los 26 valores de x del ejercicio 8.
AAAABABAABBBBAABBBAAAABABB
nj = 14, n2 = 12 r = 12 Hq La sucesión es aleatoria
Como nx y n2 son mayores de 10 se utiliza la prueba normal estandár Z .

44
 f l = 2Q4)(12) +1 = 1 3 9 2 2(14X12) f 2(14X12) -14 -121 2 .4 8
r 14+12 J (14 + 12)2 (14 + 12-1)

Z = r - aJ ífr
r
= 12 - 13-92- = - 0.7741
248

Para la prueba de una cola con = 0.05, Z = - 1.645 que define la

región de rechazo de Ho para valores menores a este. Como Z cale, es
mayor, se considera que no hay evidencia para rechazar la hipótesis de que
la sucesión de las desviaciones fue generada por un proceso aleatorio.

27.- Aplique la frecuencia de rachas para probar la inaleatoriedad de las

desviaciones |respecto al eje páralos 30 valores de p del ejercicio 19.
SOLUCION:
B A B B A A A B A B A B A BB A B A A A B A B A A B A A B A
ni = 17 n2 = 13 r = 22 Ho = La sucesión es
aleatoria
Como nj y n2 son mayores de 10 se utiliza la estadística Z de la prueba
normal estándar

= 207)03) = + 1 = 1 5 .73
17+13
°r= 2(17X13)12(17X13)-17-13] _ 2,64
Nj (17 + 13)2 (17 + 13-1)
= r-jXf = 2.64
-,, .? =
2 2 15 3 2 .3 7 5

Para - 0.05 en la prueba de una cola, Z = 1.625 y como el valor calculado

para Z es mayor, se rechaza Hq con un nivel de significancia de 5%

45
 28.- La empresa matriz de una corporación selecciona a sus ejecutivos
de entre el personal de sus dos subsidiarias, la CIA. A y la CIA. B La
empresa matriz seleccionó, durante los últimos 3 años, 9 ejecutivos de las
subsidiarias, el primero de la CIA B, el segundo de A, etc. La sucesión
siguiente muestra el orden en el cual se seleccionaban los ejecutivos y la
subsidiaria de donde provinieron :
BAAABAAAB
¿ Proporciona esta sucesión selectiva suficiente evidencia para
implicar una inaleatoriedad en la selección de los ejecutivos por parte de la
empresa matriz de entre sus subsidiarias ?
nj = 6 n2 = 3 r = 5 para a = 0.05 H q : La sucesión es
aleatoria

En una prueba de 2 colas, = 0.025 (ver tabla 20 del anexo) el valor

más próximo es 0.024 que define r¡ = 2 como límite de la zona inferior de
rechazo.
Luego 1 - 0.024 = 0.976 ; el valor cercano en la tabla 20 es 0.881 que
define T2 = 6 como límite de la zona superior de rechazo.
Entonces a = 0.024 + (1 - 0.881) = 0.024 + 0.119 = 0.143
Como r = 5 rachas queda en la zona de no rechazo, ( entre r2y r2 ),
No hay evidencia para rechazar Hq con = 0.143

29.- Se ha elaborado una gráfica de control para cierta característica

medible de artículos tomados de un transportador industrial en un punto
dado de una línea de producción. Las mediciones obtenidas hoy en orden
cronológico, son:
46
68.2, 71.6, 69.3, 71.6, 70.4, 65.0, 63.6, 64.7 X= 544.4
tot. = 1082.7
65.3, 64.2, 67.6, 68.6, 66.8, 68.9, 66.8, 70.1 2 = 538.3
a) Clasifique las mediciones de esta serie de tiempo como "arriba" o "
abajoMe la media muestral y determinar ( con la prueba de rachas ) si
observaciones consecutivas indican falta estabilidad en el proceso de
producción.
b) Divida el tiempo en dos partes iguales y compare las medias, utilizando
la prueba T de student.
¿ proporcionan los datos evidencia de un desplazamiento en el nivel medio
de la característica de calidad ?
SOLUCIONES:
a)
X = - 1082-7 = 67 j67
16
Ho : la sucesión es aleatoria
Prueba de 1 cola.- Rechaza Hq si r < rl Con a = 0.10
A A A A A B B BB B BA B A B A
nj = 8 n2 = 8 r = 7 En la tabla 0.1 = p (r < 6) entonces r = 7 > r¡ = 6
Por lo tanto no se rechaza Hq
b) x, = — .'4-1.4 68 05 X = — 538 3 - 67.29
8 *
H 0:5 j - x 2 = 0 ¿ H ^ . X j - x ^ O ; ct = 0.05
X c 2= S f e 2 f e j -xzf = 122.4._ = g 74
S I+ i n 1+n , - 2 M
\ nl n2
s = 2.95
68.05-67.29= n 2.145
2.95 1 ^ ia b ~ *0.025,14

1 8

47
 632 88JJ5 y2- 23L52 ( 7tt4 - 6&05 f - 5JS2 ( 853 - 6729 3L96 ( 66JB- 6729)*> 024
71.6-68.05)2= 1Z69 <65 - 68.05 9.30 (6 4 2 -6 7 2 9 )^ 9 .5 4 <6&9-6 7 2 9 )|= Z59
(69l3-68 l05)*= 1.56 < 63^ -6&05)*=19J)8 ( 67j6 -6729)*= a096<66.8-6729f= 024
[71.6-68.05) = 12.60 (64,7-68 l05) =1122 <68tf-6729 ) = 1.72 <70.1 - 6729 >= 7.89

( X I - X 1 ) 2= 96.12 ( X I - X Z ) 2=26276 Te = 0.52 < T TAB = 2.145 No se

: No «e ha desplazado el nivel medio. rechaza HO

48
 BIBLIOGRAFIA.

1. - Principios de estadística no paramétrica

ALBERTO CASTILLO M., M. MIGUEL OJEDA R , U. VERACRUZANA.

2. - Estadística para administradores.

WELLIAM MENDENHALL. Editorial Iberoamericana.

3. - Calidad, Productividad y competitividad.

W. EDWARDS DEMING. Ediciones Díaz de Santos,S. A.

4 - Cómo Administrar con el Método Deming.

MARY WALTON. Editorial Norma

5. - ¿Qué es el control total de calidad?

La modalidad japonesa
KAORUISHIKAWA Editorial Norma

6. - Control de Calidad Estadística

EUGENE L. MONTGOMERY. C.E.C.S.A.

7. Control Estadístico de la Calidad

DOUGLAS C. MONTGOMERY Editorial Iberoamericana

49
NOTA.- Los números que se presentan numerados del 1 al 29 son
propuestos en el capitulo 16 del libro "Estadistica para Administradores” de
W. Mendelhall. De la misma obra se han tomado las tablas estadísticas que
constituyen el anexo.

50
 REFERENCIAS

DE LA OBRA: REF.NÚM. PÁG.

A.-¿Qué es el control total de calidad? 1 191

2 40
3 17
4 192

B.-Calidad, Productividad y Competitividad. 5 65

6 102
9 266
10 204,205,206
11 87

C.- Cómo administrar con el método Deming. 8 126,127

D.- Estadística para Administradores. 7 702

13 759 a 762,
768,
798 a 800

51
 ANEXO .
TABLAS ESTADISTICAS.

52
 TABLA 1 Probabilidades binomiales
Los valores tabulados son P(x < a) =£/>(*)•
x=0
(Los cálculos se redondean a
la tercera cifra decimal).
(a) n = 5
í)
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 a
0 0.951 0.774 0.590 0.328 0.168 0.078 0.031 0.010 0.002 0.000 0.000 0.000 0.000 0
1 0.999 0.977 0.919 0.737 0.528 0.337 0.188 0.087 0.031 0.007 0.000 0.000 0.000 1
2 1.000 0.999 0.991 0.942 0.837 0.683 0.500 0.317 0.163 0.058 0.009 0.001 0.000 2
3 1.000 1.000 1.000 0.993 0.969 0.913 0.812 0.663 0.472 0.263 0.081 0.023 0.001 3
4 1.000 1.000 1.000 1.000 0.998 0.990 0.969 0.922 0.832 0.672 0.410 0.226 0.049 4

(continuación)
(b) n = 10
P
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 a

0 0.904 0.599 0.349 0.107 0.028 0.006 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0
1 0.996 0.914 0.736 0.376 0.149 0.046 0.011 0.002 0.000 0.000 0.000 0.000 0.000 1
2 1.000 0.988 0.930 0.678 0.383 0.167 0.055 0.012 0.002 0.000 0.000 0.000 0.000 2
3 1.000 0.999 0.987 0.879 0.650 0.382 0.172 0.055 0.011 0.001 0.000 0.000 0.000 3
4 1.000 1.000 0.998 0.967 0.850 0.633 0.377 0.166 0.047 0.006 0.000 0.000 0.000 4
5 1.000 1.000 1.000 0.994 0.953 0.834 0.623 0.367 0.150 0.033 0.002 0.000 0.000 5
6 1.000 1.000 1.000 0.999 0.989 0.945 0.828 0.618 0.350 0.121 0.013 0.001 0.000 6
7 1.000 1.000 1.000 1.000 0.998 0.988 0.945 0.833 0.617 0.322 0.070 0.012 0.000 7
8 1.000 1.000 1.000 1.000 1.000 0.998 0.989 0.954 0.851 0.624 0.264 0.086 0.004 8
9 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.994 0.972 0.893 0.651 0.401 0.096 9

53
 (c) 11 = 15
P
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 a

0 0.860 0.463 0.206 0.035 0.005 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0
1 0.990 0.829 0.549 0.167 0.035 0.005 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1
2 1.000 0.964 0.816 0.398 0.127 0.027 0.004 0.000 0.000 0.000 0.000 0.000 0.000 2
3 1.000 0.995 0.944 0.648 0.297 0.091 0.018 0.002 0.000 0.000 0.000 0.000 0.000 3
4 1.000 0.999 0.987 0.836 0.515 0.217 0.059 0.009 0.001 0.000 0.000 0.000 0.000 4
5 1.000 1.000 0.998 0.939 0.722 0.403 0.151 0.034 0.004 0.000 0.000 0.000 0.000 5
6 1.000 1.000 1.000 0.982 0.869 0.610 0.304 0.095 0.015 0.001 0.000 0.000 0.000 6
7 1.000 1.000 1.000 0.996 0.950 0.787 0.500 0.213 0.050 0.004 0.000 0.000 0.000 7
8 1.000 1.000 1.000 0.999 0.985 0.905 0.696 0.390 0.131 0.018 0.000 0.000 0.000 8
9 1.000 1.000 1.000 0.000 0.996 0.966 0.849 0.597 0.278 0.061 0.002 0.000 0.000 9
10 1.000 1.000 1.000 1.000 0.999 0.991 0.941 0.783 0.485 0.164 0.013 0.001 0.000 10
11 1.000 1.000 1.000 1.000 1.000 0.998 0.982 0.909 0.703 0.352 0.056 0.005 0.000 11
12 1.000 1.000 1.000 1.000 1.000 1.000 0.996 0.973 0.873 0.602 0.184 0.036 0.000 12
13 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.995 0.965 0.833 0.451 0.171 0.010 13
14 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.995 0.965 0.794 0.537 0.140 14

54
continuación,
(d) n = 20

P
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 a

0 0.818 0.358 0.122 0.012 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0
1 0.983 0.736 0.392 0.069 0.008 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1
2 0.999 0.925 0.677 0.206 0.035 0.004 0.000 0.000 0.000 0.000 0.000 0.000 0.000 2
3 1.000 0.984 0.867 0.411 0.107 0.016 0.001 0.000 0.000 0.000 0.000 0.000 0.000 3
4 1.000 0.997 0.957 0.630 0.238 0.051 0.006 0.000 0.000 0.000 0.000 0.000 0.000 4
5 1.000 1.000 0.989 0.804 0.416 0.126 0.021 0.002 0.000 . 0.000 0.000 0.000 0.000 5
6 1.000 1.000 0.998 0.913 0.608 0.250 0.058 0.006 0.000 0.000 0.000 0.000 0.000 6
7 1.000 1.000 0.000 0.968 0.772 0.416 0.132 0.021 0.001 0.000 0.000 0.000 0.000 7
S 1.000 1.000 1.000 0.990 0.887 0.596 0.252 0.057 0.005 0.000 0.000 0.000 0.000 8
9 1.000 1.000 1.000 0.997 0.952 0.755 0.412 0.128 0.017 0.001 0.000 0.000 0.000 9
10 1.000 1.000 1.000 0.999 0.983 0.872 0.588 0.245 0.048 0.003 0.000 0.000 0.000 10
11 1.000 1.000 1.000 1.000 0.995 0.943 0.748 0.404 0.113 0.010 0.000 0.000 0.000 11
12 1.000 1.000 1.000 1.000 0.999 0.979 0.868 0.584 0.228 0.032 0.000 0.000 0.000 12
13 1.000 1.000 1.000 1.000 1.000 0.994 0.942 0.750 0.392 0.087 0.002 0.000 0.000 13
14 1.000 1.000 1.000 1.000 1.000 0.998 0.979 0.874 0.584 0.196 0.011 0.000 0.000 14
15 1.000 1.000 1.000 1.000 1.000 1.000 0.994 0.949 0.762 0.370 0.043 0.003 0.000 15
16 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.984 0.893 0.589 0.133 0.016 0.000 16
17 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.996 0.965 0.794 0.323 0.075 0.001 17
18 1.000 1.000 1.000 1.000 1.000 1,000 1.000 0.999 0.992 0.931 0.608 0.264 0.017 18
19 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.988 0.878 0.642 0.182 19

55
 continuación,
(e) n = 25
P
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 a

0 0.778 0.277 0.072 0.004 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0
1 0.974 0.642 0.271 0.027 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1
2 0.998 0.873 0.537 0.098 0.009 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 2
3 1.000 0.966 0.764 0.234 0.033 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000 3
4 1.000 0.993 0.902 0.421 0.090 0.009 0.000 0.000 0.000 0.000 0.000 0.000 0.000 4
5 1.000 1.999 0.967 0.617 0.193 0.029 0.002 0.000 0.000 0.000 0.000 0.000 0.000 5
6 1.000 1.000 0.991 0.780 0.341 0.074 0.007 0.000 0.000 0.000 0.000 0.000 0.000 6
7 1.000 1.000 0.998 0.891 0.512 0.154 0.022 0.001 0.001 0.000 0.000 0.000 0.000 7
S 1.000 1.000 1.000 0.953 0.677 0.274 0 .Ö54 0.004 0.005 0.000 0.000 0.000 0.000 8
9 1.000 1.000 1.000 0.983 0.811 0.425 0.115 0.013 0.000 0.000 0.000 0.000 0.000 9
10 1.000 1.00Ó 1.000 0.994 0.902 0.586 0.212 0.034 0.002 0.000 0.000 0.000 0.000 10
11 1.000 1.000 1.000 0.998 0.956 0.732 0.345 0.078 0.006 0.000 0.000 0.000 0.000 11
12 1.000 1.000 1.000 1.000 0.983 0.846 0.500 0.154 0.017 0.000 0.000 0.000 0.000 12
13 1.000 l.ÒOO 1.000 1.000 1.994 0.922 0.655 0.268 0.044 0.002 0.000 0.000 0.000 13
14 1.000 1.000 1.000 1.000 1.998 0.966 0.788 0.414 0.098 0.006 0.000 0.000 0.000 14
15 1.000 1.000 1.000 1.000 1.000 0.987 0.885 0.575 0.189 0.017 0.000 0.000 0.000 15
16 1.000 1.000 1.000 1.000 1.000 0.996 0.946 0.726 0.323 0.047 0.000 0.000 0.000 16
17 1.000 1.000 1.000 1.000 1.000 1.999 0.978 0.846 0.488 0.109 0.002 0.000 0.000 17
18 1.000 1.000 1.000 1.000 1.000 1.000 0.993 0.926 0.659 0.220 0.009 0.000 0.000 18
19 1.000 1.000 1.000 1.000 1.000 1.000 0.998 0.971 0.807 0.383 0.033 0.001 0.000 19
20 1.000 1.000 1.000 l.'OOO 1.000 1.000 1.000 0.991 0.910 0.579 0.098 0.007 0.000 20
21 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.998 0.967 0.766 0.236 0.034 0.000 21
22 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.991 0.902 0.463 0.127 0.002 22
23 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.998 0.973 0.729 0.358 0.026 23
24 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.996 0.928 0.723 0.222 24

56
TABLA 4. Áreas bajo la curva normal.

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.4753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.44582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0. 4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0. 4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0. 4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0 . 4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

57
TABLA 19. (FRAGMENTO)
NUM. DE OBSERVACIONES
EN LA MUESTRA:
n a2 d3 d4

2 1.880 0 3.276
3 1.023 0 2.575
4 0.729 0 2.282
5 0.577 0 2.115
6 0.483 0 2.004
7 0.419 0,076 1.924
8 0.373 0.136 1.864
9 0.337 0.184 1.816
10 0.308 0.223 1.777
11 0.285 0.256 1.744
12 0.266 0.284 1.719
13 0.249 0.308 1.692
14 0.235 0.329 1.671
15 0.223 0.348 1.652
16 0.212 0.364 1.636
17 0.203 0.379 1.621
18 0.194 0.392 1.608
19 0.187 0.404 1.596
20 0.180 0.414 1.586
21 0.173 0.425 1.575
22 0.167 0.434 1.566
23 0.162 0.443 I .557
24 0.157 0.452 1.548
25 0.153 0.459 1.541

58
TABLA 20. Distribución del número total de rachas r en muestra de tamaño
(ni, n2), P(r< r0)_______________________________________________—
a

( b u n i), 2 3 4 5 6 7 8 9 10

23
( , ) 0.200 0.500 0.900 1.000
24
( , ) 0.133 0.400 0.800 1.000
( 2 , 5) 0.095 0.333 0.714 1.000
( 2, 6) 0.071 0.286 0.643 1.000
( 2 , 7) 0.056 0.250 0.583 1.000
( 2 , 8) 0.044 0.222 0.533 1.000
( 2,9 ) 0.036 0.200 0.491 1.000
( 2 , 10) 0.030 0.182 0.455 1.000
33
( , ) 0.100 0.300 0.700 0.900 1.000
34
( , ) 0.057 0.200 0.543 0.800 0.971 1.000
35
( , ) 0.036 0.143 0.429 0.714 0.929 1.000
( 3, 6 ) 0.024 0.107 0.345 0.643 0.881 1.000
( 3 , 7) 0.017 0.083 0.283 0.583 0.833 1.000
( 3 , 8) 0.012 0.067 0.236 0.533 0.788 1.000
( 3 ,9) 0.009 0.055 0.200 0.491 0.745 1.000
( 3 , 10) 0.007 0.045 0.171 0.455 0.706 1.000
44
( , ) 0.029 0.114 0.371 0.629 0.886 0.971 1.000
45
( , ) 0.016 0.071 0.266 0.500 0.786 0.929 0.992 1.000
46
( , ) 0.010 0.048 0.190 0.405 0.690 0.881 0.976 1.000
( 4 , 7) 0.006 0.033 0.142 0.333 0.606 0.833 0.954 1.000
( 4 ,8) 0.004 0.024 0.109 0.279 0.533 0.788 0.929 1.000
( 4 , 9) 0.003 0.018 0.085 0.236 0.471 0.745 0.902 1.000
( 4, 10) 0.002 0.014 0.068 0.203 0.419 0.706 0.874 1.000
55
( , ) 0.008 0.040 0.167 0.357 0.643 0.833 0.960 0.992 1.000
56
( , ) 0.004 0.024 0.110 0.266 0.522 0.738 0.911 0.976 0.998
57
( , ) 0.003 0.015 0.076 0.197 0.424 0.652 0.854 0.955 0.992
( 5,8) 0.002 0.010 0.054 0.152 0.347 0.576 0.793 0.929 0.984
( 5, 9) 0.001 0.007 0.039 0.119 0.287 0.510 0.734 0.902 0.972
( 5, 10) 0.001 0.005 0.029 0.095 0.239 0.455 0.678 0.874 0.958
66
( , ) 0.002 0.013 0.067 0.175 0.392 0.608 Ó.825 0.933 0.987
( 6 , 7) 0.001 0.008 . 0.043 0.121 0.296 0.500 0.733 0.879 0.966
( 6 , 8) 0.001 0.005 0.028 0.086 0.226 0.413 0.646 0.821 0.937
( 6 , 9) 0.000 0.003 0.019 0.063 0.175 0.343 0.566 0.772 0.902
( 6, 10) 0.000 0.002 0.013 0.047 0.137 0.288 0.497 0.706 0.864
77
( , ) 0.001 0.004 0.025 0.078 0.209 0.383 0.617 0.791 0.922
78
( , ) 0.000 0.002 0.015 0.051 0.149 0.296 0.514 0.704 0.867
( 7 . 9) 0.000 0.001 0.010 0.035 0.108 0.231 0.427 0.622 0.806
( 7 , 10) 0.000 0.001 0.006 0.024 0.080 0.182 0.355 0.549 0.743
88
( , ) 0.000 0.001 0.009 0.032 0.100 0.214 0.405 0.595 0.786
89
( , ) 0.000 0.001 0.005 0.020 0.069 0.157 0.319 0.500 0.702
8 10
( , ) 0.000 0.000 0.003 0.013 0.048 0.117 0.251 0.419 0.621
99
( , ) 0.000 0.000 0.003 0.012 0.044 0.109 0.238 0.399 0.601
9 10)
( , 0.000 0.000 0.002 0.008 0.029 0.077 0.179 0.319 0.510
( 1° , ! 0 ) 0.000 0.000 0.001 0.004 0.019 0.051 0.128 0.242 0.414

59
TABLA20 (Concluye) a

11 12 13 14 . 15 16 17 18 19 20

PA
P<0
PA
m
PA
PA
pa
W0>
OA
<3^
PA
0Æ
PA
Oft
OA
OlO)
PA
«A
PA
PA
PA
PA
P.lft
OA
<54 1.000
PA 1.000
PA 1000
PA L0Û0
OJA 1000
m 0603 IjOOO
<6.7) 0692 0666 LOCO
<<&> 0684 0666 IjOOO
<6» 0673 0664 1.000
W ft 095a 0660 IjOOO
0.7) 0675 0666 0666 1800
OA 0646 0683 0993 \OQQ I jOOO

PA 0616 0675 0664 066» 1.000

OJA 0876 Û6S7- 0660 0603 I jOOO

<8ft 0600 0663 0661 0666 1800 1.000

<8A oao 0636 0680 0606 0666 IjOOO IjOOO

A10) 0783 0603 0664 0600 0608 LOOO LOOO
PA 0762 0661 0656 0683 0607 1.000 IjOOO 1.000
WA 0681 0334 0603 0674 0600 0660 LOOO 1600 1600
OVA 0586 0758 0872 0646 0631 0606 0600 1.000 LOOO

60