Sunteți pe pagina 1din 95
SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL INDUSTRIA ALIMENTARIA MANUAL DE APRENDIZAJE CONTROL

SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL

SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL INDUSTRIA ALIMENTARIA MANUAL DE APRENDIZAJE CONTROL
SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL INDUSTRIA ALIMENTARIA MANUAL DE APRENDIZAJE CONTROL

INDUSTRIA

ALIMENTARIA

ADIESTRAMIENTO EN TRABAJO INDUSTRIAL INDUSTRIA ALIMENTARIA MANUAL DE APRENDIZAJE CONTROL ESTADÍSTICO DE PROCESOS

MANUAL DE APRENDIZAJE

EN TRABAJO INDUSTRIAL INDUSTRIA ALIMENTARIA MANUAL DE APRENDIZAJE CONTROL ESTADÍSTICO DE PROCESOS CÓDIGO: 89001563

CONTROL ESTADÍSTICO DE PROCESOS

CÓDIGO: 89001563

CONTROL ESTADÍSTICO DE PROCESOS TEMA ÍNDICE PÁG. I. INTRODUCCIÓN. 9 II. PROCESO ESTADÍSTICO. 11 III.

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS TEMA ÍNDICE PÁG. I. INTRODUCCIÓN. 9 II. PROCESO ESTADÍSTICO. 11 III.

TEMA

ÍNDICE

PÁG.

I. INTRODUCCIÓN.

9

II. PROCESO ESTADÍSTICO.

11

III. COLOCAR UN PROCESO BAJO CONTROL ESTADÍSTICO 13

IV. CONCEPTOS ESTADÍSTICOS FUNDAMENTALES

15

4.1. La Distribución de Frecuencias.

20

4.2. Medidas de Posición.

23

4.3. Estadísticos de Variabilidad o Dispersión

33

4.4. Medidas de Covariación y Correlación

36

V. HISTOGRAMAS DE FRECUENCIA

39

VI. GRÁFICAS DE CONTROL POR VARIABLES

43

VII. GRÁFICAS DE CONTROL POR ATRIBUTOS.

54

VIII. ANÁLISIS DE LA CAPACIDAD DE PROCESO.

66

IX. HERRAMIENTAS PARA SOLUCIONAR PROBLEMAS

DE CALIDAD.

70

9.1. Tormenta de ideas (brainstorming)

70

9.2. Diagrama de Ishikawa (Causa-Efecto)

73

9.3. Hojas de Control.

79

9.4. Diagrama de Pareto

85

X. EJERCICIOS DIVERSOS.

91

XI. BIBLIOGRAFÍA.

95

9.4. Diagrama de Pareto 85 X. EJERCICIOS DIVERSOS. 91 XI. BIBLIOGRAFÍA. 95 INDUSTRIA ALIMENTARIA 5
9.4. Diagrama de Pareto 85 X. EJERCICIOS DIVERSOS. 91 XI. BIBLIOGRAFÍA. 95 INDUSTRIA ALIMENTARIA 5
CONTROL ESTADÍSTICO DE PROCESOS Hacia una cultura de responsabilidad. David FISCHMAN (*) ¿Que es lo

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Hacia una cultura de responsabilidad. David FISCHMAN (*) ¿Que es lo más

Hacia una cultura de responsabilidad. David FISCHMAN (*)

¿Que es lo más importante para alcanzar el éxito en la vida: “una buena educación o tener “contactos”?- Esa fue una de las preguntas que la revista América Economía se hizo en un estudio sobre ejecutivos de negocios, realizado simultáneamente en Argentina, Brasil, Colombia, Chile, México, Venezuela y Perú. Lo que más llamó la atención fue que el Perú es el único país donde los ejecutivos consideran que las conexiones personales son significativamente más importantes que su nivel de educación para lograr el éxito en la vida.

Estos resultados nos revelan una creencia muy arraigada en el Perú: el éxito no depende de nosotros mismos, de nuestro esfuerzo o de nuestra perseverancia, sino más bien de terceras personas o circunstancias, de contactos, varas u oportunismos. Esta creencia viene acompañada de una marcada actitud ante la vida; no hacernos responsables de nosotros mismos,

no afrontar los problemas, no tomar la iniciativa y culpar siempre a terceros de

nuestras desgracias.

En otras palabras, lo que Steven Covey llamaría “actitud reactiva”: la incapacidad de enfrentar nuestro destino con seguridad y determinación. La gran pregunta es ¿por qué?

Parte de la respuesta tiene que ver con nuestro pasado y educación. En el curso del largo y difícil proceso que llevó a la formación del Perú como país, se puede advertir ciertos factores constantes desde el Incanato hasta nuestros días, que han contribuido a la formación de una cultura reactiva. Estos factores

se

agrupan en torno a los conceptos de centralismo, estatismo y autoridad.

La

formación del Imperio Incaico, mediante el sometimiento de las culturas

preincas, es la culminación de un difícil y nada pacífico proceso de centralización, que se corona con el establecimiento de una autoridad

verticalmente impuesta.

A continuación, la colonización hispanoamericana muestra un marcado

contraste con la ocupación de América del Norte. Mientras la conquista española se iniciaba como una empresa pública -en nombre, por encargo y autoridad de la Corona-, los pioneros que ocupaban el territorio norteamericano lo hacían en base a su propia iniciativa y sin el respaldo de un Estado. El

norteamericano lo hacían en base a su propia iniciativa y sin el respaldo de un Estado.
norteamericano lo hacían en base a su propia iniciativa y sin el respaldo de un Estado.
CONTROL ESTADÍSTICO DE PROCESOS resultado: este último tipo de colonización dio origen a un sistema

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS resultado: este último tipo de colonización dio origen a un sistema basado

resultado: este último tipo de colonización dio origen a un sistema basado en la iniciativa individual que reforzaba las actitudes y los valores de la determinación, responsabilidad, perseverancia e independencia. En cambio, en Iberoamérica, se construía un Estado basado en la realidad española de fines del medioevo, que introducía conceptos tales como cooperativismo, centralización, autoritarismo y burocracia, como hacen notar Véliz y Prats.

Los conceptos propios de la tradición se heredan, prolongan y extienden al nacimiento de las repúblicas independientes y el Perú no es ajeno a ello. De allí que sus reglas básicas y su economía permanecieran basadas en el mercantilismo y en la hegemonía del Estado, al decir de Wiarda. Sus organizaciones políticas, según Prats -y, añadiría yo, sus organizaciones empresariales- fueron más jerárquicas y autoritarias que democráticas y participativas. Este sistema político y económico reforzó los valores y actitudes de dependencia y pasividad, y profundizó la creencia de que son terceras personas o circunstancias las que definen las vidas de las personas.

Otro elemento que explica la formación de una cultura reactiva es nuestra educación, que responde al molde tradicional concebido para la era industrial. De acuerdo a ese concepto, lo que se requería era formar trabajadores obedientes, disciplinados, que se desempeñaran bien en líneas de ensamblaje industrial, ejerciendo labores repetitivas, sin necesidad de iniciativa, liderazgo o creatividad.

En la mayoría de escuelas del Perú se sigue usando el sistema tradicional de enseñanza, donde el profesor posee y expone los conocimientos, mientras el alumno se limita a escuchar y tomar notas, Este sistema solo genera valores y actitudes de pasividad, acostumbrando al alumno a que le digan lo que tiene que hacer, sin crearse el hábito de indagar por sus propios medios, destreza necesaria para la formación de iniciativa y de independencia.

En honor a la verdad, el fenómeno de una cultura reactiva no es sólo peruano; en mayor o menor medida, se da en todo el mundo. La sociedad en que vivimos tiende a reforzar el concepto de no hacernos responsables de nuestras vidas. En los versos de la música latinoamericana es muy frecuente encontrar manifestaciones de esta cultura, como el popular bolero que interpreta Luis Miguel: “Usted es la culpable/ de todas mis angustias/ y todos mis quebrantos”. Puede que la búsqueda de culpables sea muy romántica y convierta las canciones en éxitos, pero también trae como consecuencia el refuerzo de una cultura reactiva.

canciones en éxitos, pero también trae como consecuencia el refuerzo de una cultura reactiva. INDUSTRIA ALIMENTARIA
canciones en éxitos, pero también trae como consecuencia el refuerzo de una cultura reactiva. INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS Y, sin embargo, esta cultura está cambiando porque el mundo está

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Y, sin embargo, esta cultura está cambiando porque el mundo está cambiando.

Y, sin embargo, esta cultura está cambiando porque el mundo está cambiando. El Perú hoy en día se enmarca en una economía globalizada, donde las empresas compiten agresivamente con mucha calidad y donde la única ventaja comparativa válida que dura en el tiempo es la capacidad de innovar rápidamente. Este nuevo entorno exige organizaciones diseñadas para potenciar al máximo sus recursos humanos, trabajando con equipos autodirigidos con poder, y explotando la creatividad e iniciativa de sus miembros.

Ya no es posible que las organizaciones sean dirigidas por pocas personas que piensan y toman las decisiones, y seguidas por mucha gente que se limita a hacer lo que se le indica.

Este nuevo entorno empresarial esta logrando un nuevo cambio en la cultura ejecutiva peruana, reforzando y premiando la responsabilidad, la iniciativa, la determinación y la independencia.

La educación también está cambiando, con la modernización de la metodología de enseñanza escolar. Un estudio desarrollado por la Universidad Peruana de Ciencias Aplicadas revela que actualmente el 60 % de colegios privados en Lima incorpora técnicas de enseñanza creativa en el proceso de aprendizaje, aplicando técnicas que fomentan el descubrimiento y dejando de lado las clases expositivas.

Víctor Frakle, autor del libro “El hombre en búsqueda de sentido”, señala que las circunstancias externas constituyen apenas el 10 % de nuestro desempeño en la vida, el 90 % restante viene de nuestra capacidad interior para afrontar retos. Quizás los peruanos, hace una década, teníamos los porcentajes invertidos. Pero está realidad está cambiando; Estoy seguro de que si América Economía repitiera el estudio en tres años más, los resultados serían drásticamente diferentes.

(*) Director del Centro de Liderazgo e Innovación. Universidad Peruana de Ciencias Aplicadas.

(*) Director del Centro de Liderazgo e Innovación. Universidad Peruana de Ciencias Aplicadas. INDUSTRIA ALIMENTARIA 8
(*) Director del Centro de Liderazgo e Innovación. Universidad Peruana de Ciencias Aplicadas. INDUSTRIA ALIMENTARIA 8
CONTROL ESTADÍSTICO DE PROCESOS I. INTRODUCCIÓN. La Estadística se ocupa de la recolección, agrupación,

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS I. INTRODUCCIÓN. La Estadística se ocupa de la recolección, agrupación,

I.

INTRODUCCIÓN.

La Estadística se ocupa de la recolección, agrupación, presentación, análisis e interpretación de datos.

La Estadística actual es el resultado de la unión de dos disciplinas que evolucionaron de forma independiente hasta confluir en el siglo XIX:

el Cálculo de Probabilidades, que nació en el siglo XVII como la teoría matemática de los juegos de azar.

La “Estadística” o ciencia del Estado, que estudia la descripción de datos, y que tiene una raíces más antiguas, de hacho, tan antiguas como la humanidad (censos de población)

La interacción de ambas líneas de pensamiento da lugar a la ciencia que estudia cómo obtener conclusiones de la investigación empírica mediante el uso de modelos matemáticos.

Por lo tanto, la Estadística actúa como disciplina puente entre los modelos matemáticos y los fenómenos reales.

Un modelo matemático es una abstracción simplificada de una realidad más compleja y siempre existirá una cierta discrepancia entre lo que se observa y lo previsto por el modelo.

La Estadística proporciona una metodología para evaluar y juzgar estas discrepancias entre la realidad y la teoría.

Cuando coloquialmente se habla de estadística, se suele pensar en una relación de datos numéricos presentada de forma ordenada y sistemática. Esta idea es la consecuencia del concepto popular que existe sobre el término y que cada vez está más extendido debido a la influencia del entorno, ya que hoy día es casi imposible que cualquier medio de difusión -periódico, radio, televisión, etc.- no aborde diariamente cualquier tipo de información estadística sobre accidentes de tránsito, índices de comportamiento económico, población, turismo, tendencias políticas, etc.

Sólo cuando uno se encuentra en un mundo más específico como es el campo de la investigación de las Ciencias: Medicina, Biología, Psicología, Ingeniería; se empieza a percibir que la Estadística no sólo es algo más, sino que se

Ingeniería; se empieza a percibir que la Estadística no sólo es algo más, sino que se
Ingeniería; se empieza a percibir que la Estadística no sólo es algo más, sino que se
CONTROL ESTADÍSTICO DE PROCESOS convierte en la única herramienta que, hoy por hoy, permite dar

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS convierte en la única herramienta que, hoy por hoy, permite dar luz

convierte en la única herramienta que, hoy por hoy, permite dar luz y obtener resultados, y por tanto beneficios, en cualquier tipo de estudio, cuyos movimientos y relaciones, por su variabilidad intrínseca, no pueden ser abordadas desde la perspectiva de las leyes deterministas.

Desde un punto de vista, más amplio, se puede definir a la estadística como la ciencia que estudia cómo debe emplearse la información y cómo dar una guía de acción en situaciones prácticas que entrañan incertidumbre.

La Estadística se ocupa de los métodos y procedimientos para recoger, clasificar, resumir, hallar regularidades y analizar los datos, siempre y cuando la variabilidad e incertidumbre sea una causa intrínseca de los mismos; así como de realizar inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones.

Se podría por tanto clasificar la Estadística en descriptiva, cuando los resultados del análisis no pretenden ir más allá del conjunto de datos, e inferencial cuando el objetivo del estudio es derivar las conclusiones obtenidas a un conjunto de datos más amplio.

objetivo del estudio es derivar las conclusiones obtenidas a un conjunto de datos más amplio. INDUSTRIA
objetivo del estudio es derivar las conclusiones obtenidas a un conjunto de datos más amplio. INDUSTRIA
CONTROL ESTADÍSTICO DE PROCESOS II. PROCESO ESTADÍSTICO. Un proceso de fabricación es un conjunto de

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS II. PROCESO ESTADÍSTICO. Un proceso de fabricación es un conjunto de equipos,

II. PROCESO ESTADÍSTICO.

Un proceso de fabricación es un conjunto de equipos, materiales, personas y métodos de trabajo que genera un producto fabricado.

y métodos de trabajo que genera un producto fabricado. Para analizar el comportamiento del proceso, se

Para analizar el comportamiento del proceso, se toman muestras de producto fabricado y se realizan ensayos para determinar el valor de una característica de calidad seleccionada previamente. Desde el punto de vista del control estadístico, es conveniente incluir la etapa de muestreo y ensayo dentro del proceso mismo.

la etapa de muestreo y ensayo dentro del proceso mismo. Cualquier modificación en las condiciones del

Cualquier modificación en las condiciones del proceso (Modificación en el equipo, cambio de materias primas, etc.) conceptualmente debe considerarse como que se trata de otro proceso, diferente del anterior.

El primer paso para aplicar una técnica estadística es definir la característica de calidad que se va a medir en el producto fabricado. Desde el punto de vista estadístico, esta característica de calidad constituye una variable aleatoria, porque aún después de realizar una serie de mediciones, el valor que se obtendría en la siguiente medición no puede predecirse por cálculo.

El conjunto de todos los resultados de mediciones que pueden obtenerse es el universo o población. Cualquier subconjunto de mediciones extraído del

pueden obtenerse es el universo o población. Cualquier subconjunto de mediciones extraído del INDUSTRIA ALIMENTARIA 11
pueden obtenerse es el universo o población. Cualquier subconjunto de mediciones extraído del INDUSTRIA ALIMENTARIA 11
CONTROL ESTADÍSTICO DE PROCESOS universo constituye una muestra. Con respecto al concepto de universo o

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS universo constituye una muestra. Con respecto al concepto de universo o población,

universo constituye una muestra. Con respecto al concepto de universo o población, cuando se aplica a resultados de mediciones en un proceso, es necesario puntualizar lo siguiente: La población o universo de resultados es el conjunto de datos que se obtuvieron hasta ese momento mas aquellos que se obtendrían si el proceso continuara funcionando siempre bajo las mismas condiciones. Esto se conoce como Universo Hipotético de mediciones de la característica de calidad.

Antes de aplicar cualquier técnica estadística, es necesario establecer algunas hipótesis bajo las cuales se va a desarrollar el análisis. En primer lugar, se a d suponer que la característica de calidad (Variable aleatoria) es continua y de distribución normal. En segundo lugar, considerará que el proceso está bajo control estadístico, es decir que la variabilidad se debe solamente a un sistema constante de causas aleatorias (No intervienen causas asignables).

Al realizar una sucesión de mediciones de la característica de calidad sobre muestras del producto fabricado, se encuentra que los valores fluctúan alrededor de un valor central. Esto es lo que se llama la fluctuación natural y esperable del proceso. Esta variación de la característica de calidad medida se debe a un conjunto muy grande de causas que afectan el proceso, cuyo efecto individual es pequeño y que actúan en forma aleatoria (Sistema constante de causas aleatorias). La fluctuación natural del proceso es inherente al mismo y no puede eliminarse, sólo puede reducirse realizando modificaciones al proceso mismo, lo cual significa, como ya se ha dicho, trabajar con otro proceso. La fluctuación natural de un proceso puede cuantificarse a través de la desviación standard del mismo, con la cual se pueden calcular Límites de Tolerancia Natural del proceso. Se debe insistir en que estos límites no pueden fijarse voluntariamente, dependen del proceso y de las variables no controlables del mismo.

Los Límites de Especificación de un producto son fijados voluntariamente por el cliente, por el fabricante o por alguna norma. Estos límites constituyen un requisito a cumplir por el producto y no deben confundirse en ningún caso con los Límites de Control o con los Límites 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 Límites de Tolerancia Natural del proceso se encuentren dentro de los Límites de Especificación del producto. De esta manera uno se aseguramos que toda la producción cumplirá con las especificaciones.

De esta manera uno se aseguramos que toda la producción cumplirá con las especificaciones. INDUSTRIA ALIMENTARIA
De esta manera uno se aseguramos que toda la producción cumplirá con las especificaciones. INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS III. COLOCAR UN PROCESO BAJO CONTROL ESTADÍSTICO. Se puede obtener mucha

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS III. COLOCAR UN PROCESO BAJO CONTROL ESTADÍSTICO. Se puede obtener mucha información

III. COLOCAR UN PROCESO BAJO CONTROL ESTADÍSTICO.

PROCESOS III. COLOCAR UN PROCESO BAJO CONTROL ESTADÍSTICO. Se puede obtener mucha información a través de

Se puede obtener mucha información a través de la estratificación. Sin embargo se requieren instrumentos más sofisticados para detectar causas de variación menos obvias. Es en estos casos que se requiere del control estadístico de procesos, ya que cuando un proceso se encuentra controlado de esta manera se vuelve más predecible y se tiene un buen punto de partida para iniciar mejoras en él. Los gráficos de control son la mejor manera de hacerlo, pues prácticamente los procesos hablan a través de ellos indicando donde se originan las causas especiales de variación. Cuando se eliminan estas causas el proceso se vuelve predecible dentro de ciertos límites. Sin embargo las personas involucradas deben ser entrenadas en esta herramienta. Esto es especialmente válido para los gerentes, mandos medios y supervisores. Es también importante contar con la guía de un experto en estadísticas.

1. Planear los gráficos. Se requiere involucrar al experto en estadísticas en esta etapa ya que su experiencia será necesaria durante, por lo menos, el primer año de su implantación.

¿Qué se medirá? ¿cuáles características de calidad son las relacionadas con los requerimientos del cliente?

¿Cuándo, cómo y dónde se recolectará la información? ¿Cómo se verificará su validez? ¿cómo se seleccionarán las muestras?

¿Qué tipos de gráficos y escalas son apropiados?

¿Quién recolectará la información? ¿quién la graficará? Generalmente son los operadores del proceso quienes recolectan y grafican la información, trabajando posteriormente en eliminar las causas especiales de variación. Por lo tanto, es importante colocar los gráficos donde los operadores puedan tener acceso a ellos.

¿Qué pasará si hay causas especiales? ¿quién tendrá la autoridad para tomar medidas correctivas? Los directivos necesitan apoyar activamente las acciones correctivas, pero hay muchas ocasiones en que los operadores

apoyar activamente las acciones correctivas, pero hay muchas ocasiones en que los operadores INDUSTRIA ALIMENTARIA 13
apoyar activamente las acciones correctivas, pero hay muchas ocasiones en que los operadores INDUSTRIA ALIMENTARIA 13
CONTROL ESTADÍSTICO DE PROCESOS tienen una mejor posición para conocer cuales acciones son las mas

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS tienen una mejor posición para conocer cuales acciones son las mas apropiadas.

tienen una mejor posición para conocer cuales acciones son las mas apropiadas.

2. Iniciar los gráficos.

Iniciar la recolección de información y elaboración de gráficos. Definir los límites adecuados cuando se haya generado la suficiente información. En los gráficos se requiere anotar las condiciones del proceso, causas especiales y cualquier información útil.

¿Son los procedimientos para muestrear los adecuados?

¿Arroja el gráfico la información que necesitas? Si no es así ¿qué debe modificarse?

3.

Eliminar causas especiales.

Detectar las causas especiales marcadas en los gráficos y evaluar la capacidad

del proceso. ¿Deben tomarse acciones sobre estas causas? ¿Están identificadas las causas raíz del problema? ¿Han sido eliminadas? ¿Puede reducirse el impacto de las causas de variación conocidas? Por ejemplo la variabilidad de un producto puede deberse a la variación de los insumos. Trabajar de manera colaborativa con un solo proveedor puede solucionar este problema.

4. Planear la mejora continua.

Una vez que las fuentes de variación desaparecen, pueden aparecer otros problemas. Se requiere planear como atenderlos y hacer las mejoras obvias. • ¿Qué cambios recomiendas que se implementen? • ¿Quién será responsable de implantarlos?

5. Evaluar la utilidad de los gráficos.

Revisa los gráficos periódicamente. Si las causas especiales continúan ocurriendo la elaboración de los gráficos es crítica. Si no se detectan causas

especiales durante un período de tiempo hay que evaluar la importancia de los gráficos, pues tal vez ya no sean necesarios y pueda dedicarse el esfuerzo de realizarlos a otra cosa.

pues tal vez ya no sean necesarios y pueda dedicarse el esfuerzo de realizarlos a otra
pues tal vez ya no sean necesarios y pueda dedicarse el esfuerzo de realizarlos a otra
CONTROL ESTADÍSTICO DE PROCESOS IV. CONCEPTOS ESTADÍSTICOS FUNDAMENTALES. Por lo general se ha visto el

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS IV. CONCEPTOS ESTADÍSTICOS FUNDAMENTALES. Por lo general se ha visto el caso

IV. CONCEPTOS ESTADÍSTICOS FUNDAMENTALES.

Por lo general se ha visto el caso de fenómenos o experimentos cuyo espacio muestral asociado tiene un número pequeño de elementos. Pero en muchos casos es necesario trabajar con experiencias o procesos que generan un número muy grande de datos o resultados numéricos, es decir, espacios muestrales con un número infinito o muy grande de elementos. Cuando se tiene un conjunto muy grande de datos numéricos para analizar se dice que se tiene un Universo o Población de observaciones.

que se tiene un Universo o Población de observaciones. Cada dato numérico es un elemento de

Cada dato numérico es un elemento de la población o universo. Una Muestra es un subconjunto pequeño de observaciones extraídas de un universo o población:

de observaciones extraídas de un universo o población: La Estadística trabaja con poblaciones de datos y

La Estadística trabaja con poblaciones de datos y con muestras extraídas de las mismas. Los conceptos de población y muestra a veces resultan ambiguos

extraídas de las mismas. Los conceptos de población y muestra a veces resultan ambiguos INDUSTRIA ALIMENTARIA
extraídas de las mismas. Los conceptos de población y muestra a veces resultan ambiguos INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS en su aplicación práctica. Por ejemplo, supóngase que en una ciudad

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS en su aplicación práctica. Por ejemplo, supóngase que en una ciudad de

en su aplicación práctica. Por ejemplo, supóngase que en una ciudad de 5000 habitantes se realiza un censo médico en el cual se mide el peso, la altura y se relevan otros datos de todos los habitantes de la ciudad. Alguien podría referirse al universo o población censada teniendo en mente el conjunto de los habitantes de la ciudad. Pero cuando se habla en términos estadísticos, uno se refiere a poblaciones o universos de datos.

uno se refiere a poblaciones o universos de datos. P or ejemplo, el conjunto de todas

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 población de datos desde el punto de vista estadístico. Otro universo o población de datos son los pesos medidos (de los habitantes de la ciudad). Pero la población de habitantes, es decir, las personas que habitan la ciudad no son la población a la que se está refiriendo desde el punto de vista estadístico.

Suponiendo que en una empresa se fabrica un lote muy grande, por ejemplo 10 toneladas de un producto químico, y un técnico debe controlar la calidad del mismo.

El técnico toma una pequeña porción, por ejemplo, 100 gramos y dirá que tomó una muestra del producto para analizar en el laboratorio. Hasta el momento, la muestra no fue analizada y por lo tanto no se tiene ningún dato numérico.

analizada y por lo tanto no se tiene ningún dato numérico. Cuando el laboratorio efectúa algún

Cuando el laboratorio efectúa algún ensayo en la muestra y obtiene un resultado numérico, recién ahí se tiene un dato que puede ser analizado desde el punto de vista estadístico. Suponiendo que el técnico continúa sacando otras muestras del producto, hasta agotar el lote y cada una es ensayada en el laboratorio, el cual da los resultados. Como se tenían 10 ton. de producto y las

en el laboratorio, el cual da los resultados. Como se tenían 10 ton. de producto y
en el laboratorio, el cual da los resultados. Como se tenían 10 ton. de producto y
CONTROL ESTADÍSTICO DE PROCESOS muestras son aproximadamente de 100 gr., el técnico seguramente extraerá alrededor

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS muestras son aproximadamente de 100 gr., el técnico seguramente extraerá alrededor de

muestras son aproximadamente de 100 gr., el técnico seguramente extraerá alrededor de 100,000 muestras y el laboratorio entregará alrededor de 100,000 resultados. Este conjunto de datos numéricos es el universo o población de datos.

datos numéricos es el universo o población de datos . Si se toman al azar 10

Si se toman al azar 10 de esos resultados, se puede decir que se tiene una muestra de 10 elementos de ese universo o población. No se debe confundir esta muestra (desde el punto de vista estadístico) con la muestra de material que extrajo el técnico para ser analizada en laboratorio.

Ahora bien, el universo o población de datos a veces no existe en la realidad, sino que es un concepto o abstracción que se utiliza para referir al universo o población que hipotéticamente podría existir.

Véase el ejemplo anterior. Suponiendo que el técnico toma solamente 5 muestras y las envía para analizar al laboratorio. El laboratorio remitirá sólo 5 resultados, y se dirá que se tiene una muestra de datos extraída del universo o población de datos total. Y se está pensando en el universo o población que se tendría si se hubieran extraído y analizado las 100,000 muestras de material.

Muchas veces resulta difícil imaginarse cuál es el universo del cual se extraen los datos. Suponiendo que se tiene una máquina que produce piezas de plástico en serie y un técnico toma 5 piezas sucesivas y les mide la altura con un calibre. Se tiene entonces, 5 resultados, es decir una muestra de 5 elementos. ¿Cuál es el universo al cual pertenece esa muestra de datos?

Se debe imaginar lo siguiente: Si la máquina 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.)

cada pieza que produce se le mide la altura se tendría un conjunto muy grande de resultados numéricos. Ese conjunto muy grande de resultados numéricos que no existe, pero que podría obtenerse en esas condiciones es el universo o

población del cual se extrajeron la muestra de 5 observaciones.

y a

Otro ejemplo. Suponiendo que el sindicato de la industria textil desea saber cual es el sueldo promedio que gana un operario en esa industria. Entonces,

textil desea saber cual es el sueldo promedio que gana un operario en esa industria. Entonces,
textil desea saber cual es el sueldo promedio que gana un operario en esa industria. Entonces,
CONTROL ESTADÍSTICO DE PROCESOS encarga una encuesta a una empresa especializada, que entrevista a 20

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS encarga una encuesta a una empresa especializada, que entrevista a 20 operarios

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 población formado por los salarios de todos los operarios de la industria textil del país.

Aunque el encuestador no disponga de esos datos, se sabe que existen miles de operarios que ganan un salario determinado y por lo tanto se puede hablar de un universo o población cuyos elementos son los salarios de los operarios de la industria textil en el país.

Además, esa población de datos es seguramente diferente de la población de salarios de los operarios de la industria textil chilena o brasileña (Usando una misma moneda de referencia).

¿Qué representa una población de datos? El análisis estadístico de una población o universo de datos tiene como objetivo final descubrir las características y propiedades de aquello que generó los datos.

Por ejemplo, se tiene una población de escolares (Población física, población humana) y se les mide la altura. El conjunto de datos de altura constituye una población o universo estadístico. El análisis de estos datos de altura (Universo estadístico) sirve para caracterizar y estudiar a la población de estudiantes (Que no es una Población estadística).

Suponiendo que un instituto dedicado a estudios económicos ha realizado una encuesta de ingresos en el país. El universo de datos generados por la encuesta sirve a los fines de caracterizar a la población física, a la población real del país, desde un punto de vista económico.

a la población física, a la población real del país, desde un punto de vista económico.
a la población física, a la población real del país, desde un punto de vista económico.
a la población física, a la población real del país, desde un punto de vista económico.
a la población física, a la población real del país, desde un punto de vista económico.
CONTROL ESTADÍSTICO DE PROCESOS Un ingeniero controla un proceso industrial, que genera a diario muchos

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Un ingeniero controla un proceso industrial, que genera a diario muchos lotes

Un ingeniero controla un proceso industrial, que genera a diario muchos lotes de un producto (Población de lotes). Para cada lote se mide una característica de calidad, obteniéndose una gran cantidad de resultados numéricos (Población de datos).

cantidad de resultados numéricos (Población de datos). El ingeniero realiza esta tarea no porque esté interesado

El ingeniero realiza esta tarea no porque esté interesado en jugar con números, sino porque a través de los datos numéricos obtenidos se puede evaluar el comportamiento del proceso, que es lo que realmente le interesa.

Entonces, es importante destacar que detrás de un universo o población de datos se encuentra una población física subyacente, formada por elementos de la realidad que rodea, de la cual, a través de algún tipo de medición, se obtuvieron los datos numéricos.

Es esa población física subyacente (Elementos de la realidad, seres humanos, lotes de material, etc.) la que se desea estudiar y caracterizar por medio del análisis estadístico de los datos obtenidos.

La población estadística está representando, entonces, una población física o natural formada por elementos de la realidad, con respecto a una característica o propiedad de esa población física.

Es muy importante, al utilizar métodos estadísticos, no confundir la población física, formada por elementos de la realidad que se está estudiando, con la población o universo de datos generados a partir de la primera. De aquí en adelante, cuando se utilicen los términos población o universo sin otro aditamento se estará refiriendo a población o universo de datos numéricos (También llamados observaciones o mediciones o valores).

o universo de datos numéricos (También llamados observaciones o mediciones o valores). INDUSTRIA ALIMENTARIA 19
o universo de datos numéricos (También llamados observaciones o mediciones o valores). INDUSTRIA ALIMENTARIA 19
CONTROL ESTADÍSTICO DE PROCESOS 4.1. LA DISTRIBUCIÓN DE FRECUENCIAS. Se vio que una Población o

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS 4.1. LA DISTRIBUCIÓN DE FRECUENCIAS. Se vio que una Población o Universo

4.1. LA DISTRIBUCIÓN DE FRECUENCIAS.

Se vio que una Población o Universo de datos es un conjunto muy grande de números. Estos números pueden estar en un gran listado o puede ser un conjunto hipotético, es decir, se pueden imaginar los números pero no se tienen realmente. Una gran tabla de números ordenados al azar prácticamente no muestra información acerca de la población de datos. Suponiendo que se dispone de los datos del universo, ¿cómo se pueden clasificar y ordenar los números para obtener más información acerca de ese universo de datos?

Una forma sería escribir los números desde el menor hasta el mayor y colocar encima de cada uno tantas cruces o cuadraditos como veces que figure repetido en la población:

como veces que figure repetido en la población: El número de veces que aparece repetido cada

El número de veces que aparece repetido cada dato es la frecuencia de dicho valor. La representación gráfica que hemos visto se denomina Distribución de Frecuencias de la población.

La representación gráfica permite ver información que antes no aparecía tan evidente. Por ejemplo, sin hacer ningún cálculo nos damos cuenta donde está aproximadamente el promedio de la población:

ningún cálculo nos damos cuenta donde está aproximadamente el promedio de la población: INDUSTRIA ALIMENTARIA 20
ningún cálculo nos damos cuenta donde está aproximadamente el promedio de la población: INDUSTRIA ALIMENTARIA 20
ningún cálculo nos damos cuenta donde está aproximadamente el promedio de la población: INDUSTRIA ALIMENTARIA 20
CONTROL ESTADÍSTICO DE PROCESOS También muestra cuales son los valores máximo y mínimo de la

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS También muestra cuales son los valores máximo y mínimo de la población,

También muestra cuales son los valores máximo y mínimo de la población, es decir, el rango:

máximo y mínimo de la población, es decir, el rango : En el caso anterior, los

En el caso anterior, los datos de la población son números enteros. Cuando los números no son enteros o cuando se tiene un número muy grande de datos, se divide el rango total en subintervalos y se cuenta el número de valores que cae dentro de cada subintervalo.

Suponiendo que se tiene una cierta población de N = 500 datos, por ejemplo el peso de varones adultos de 40 años. Una manera de caracterizar esta población es construir una distribución de frecuencias o gráfico de frecuencias. Para ello se siguen los pasos siguientes:

1) Tomar nota del valor máximo y el valor mínimo de la serie de datos que se está considerando. 2) Subdividir el intervalo entre el máximo y el mínimo en algún número de intervalos (15 ó 20) más pequeños iguales entre sí. 3) Contar el número de datos que se encuentran dentro de cada intervalo (Frecuencia). Por ejemplo, suponiendo que en el intervalo i hay ni observaciones (ni = N). 4) Para construir el gráfico, colocar en el eje de abscisas (Horizontal) los intervalos y levantar en cada intervalo un rectángulo de altura proporcional al número ni de datos dentro del mismo.

Si se hace el área del rectángulo levantado sobre el intervalo i− ésimo igual a la frecuencia relativa n i/N, el área total bajo el histograma será igual a la unidad:

a la frecuencia relativa n i/N, el área total bajo el histograma será igual a la
a la frecuencia relativa n i/N, el área total bajo el histograma será igual a la
a la frecuencia relativa n i/N, el área total bajo el histograma será igual a la
CONTROL ESTADÍSTICO DE PROCESOS Se obtiene así una representación gráfica (Llamada también histograma) que muestra

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Se obtiene así una representación gráfica (Llamada también histograma) que muestra la

Se obtiene así una representación gráfica (Llamada también histograma) que muestra la distribución de frecuencias de la población:

muestra la distribución de frecuencias de la población: Esta distribución de frecuencias muestra las

Esta distribución de frecuencias muestra las características de una población, por ejemplo, si hay resultados que son mas frecuentes que otros. Muestra si los valores están ubicados alrededor de un valor central, si están muy dispersos o poco dispersos. Se puede observar que fracción de todas las mediciones cae por ejemplo, entre 70 y 80 Kg. (Zona rayada en el gráfico):

por ejemplo, entre 70 y 80 Kg. (Zona rayada en el gráfico): Si se elige una

Si se elige una persona del grupo y se pesa, el resultado es un dato que pertenece a la población de datos representada en el gráfico. Se dice entonces, que se está extrayendo un dato de la población de datos. Pero hay distintas maneras de elegir la persona, es decir, distintas maneras de realizar la extracción del dato.

de elegir la persona, es decir, distintas maneras de realizar la extracción del dato . INDUSTRIA
de elegir la persona, es decir, distintas maneras de realizar la extracción del dato . INDUSTRIA
CONTROL ESTADÍSTICO DE PROCESOS Si uno se para frente al grupo y se elije una

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Si uno se para frente al grupo y se elije una persona,

Si uno se para frente al grupo y se elije una persona, se estará seleccionando al más gordo, al más flaco o al más alto (y por lo tanto pesa más que otros), de acuerdo a criterios subjetivos que no se pueden evitar.

En cambio, si se escriben los nombres de todas las personas en una etiqueta, se meten todas las etiquetas en una caja y luego se pide a alguien que retire una etiqueta, la selección no estará influída por la subjetividad. En este caso, se dice que la extracción es aleatoria.

En este caso, se dice que la extracción es aleatoria . Una extracción aleatoria es aquella

Una extracción aleatoria es aquella en que cada miembro de la población tiene la misma posibilidad de ser elegido. Suponiendo que se realiza una extracción aleatoria de la población antedicha y se obtiene el valor y.

Entonces:

1) La probabilidad P (y<70) de que y sea menor que 70 Kg. es igual al área del histograma a la izquierda de 70 Kg. 2) La probabilidad P (y>70) de que y sea mayor que 70 Kg. es igual al área del histograma a la derecha de 70 Kg. 3) La probabilidad P (y>70, y<80) de que y sea mayor que 70 Kg. pero menor que 80 Kg. es igual al área del histograma entre 70 y 80 Kg.

4.2. MEDIDAS DE POSICIÓN.

Anteriormente se ha visto cómo se pueden resumir los datos obtenidos del estudio de una muestra (o una población) en una tabla estadística o un gráfico. No obstante, tras la elaboración de la tabla y su representación gráfica, en la mayoría de las ocasiones resulta más eficaz “condensar” dicha información en algunos números que la expresen de forma clara y concisa.

Los fenómenos en general no suelen ser constantes, por lo que será necesario que junto a una medida que indique el valor alrededor del cual se agrupan los

será necesario que junto a una medida que indique el valor alrededor del cual se agrupan
será necesario que junto a una medida que indique el valor alrededor del cual se agrupan
CONTROL ESTADÍSTICO DE PROCESOS datos, se asocie una medida que haga referencia a la variabilidad

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS datos, se asocie una medida que haga referencia a la variabilidad que

datos, se asocie una medida que haga referencia a la variabilidad que refleje dicha fluctuación.

Por tanto el siguiente paso y objeto de este capítulo consiste en definir algunos tipos de medidas (estadísticos o parámetros) que los sintetizan aún más. Es decir, dado un grupo de datos organizados en una distribución de frecuencias (o bien una serie de observaciones sin ordenar), se pretende describirlos mediante dos o tres cantidades sintéticas.

En este sentido pueden examinarse varias características, siendo las más comunes:

- La tendencia central de los datos;

- La dispersión o variación con respecto a este centro;

- Los datos que ocupan ciertas posiciones.

- La simetría de los datos.

- La forma en la que los datos se agrupan.

ESTADÍSTICOS DE TENDENCIA CENTRAL.

Las tres medidas más usuales de tendencia central son:

- La media,

- La mediana,

- La moda.

La Media.

La media aritmética de una variable estadística es la suma de todos sus posibles valores, ponderada por las frecuencias de los mismos. Es decir, si la tabla de valores de una variable X es:

X

n i

ƒ i

x 1

N 1

ƒ 1

x k

n k

ƒ k

La

equivalentes:

media

es

el

valor

que

se

x = x

1

1

=

n

puede

f

1

+

( x n

1

1

escribir

de

+ x

k

f

k

+

x n

k

k

)

las

siguientes

formas

x = x 1 1 = n puede f 1 + ( x n 1 1
x = x 1 1 = n puede f 1 + ( x n 1 1
CONTROL ESTADÍSTICO DE PROCESOS = 1 n k ∑ i = 1 x n i

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS = 1 n k ∑ i = 1 x n i i

=

1

n

k

i = 1

x n

i

i

Si los datos no están ordenados en una tabla, entonces:

x =

x

1

+ +

x

n

n

Desventajas de la media:

- Es muy sensible a los valores extremos de la variable, ya que todas las observaciones intervienen en el cálculo de la media, la aparición de una observación extrema, hará que la media se desplace hacia dicha dirección. En consecuencia:

No es recomendable usar la media como medida central en las distribuciones muy asimétricas. Si se considera una variable discreta; por ejemplo, el número de hijos de las familias de Lima, el valor de la media puede no pertenecer al conjunto de

valores de la variable; por ejemplo x = 2,3 hijos.

La Mediana.

Si se considera una variable discreta X cuya observaciones en una tabla estadística han sido ordenadas de menor a mayor. Se denominará mediana, al primer valor de la variable que deja por debajo de sí al 50 % de las observaciones. La mediana, M ed , es el valor de la variable que divide la distribución de tal modo que la mitad de los valores son iguales o menores que ella y la otra mitad son iguales o mayores. Si los datos no se repiten y no están agrupados para calcular la mediana basta con ordenarlos y contarlos; el que ocupe el lugar del medio es la mediana. Si hay un número par, muchos definen la mediana como el promedio de los dos valores intermedios.

Entre las propiedades de la mediana se debe destacar:

- Como medida descriptiva, tiene la ventaja de no estar afectada por las observaciones extremas, ya que no depende de los valores que toma la variable, sino del orden de las mismas. Por ello es adecuado su uso en distribuciones asimétricas.

- Es de cálculo rápido y de interpretación sencilla.

- A diferencia de la media, al mediana de una variable discreta es siempre un valor de la variable que se estudia (por ejemplo, la mediana de una variable número de hijos toma siempre valores enteros).

(por ejemplo, la mediana de una variable número de hijos toma siempre valores enteros). INDUSTRIA ALIMENTARIA
(por ejemplo, la mediana de una variable número de hijos toma siempre valores enteros). INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS Ejemplo de cálculo de mediana: 1. Sea X una variable discreta

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Ejemplo de cálculo de mediana: 1. Sea X una variable discreta que

Ejemplo de cálculo de mediana:

1. Sea X una variable discreta que ha presentado sobre una muestra las modalidades:

2, 5, 7, 9, 12

x = 7, M e d = 7 x = 7, M ed = 7

Si se cambia la última observación por otra anormalmente grande, esto no afecta a la mediana, pero sí a la media:

2, 5, 7, 9, 125

x = 29.6, M e d = 7 x = 29.6, M ed = 7

En este caso la media no es un posible valor de la variable (discreta), y se ha visto muy afectada por la observación extrema. Este no ha sido el caso para la mediana.

2. Obtener la media aritmética y la mediana en la distribución adjunta.

Determinar gráficamente, cuál de los dos promedios es más significativo.

l i-1 -l i

n i

0 – 10

60

10

– 20

80

20

– 30

30

30 – 100 100 – 500

20

10

Solución:

 
 

l

i

 

l

i

 

N

i

 

`

1

n

i

α

i

x

i

x n

i

i

n

i

0 - 10 10 - 20 20 - 30 30 - 100 100 - 500

60

10

5

300

60

60

80

10

15

1200

140

80

30

10

25

750

170

30

20

70

65

1300

190

2.9

10

400

300

3000

200

0.25

n = 200

x n

i

i

= 6,550

La media aritmética es:

x =

1

n

x

i

6,550

=

200

= 32.75

La primera frecuencia absoluta acumulada que supera el valor n/2 = 100 es N i = 140. Por ello el intervalo mediano es (10-20). Así:

que supera el valor n/2 = 100 es N i = 140. Por ello el intervalo
que supera el valor n/2 = 100 es N i = 140. Por ello el intervalo
CONTROL ESTADÍSTICO DE PROCESOS M ed = l i − 1 + n / 2

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS M ed = l i − 1 + n / 2 −

M

ed

= l

i

1

+

n

/ 2

N

i

1

n

i

.

a

i

=

10 +

100 60

80

x 10 = 15

Para ver la representatividad de ambos promedios, se realiza el histograma de la Figura N° 9, y se observa que dada la forma de la distribución, la mediana es más representativa que la media.

Figura N° 9: Para esta distribución de frecuencias es más representativo usar como estadístico de tendencia central la mediana que la media.

estadístico de tendencia central la mediana que la media. • La Moda. Se denominará moda a

La Moda.

Se denominará moda a cualquier máximo relativo de la distribución de frecuencias, es decir, cualquier valor de la variable que posea una frecuencia mayor que su anterior y su posterior.

De la moda se destacan las siguientes propiedades:

- Es muy fácil de calcular,

- Puede no ser única,

- Es función de los intervalos elegidos a través de su amplitud, número y límite de los mismos.

- Aunque el primero o el último de los intervalos no posean extremos inferior o superior respectivamente, la moda puede ser calculada.

intervalos no posean extremos inferior o superior respectivamente, la moda puede ser calculada. INDUSTRIA ALIMENTARIA 27
intervalos no posean extremos inferior o superior respectivamente, la moda puede ser calculada. INDUSTRIA ALIMENTARIA 27
CONTROL ESTADÍSTICO DE PROCESOS ESTADÍSTICOS DE POSICIÓN. Los estadísticos de posición van a ser valores

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS ESTADÍSTICOS DE POSICIÓN. Los estadísticos de posición van a ser valores de

ESTADÍSTICOS DE POSICIÓN.

Los estadísticos de posición van a ser valores de la variable caracterizados por superar a cierto porcentaje de observaciones en la población (o muestra). Se tiene fundamentalmente a los percentiles como medidas de posición, y asociados a ellas se verán también los cuarteles y los deciles.

Para una variable discreta, se define el percentil de orden k, como la

observación P k , que deja por debajo de sí el k % de la población; como consecuencia de la definición la mediana es: M ed = P 50 .

En el caso de una variable continua, el intervalo donde se encuentra P k є (l i-1 ,

l i ), se calcula buscando el que deja debajo de si al k % de las observaciones.

Dentro de él, P k se obtiene según la relación:

Dentro de él, P k se obtiene según la relación: Por su propia naturaleza, el percentil

Por su propia naturaleza, el percentil puede estar situado en cualquier lugar de la distribución, por lo que no puede considerársele como una medida de tendencia central.

Los cuartiles, Q l , son un caso particular de los percentiles. Hay tres, y se definen como:

particular de los percentiles. Hay tres, y se definen como: De forma análoga se definen los

De forma análoga se definen los deciles como los valores de la variable que dividen a las observaciones en 10 grupos de igual tamaño. Más precisamente, se definen D 1 , D 2 , …, D 9 como:

se definen D 1 , D 2 , …, D 9 como: Ejemplo: Dada la siguiente

Ejemplo:

Dada la siguiente distribución en el número de hijos de cien familias, calcular sus cuartiles.

x i

n i

N i

0

14

14

1

10

24

en el número de hijos de cien familias, calcular sus cuartiles. x i n i N
en el número de hijos de cien familias, calcular sus cuartiles. x i n i N
CONTROL ESTADÍSTICO DE PROCESOS Solución: 1. Primer cuartil : 2 15 39 3 26 65

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Solución: 1. Primer cuartil : 2 15 39 3 26 65 4

Solución:

1. Primer cuartil:

2 15

39

3

26

65

4

20

85

5

15

100

n=100

1. Primer cuartil : 2 15 39 3 26 65 4 20 85 5 15 100

2. Segundo cuartil:

: 2 15 39 3 26 65 4 20 85 5 15 100 n=100 2. Segundo

3. Tercer cuartil:

20 85 5 15 100 n=100 2. Segundo cuartil: 3. Tercer cuartil: Calcular los cuartiles en

Calcular los cuartiles en la siguiente distribución de una variable continua:

Solución:

1. Primer cuartil:

l i-1 - l i

n

i

N

i

0 - 1

10

10

1 - 2

12

22

2 - 3

12

34

3 - 4

10

44

4 - 5

7

51

 

n=51

 
34 3 - 4 10 44 4 - 5 7 51   n =51   2.
34 3 - 4 10 44 4 - 5 7 51   n =51   2.

2. Segundo cuartil:

34 3 - 4 10 44 4 - 5 7 51   n =51   2.
34 3 - 4 10 44 4 - 5 7 51   n =51   2.
34 3 - 4 10 44 4 - 5 7 51   n =51   2.
CONTROL ESTADÍSTICO DE PROCESOS 3. Tercer cuartil: Ejemplo: Han sido ordenados los pesos de 21

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS 3. Tercer cuartil: Ejemplo: Han sido ordenados los pesos de 21 personas
CONTROL ESTADÍSTICO DE PROCESOS 3. Tercer cuartil: Ejemplo: Han sido ordenados los pesos de 21 personas

3. Tercer cuartil:

CONTROL ESTADÍSTICO DE PROCESOS 3. Tercer cuartil: Ejemplo: Han sido ordenados los pesos de 21 personas
CONTROL ESTADÍSTICO DE PROCESOS 3. Tercer cuartil: Ejemplo: Han sido ordenados los pesos de 21 personas

Ejemplo:

Han sido ordenados los pesos de 21 personas en la siguiente tabla:

Intervalos

f.a.

l i-1 -- l i

n

i

38

-- 45

3

45

-- 52

2

52

-- 59

7

59

-- 66

3

66

-- 73

6

 

21

Encontrar aquellos valores que dividen a los datos en 4 partes con el mismo número de observaciones.

Solución: Las cantidades que se buscan son los tres cuartiles: Q 1 , Q 2 y Q 3 . Para calcularlos, se debe agregar a la tabla las columnas con las frecuencias acumuladas, para localizar qué intervalos son los que contienen a los cuartiles buscados:

i-1 -- l i

n

i

N

i

 

38

-- 45

3

3

 

45

-- 52

2

5

 

52

-- 59

7

12

52 -- 59 7 12

59

-- 66

3

15

 

66

-- 73

6

21

66 -- 73 6 21
 

21

   
12 59 -- 66 3 15   66 -- 73 6 21   21    
12 59 -- 66 3 15   66 -- 73 6 21   21    
CONTROL ESTADÍSTICO DE PROCESOS Q 1 y Q 2 se encuentran en el intervalo 52-59,

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Q 1 y Q 2 se encuentran en el intervalo 52-59, ya

Q 1 y Q 2 se encuentran en el intervalo 52-59, ya que N 3 = 12 es la f.a.a. que supera a 21*¼ y 21*2/4.

Q 3 está en 66-73, pues N 5 = 21 es el primer N i mayor que 21*3/4.

Así se tiene que:

21 es el primer N i mayor que 21*3/4. Así se tiene que: Observar que Q

Observar que Q 2 = M ed . Esto es lógico, ya que la mediana divide a la distribución en dos partes con el mismo número de observaciones, y Q 2 , hace lo mismo, pues es deja a dos cuartos de los datos por arriba y otros dos cuartos por abajo.

Ejemplo:

La distribución de una variable tiene por polígono acumulativo de frecuencias el de la Figura. Si el número total de observaciones es 50:

1. Elaborar una tabla estadística con los siguientes elementos: intervalos, marcas de clase, frecuencia absoluta, frecuencia absoluta acumulada, frecuencias relativas y frecuencias relativas acumuladas.

2. Cuántas observaciones tuvieron un valor inferior a 10, cuántas inferior a 8 y cuántas fueron superior a 11.

3. Calcular las modas.

4. Determinar los cuartiles.

a 8 y cuántas fueron superior a 11. 3. Calcular las modas. 4. Determinar los cuartiles.
a 8 y cuántas fueron superior a 11. 3. Calcular las modas. 4. Determinar los cuartiles.
CONTROL ESTADÍSTICO DE PROCESOS Diagrama acumulado de frecuencias relativas. Solución: 1. En la siguiente tabla

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Diagrama acumulado de frecuencias relativas. Solución: 1. En la siguiente tabla se

Diagrama acumulado de frecuencias relativas.

DE PROCESOS Diagrama acumulado de frecuencias relativas. Solución: 1. En la siguiente tabla se proporciona la

Solución:

1. En la siguiente tabla se proporciona la información pedida y algunos cálculos auxiliares que nos permitirán responder a otras cuestiones.

Intervalos n i N i f i F i x i a i 0 -
Intervalos
n i
N i
f i
F i
x i
a i
0
- 5
10
10
0,2
0,3
2,5
5
2
5
- 7
25
35
0,5
0,7
6
2
12,5
7 - 12
5
40
0,1
0,8
9,5
5
1
12 - 15
10
50
0,2
1
13,5
7
3,33

2. Se calcula el número de observaciones pedido:

7 3,33 2. Se calcula el número de observaciones pedido: 10 + 25+3 = 38 observaciones

10 + 25+3 = 38 observaciones tomaron un valor inferior a 10

10 + 25+3 = 38 observaciones tomaron un valor inferior a 10 10 + 25+1 =

10 + 25+1 = 36 observaciones tomaron un valor inferior a 8

10 + 25+1 = 36 observaciones tomaron un valor inferior a 8 50 -(10 + 25+4)

50 -(10 + 25+4) = 50-39=11 observaciones tomaron un valor superior a 11

un valor inferior a 8 50 -(10 + 25+4) = 50-39=11 observaciones tomaron un valor superior
un valor inferior a 8 50 -(10 + 25+4) = 50-39=11 observaciones tomaron un valor superior
CONTROL ESTADÍSTICO DE PROCESOS 3. Hay dos modas. Se calcula la más representativa: 4. Cuartiles:

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS 3. Hay dos modas. Se calcula la más representativa: 4. Cuartiles: 4.3.

3. Hay dos modas. Se calcula la más representativa:

3. Hay dos modas. Se calcula la más representativa: 4. Cuartiles: 4.3. ESTADÍSTICOS DE VARIABILIDAD O

4. Cuartiles:

dos modas. Se calcula la más representativa: 4. Cuartiles: 4.3. ESTADÍSTICOS DE VARIABILIDAD O DISPERSIÓN. Los
dos modas. Se calcula la más representativa: 4. Cuartiles: 4.3. ESTADÍSTICOS DE VARIABILIDAD O DISPERSIÓN. Los
dos modas. Se calcula la más representativa: 4. Cuartiles: 4.3. ESTADÍSTICOS DE VARIABILIDAD O DISPERSIÓN. Los

4.3. ESTADÍSTICOS DE VARIABILIDAD O DISPERSIÓN.

Los estadísticos de tendencia central o de posición tienen como objetivo el sintetizar los datos en un valor representativo, indican dónde se sitúa un grupo de puntuaciones. Los de variabilidad o dispersión dicen hasta que punto estas medidas de tendencia central son representativas como síntesis de información. Las medidas de dispersión cuantifican la separación, la dispersión, la variabilidad de los valores de la distribución respecto al valor central; indican si esas puntuaciones o valores están próximas entre sí o si por el contrario están muy dispersas.

Se distinguen las medidas de dispersión absolutas, que no son comparables entre diferentes muestras y las relativas que permiten comparar varias muestras.

Rango (R).

Una medida razonable de la variabilidad podría ser la amplitud o rango, que se obtiene restando el valor más bajo de un conjunto de observaciones del valor más alto. Se denomina también ancho o recorrido.

En el caso de datos sueltos se obtiene buscando el máximo y el mínimo valor entre los datos, que se llaman valores extremos, y se realiza la diferencia.

Ventajas:

valor entre los datos, que se llaman valores extremos, y se realiza la diferencia. Ventajas: INDUSTRIA
valor entre los datos, que se llaman valores extremos, y se realiza la diferencia. Ventajas: INDUSTRIA
CONTROL ESTADÍSTICO DE PROCESOS - Es de fácil cálculo y es comúnmente usado como una

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS - Es de fácil cálculo y es comúnmente usado como una medida

- Es de fácil cálculo y es comúnmente usado como una medida burda, pero eficaz, de variabilidad.

- Es comprensible por todas las personas, inclusive las no relacionadas a la estadística.

Desventajas:

- No arroja información de todas las variables, sólo los extremos.

- Se puede ver muy afectada por alguna observación extrema.

No es aconsejable su uso para muestras grandes, puede conducir a errores. Pero sí, por lo común, se lo utiliza en muestras pequeñas, sobre todo en el control estadístico de la calidad.

Varianza (

S

2

).

La varianza de una muestra, , se define como la media de las diferencias cuadráticas de n puntuaciones con respecto a su media aritmética, es decir:

1

n

S

2

=

(

x

 

x

)

2

i

n

i = 1

Mientras que la varianza de una población finita, de N elementos:

1

n

2

σ =

(

)

x i µ

2

N

i = 1

Esta medida es siempre una cantidad positiva, con propiedades interesantes para la realización de inferencia estadística: Como sus unidades son las del cuadrado de la variable, es más sencillo usar su raíz cuadrada.

Desviación Standard. La varianza no tiene la misma magnitud que las observaciones. Si se quiere que la medida de dispersión sea de la misma dimensionalidad que las observaciones bastarán con tomar su raíz cuadrada. Por ello se define la desviación típica, S, como

S =

2 S
2
S

Ejemplo:

Calcular el Rango, Varianza y Desviación Standard de las siguientes cantidades medidas en metros: 3, 3, 4, 4, 5, 6.

y Desviación Standard de las siguientes cantidades medidas en metros: 3, 3, 4, 4, 5, 6.
y Desviación Standard de las siguientes cantidades medidas en metros: 3, 3, 4, 4, 5, 6.
CONTROL ESTADÍSTICO DE PROCESOS Solución: El Rango de estas observaciones es la diferencia entre la

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Solución: El Rango de estas observaciones es la diferencia entre la mayor

Solución:

El Rango de estas observaciones es la diferencia entre la mayor y la menor de ellas, es decir, 6 – 3 = 3. Para calcular las restantes medidas de dispersión es necesario calcular previamente el valor con respecto al cual se van a medir las diferencias. Este es la media:

x =

2

x

=

3

3

+ +

4

+

4

5

+ +

 
 

1

6

 

(3

2

+

3

2

+

4

2

+

4

2

+

 

6

S

6 = 4,17

La varianza es:

S

2

=

1

n

n

i = 1

x

i

2

2 2 5 + 6 ) 2 = S
2
2
5
+
6
)
2
=
S

Siendo la desviación Standard su raíz cuadrada:

4,17

2

= 1,054

= 1,11

Propiedades de la Varianza y de la Desviación Standard:

- Ambas son sensibles a la variación de cada una de las puntuaciones, es decir, si una puntuación cambia, cambia con ella la varianza.

- No es recomendable su uso cuando tampoco lo sea el de la media como medida de tendencia central.

Coeficiente de Variación. Se ha visto que las medidas de centralización y dispersión dan información sobre una muestra. Es posible preguntar si tiene sentido usar estas magnitudes para comparar dos poblaciones. Por ejemplo, comparar la dispersión de los pesos de las poblaciones de elefantes de dos circos diferentes, S dará información útil.

Pero, ¿qué ocurre si se compara la altura de unos elefantes con respecto a su peso? Tanto la media como la desviación típica, se expresan en las mismas unidades que la variable. Por ejemplo, en la variable altura se puede usar como unidad de longitud el metro y en la variable peso, el kilogramo. Comparar una desviación (con respecto a la media) medida en metros con otra en kilogramos no tiene ningún sentido.

El problema no deriva sólo de que una de las medidas sea de longitud y la otra sea de masa. El mismo problema se plantea si se mide cierta cantidad, por ejemplo la masa, de dos poblaciones, pero con distintas unidades. Este es el caso en que se compara el peso en toneladas de una población de 100

unidades. Este es el caso en que se compara el peso en toneladas de una población
unidades. Este es el caso en que se compara el peso en toneladas de una población
CONTROL ESTADÍSTICO DE PROCESOS elefantes con el correspondiente en miligramos de una población de 50

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS elefantes con el correspondiente en miligramos de una población de 50 hormigas.

elefantes con el correspondiente en miligramos de una población de 50 hormigas.

El problema no se resuelve tomando las mismas escalas para ambas poblaciones. Por ejemplo, se nos puede ocurrir medir a las hormigas con las mismas unidades que los elefantes (toneladas). Si la ingeniería genética no con alguna barbaridad, lo lógico es que la dispersión de la variable peso de las hormigas sea prácticamente nula.

En estos ejemplos el problema viene de la dimensionalidad de las variables, y de la diferencia enorme entre las medias de ambas poblaciones. El coeficiente de variación es lo que permite evitar estos problemas, pues elimina la dimensionalidad de las variables y tiene en cuenta la proporción existente entre medias y desviación Standard. Se define del siguiente modo:

CV =

S

x

x

Propiedades del coeficiente de variación:

- Sólo se debe calcular para variables con todos los valores positivos. Todo índice de variabilidad es esencialmente no negativo. Las observaciones pueden ser positivas o nulas, pero su variabilidad debe ser siempre positiva. De ahí que sólo se debe trabajar con variables positivas, para la que se tiene con seguridad que x > 0.

- No es invariante ante cambios de origen. Es decir, si a los resultados de una medida se le suma una cantidad positiva, b > 0, para tener Y = X + b, entonces CVY < CVX.

- Es invariante a cambios de escala. Así por ejemplo el coeficiente de variación de una variable medida en metros es una cantidad adimensional que no cambia si la medición se realiza en centímetros.

4.4. MEDIDAS DE COVARIACIÓN Y CORRELACIÓN.

La forma de medir si existe asociación entre variables continuas es usando el coeficiente de correlación, teniendo siempre presente que este se aplica solo a variables continuas y sólo mide asociación lineal.

Diagrama de Dispersión.

se aplica solo a variables continuas y sólo mide asociación lineal. Diagrama de Dispersión. INDUSTRIA ALIMENTARIA
se aplica solo a variables continuas y sólo mide asociación lineal. Diagrama de Dispersión. INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS La distribución conjunta de dos variables puede expresarse gráficamente mediante un

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS La distribución conjunta de dos variables puede expresarse gráficamente mediante un

La distribución conjunta de dos variables puede expresarse gráficamente mediante un diagrama de dispersión: en un plano se representa cada elemento observado haciendo que sus coordenadas sobre los ejes cartesianos sean los valores que toman las dos variables para esa observación.

Por ejemplo, véanse los datos correspondientes a un conjunto de diez pares de observaciones de estaturas de padres e hijos:

PADRE

1.70

1.77

1.68

1.75

1.80

1.75

1.69

1.71

1.72

1.73

HIJO

1.74

1.78

1.72

1.77

1.78

1.77

1.71

1.76

1.73

1.74

1.79 1.78 1.77 1.76 1.75 1.74 1.73 1.72 1.71 1.70 1.66 1.68 1.70 1.72 1.74
1.79
1.78
1.77
1.76
1.75
1.74
1.73
1.72
1.71
1.70
1.66
1.68
1.70
1.72
1.74
1.76
1.78
1.80
1.82
ESTATURA DE PADRES
ESTATURA DE HIJO

Es costumbre representar la variable dependiente en el eje vertical (ordenadas) y la independiente en el eje horizontal (abscisas). Cuando se estudia la relación entre dos variables, una puede considerarse causa y la otra resultado o efecto de la primera, siendo ésta una decisión teórica. Se denominará variable exógena, o variable independiente a la que causa el efecto y variable endógena, o variable independiente a la que lo recibe.

Por supuesto que diferentes conjuntos de datos darán diagramas diferentes. Se pueden considerar varios tipos de diagramas de dispersión, que son los más típicos.

Se pueden considerar varios tipos de diagramas de dispersión, que son los más típicos. INDUSTRIA ALIMENTARIA
Se pueden considerar varios tipos de diagramas de dispersión, que son los más típicos. INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS El caso (A) corresponde a la relación tal que al aumentar

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS El caso (A) corresponde a la relación tal que al aumentar los
CONTROL ESTADÍSTICO DE PROCESOS El caso (A) corresponde a la relación tal que al aumentar los

El caso (A) corresponde a la relación tal que al aumentar los valores de la variable independiente aumenta –en promedio- el valor de la variable dependiente. Cuando esto ocurre se dice que hay una relación lineal positiva.

El caso (B) representa otra relación de nuevo lineal, pero negativa.

El caso (C) representa una situación en la que no hay relación entre ambas variables. Se dice entonces que las variables son independientes.

El caso (D) muestra una relación entre ambas, pero no lineal.

variables son independientes. El caso (D) muestra una relación entre ambas, pero no lineal. INDUSTRIA ALIMENTARIA
variables son independientes. El caso (D) muestra una relación entre ambas, pero no lineal. INDUSTRIA ALIMENTARIA
CONTROL ESTADÍSTICO DE PROCESOS V. HISTOGRAMAS DE FRECUENCIA: La dispersión de los datos. “Un criterio

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS V. HISTOGRAMAS DE FRECUENCIA: La dispersión de los datos. “Un criterio para

V.

HISTOGRAMAS DE FRECUENCIA: La dispersión de los datos.

“Un criterio para juzgar la CALIDAD de los productos, es si, en relación al PROMEDIO, la vida es larga y al mismo tiempo, la DISPERSIÓN es pequeña”

¿CÓMO PREPARAR UN HISTOGRAMA?

Caso Práctico.- Los datos de la siguiente Tabla representan los espesores (en mm.) de 100 bloques metálicos que constituyen partes de instrumentos ópticos.

metálicos que constituyen partes de instrumentos ópticos. Cuando hay muchos datos como en el presente caso,

Cuando hay muchos datos como en el presente caso, es difícil determinar la distribución de los mismos sólo mirando a las figuras. En una situación como ésta, es conveniente ordenar los datos en orden secuencial y dibujar el histograma para poder ver la tendencia general. Paso Nº 1: Contar los datos. N= 100 Paso Nº 2: Dividir los datos en 10 grupos. (Ver Tabla Nº 1) Paso Nº 3: Entresacar el mayor en cada grupo como XG, y el menor como XP. Paso Nº 4: Determinar el mayor XG y el menor XP del total de datos, obteniéndose:

XG = 3.68 XP = 3.30 Paso Nº 5: Determinar el Rango (R) de todos los datos. R = XG - XP = 0.38 Paso Nº 6: Dividir el Rango en Clases. El número de Clases (= número de barras del histograma) se determina sobre la base de la siguiente Tabla (Nº 2).

(= número de barras del histograma) se determina sobre la base de la siguiente Tabla (Nº
(= número de barras del histograma) se determina sobre la base de la siguiente Tabla (Nº
CONTROL ESTADÍSTICO DE PROCESOS Para el presente caso, se tomará: k = 10. Paso Nº

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Para el presente caso, se tomará: k = 10. Paso Nº 7:
CONTROL ESTADÍSTICO DE PROCESOS Para el presente caso, se tomará: k = 10. Paso Nº 7:

Para el presente caso, se tomará: k = 10.

Paso Nº 7: Se determina el Intervalo de Clase (h) = (XG - XP) / k = 0.38/10 =

0.038

Este Intervalo de Clase se utilizará en el eje horizontal y se puede redondear a:

h = 0.05

Paso Nº 8: Para determinar la frontera de la Clase, ésta se demarca comenzando en uno de los extremos del rango. Es problemático cuando algún dato cae en la misma frontera de Clase. Para evitar esto, la unidad de frontera es tomada como la mitad de la unidad de medida escogida. En este caso es:

0.025, quedando la Tabla de Frecuencias como sigue:

Paso Nº 9: A continuación se dibuja el correspondiente histograma:

Frecuencias como sigue: Paso Nº 9: A continuación se dibuja el correspondiente histograma: INDUSTRIA ALIMENTARIA 40
Frecuencias como sigue: Paso Nº 9: A continuación se dibuja el correspondiente histograma: INDUSTRIA ALIMENTARIA 40
Frecuencias como sigue: Paso Nº 9: A continuación se dibuja el correspondiente histograma: INDUSTRIA ALIMENTARIA 40
CONTROL ESTADÍSTICO DE PROCESOS ¿CÓMO UTILIZAR UN HISTOGRAMA? Basándose en el caso resuelto, responder las

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS ¿CÓMO UTILIZAR UN HISTOGRAMA? Basándose en el caso resuelto, responder las siguientes

¿CÓMO UTILIZAR UN HISTOGRAMA?

Basándose en el caso resuelto, responder las siguientes interrogantes:

- ¿Cuál es el espesor más común de los bloques metálicos?

- ¿Cuán grande es la dispersión?

- ¿Es la distribución simétrica o sesgada?

- ¿Solamente tiene un “pico”?.,.

- ¿Es como un “risco”?

- ¿Luce como una rueda dentada?

- ¿Hay barras aisladas?

- En otras palabras

¿CUALES

SON

LAS

CARACTERÍSTICAS

PRODUCTO?

DEL

- ¿Cuál es el porcentaje de productos fuera de especificación?

- ¿Cumplen los productos plenamente con las especificaciones?

- ¿Está el valor promedio en el centro exacto de los límites especificados?

¿Hay necesidad de cambiar el histograma?

Cuando los datos son estratificados de acuerdo con los materiales, máquinas,

, cada caso. En situaciones extremas, la distribución del histograma puede tomar la forma de dos “picos” (distribución bimodal).

ejes, trabajadores, meses, etc

la distribución es probablemente diferente para

En el caso de distribución bi-modal o dispersión en bordes, esta distribución a menudo incluye 2 o más distribuciones, los cuales tienen diferentes promedios. En tal caso, se debe indicar ello con marcas (Ej. “o” para materiales suministrados por la compañía A y “x” para los materiales de la compañía B), chequear los factores de estratificación, preparar dos histogramas y comparar distribuciones. Si no hay diferencia entre estos factores, los datos pueden dibujarse en un mismo gráfico.

Problema. Los registros de inspección de una operación de ensamble de mangueras mostraban un alto índice de rechazos. Analizando los registros se encontró que la principal causa del problema eran las “fugas”. Se revisaron las operaciones de ensamble y se tomó la decisión de investigar la operación de poner abrazaderas a las mangueras.

Se midió la fuerza de sujeción, o memento de torsión de veinticinco ensambles de mangueras. La torsión se registró en pies-libra, como sigue:

de veinticinco ensambles de mangueras. La torsión se registró en pies-libra, como sigue: INDUSTRIA ALIMENTARIA 41
de veinticinco ensambles de mangueras. La torsión se registró en pies-libra, como sigue: INDUSTRIA ALIMENTARIA 41
CONTROL ESTADÍSTICO DE PROCESOS 7 pies-libra 10 pies-libra 14 pies-libra 11 “ 13 “ 12

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS 7 pies-libra 10 pies-libra 14 pies-libra 11 “ 13 “ 12 “

7 pies-libra

10 pies-libra

14 pies-libra

11

13

12

13

15

12

13

14

10

11

15

13

9

13

14

16

17

15

19

12

16

14

La especificación establecida para el momento de torsión es de 12 a 24 pies- libra. ¿Cómo se compara este proceso con la especificación? ¿Debe tomarse alguna acción correctiva? Si así fuera, ¿Cuál sería?

Problema. En el problema anterior, la presión de aire en la pistola neumática se redujo para hacer que se detuviera al llegar a una torsión de 18 pies-libra. Antes de tomar esta acción correctiva, la presión de aire no estaba regulada. Esto significaba que el operario debía “sentir” la abrazadera lo suficientemente apretada.

Se tomaron otras veinticinco lecturas de la torsión después de la medida correctiva, con los siguientes resultados:

17 pies-libra

20 pies-libra

19 pies-libra

19

17

20

19

20

19

20

21

19

21

20

18

17

19

19

18

18

19

20

18

18

19

¿Resultó efectiva la medida correctiva?

20 “ 18 “ 18 “ 19 “ ¿Resultó efectiva la medida correctiva? INDUSTRIA ALIMENTARIA 42
20 “ 18 “ 18 “ 19 “ ¿Resultó efectiva la medida correctiva? INDUSTRIA ALIMENTARIA 42
CONTROL ESTADÍSTICO DE PROCESOS VI. GRÁFICAS DE CONTROL POR VARIABLES. Se puede definir una carta

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS VI. GRÁFICAS DE CONTROL POR VARIABLES. Se puede definir una carta de

VI. GRÁFICAS DE CONTROL POR VARIABLES.

Se puede definir una carta de control como: un método gráfico para evaluar si un proceso está o no en un estado de control estadístico, es decir cuando sólo actúan causas comunes o aleatorias, inherentes a cualquier proceso. (Armand V. Feingenbaum 1994).

Como lo muestra la siguiente gráfica, la carta consiste en una línea central (L.C.) y dos pares de líneas límites espaciadas por encima y por debajo de la línea central, que se denominan límite de control superior (L.C.S.) y límite de control inferior (L.C.I.).

superior (L.C.S.) y límite de control inferior (L.C.I.). Estos se eligen de tal manera que los

Estos se eligen de tal manera que los valores situados entre los límites puedan atribuirse al azar, mientras que los que caigan fuera puedan interpretarse como una carencia de control. Cuando un punto cae fuera de los límites de control, se le considera problemático; pero aún cuando caiga dentro de los límites de control, una tendencia o algún otro patrón sistemático puede servir para advertir que tal acción debe interpretarse a fin de evitar algún problema serio. Sin embargo no indica la razón o motivo por el cual un proceso esta fuera de control.

Las características de calidad sobre las cuales se constituyen las cartas de control generalmente caen en dos categorías:

• Variables

• Atributos

Cuando se lleva un registro sobre una medida real de una característica de calidad, tal como una dimensión expresada en milímetros, se dice que la calidad se expresa por variables y las cartas que se construyen se llaman Cartas de Control por Variables.

por variables y las cartas que se construyen se llaman Cartas de Control por Variables. INDUSTRIA
por variables y las cartas que se construyen se llaman Cartas de Control por Variables. INDUSTRIA
CONTROL ESTADÍSTICO DE PROCESOS Como ejemplos, se tienen las dimensiones, la dureza en unidades Rockwell,

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS Como ejemplos, se tienen las dimensiones, la dureza en unidades Rockwell, las

Como ejemplos, se tienen las dimensiones, la dureza en unidades Rockwell, las temperaturas en grados Fahrenheit, la resistencia a la tensión en Kilogramos por centímetro cuadrado (Kg./cm²).

Cuando se requiere que las características de calidad indiquen nada más que él artículo “se adapta a la norma”, es decir si no existe una medición continua que es crucial para el comportamiento del artículo, el registro se dice que es por atributos y la carta en este caso se llama Carta de Control por Atributos.

Este trabajo de investigación aborda el estudio de las cartas de control por variables.

Típicamente los diagramas de variables son utilizados en parejas, un diagrama revisa la variación del proceso para el control de la precisión, mientras que el otro revisa el promedio del proceso, o sea la exactitud Hay dos condiciones distintas bajo las que se usan estas gráficas de control:

Sin Estándar dado.

Las gráficas usadas para investigar el estado de control de un proceso, puede ser, uno que no haya sido examinado previamente, o al que se le han realizado grandes cambios en el proceso, o que se examina para el estado de control continuo después de que un análisis preliminar de distribución de frecuencias demostró control inicial. Los valores de los límites de control y de la tendencia central se calculan como parte del análisis de las lecturas sobre las características de calidad de las partes y productos. En este caso la condición se denomina “sin estándar dado”.

Con Estándar dado.

Esta condición implica que la tendencia central y los valores de dispersión han

sido establecidos inicialmente. Las cartas de tipo variables, normalmente se utilizan en parejas, una carta revisa el promedio del proceso y la otra revisa la variación. Encontrándose con distintos tipos de cartas en parejas: Carta Media-Rango, Carta Media-Desvío Estándar y Carta Mediana–Rango.

Carta Media-Rango:

Se trata de una carta de tipo variable, en la que la medida de tendencia central,

de tipo variable, en la que la medida de tendencia central, la media muestral variabilidad se
de tipo variable, en la que la medida de tendencia central, la media muestral variabilidad se

la media muestral

variabilidad se controla por medio del rango, lo que constituye la Carta Rango

, en tanto que la

, esta controlada por la Carta Media

lo que constituye la Carta Rango , en tanto que la , esta controlada por la
lo que constituye la Carta Rango , en tanto que la , esta controlada por la
CONTROL ESTADÍSTICO DE PROCESOS (R). El rango o amplitud representa la diferencia entre el mayor

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS (R). El rango o amplitud representa la diferencia entre el mayor y

(R). El rango o amplitud representa la diferencia entre el mayor y el menor valor de las mediciones de una muestra.

representa la diferencia entre el mayor y el menor valor de las mediciones de una muestra.
representa la diferencia entre el mayor y el menor valor de las mediciones de una muestra.
representa la diferencia entre el mayor y el menor valor de las mediciones de una muestra.
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 46

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 46
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 46
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 46
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 46
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 47

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 47
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 47
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 47
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 47
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 48

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 48
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 48
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 48
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 48
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 49

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 49
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 49
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 49
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 49
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 50

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 50
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 50
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 50
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 50
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 51

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 51
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 51
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 51
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 51
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 52

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 52
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 52
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 52
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 52
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 53

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 53
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 53
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 53
CONTROL ESTADÍSTICO DE PROCESOS INDUSTRIA ALIMENTARIA 53
CONTROL ESTADÍSTICO DE PROCESOS VII. GRÁFICAS DE CONTROL POR ATRIBUTOS. Muchas características de calidad no

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS VII. GRÁFICAS DE CONTROL POR ATRIBUTOS. Muchas características de calidad no se

VII. GRÁFICAS DE CONTROL POR ATRIBUTOS.

Muchas características de calidad no se pueden representar en forma conveniente por números. En tales casos, cada artículo inspeccionado suele clasificarse como conforme o disconforme con las especificaciones para tal característica de calidad, llamada atributo.

LLooss ddiiaaggrraammaass ddee ccoonnttrrooll ppoorr aattrriibbuuttooss ccoonnssttiittuuyyeenn llaa hheerrrraammiieennttaa eesseenncciiaall uuttiilliizzaaddaa ppaarraa ccoonnttrroollaarr ccaarraacctteerrííssttiiccaass ddee ccaalliiddaadd ccuuaalliittaattiivvaass,, eessttoo eess,,

ccaarraacctteerrííssttiiccaass nnoo ccuuaannttiiffiiccaabblleess nnuumméérriiccaammeennttee

ccaarraacctteerrííssttiiccaass nnoo mmeeddiibblleess ssoonn llaa ffrraacccciióónn oo ppoorrcceennttaajjee ddee uunniiddaaddeess ddeeffeeccttuuoossaass eenn llaa pprroodduucccciióónn ((PP)),, eell nnúúmmeerroo ddee uunniiddaaddeess ddeeffeeccttuuoossaass eenn llaa pprroodduucccciióónn ((NNPP)),, eell nnúúmmeerroo ddee ddeeffeeccttooss ppoorr uunniiddaadd pprroodduucciiddaa ((UU)),, yy eell nnúúmmeerroo ddee ddeeffeeccttooss ddee ttooddaass llaass uunniiddaaddeess pprroodduucciiddaass ((CC))

EEjjeemmppllooss ddee ttaalleess

Al igual que en los gráficos de control por variables, el diagrama de atributos representa un estadístico T del proceso (como puede ser el número de defectos) frente al número de la muestra o al tiempo. Una línea central representa el valor medio o esperado del estadístico, mientras que los límites de control suelen definir una zona de control que abarca 3σ T por encima y por

debajo de la línea central. Estos límites son escogidos de manera que si el proceso está bajo control, casi la totalidad de los puntos muestrales se halle entre ellos. Así, un punto que se encuentra fuera de los límites de control se interpreta como una evidencia de que el proceso está fuera de control. Además, incluso si todos los puntos se hallan comprendidos entre los límites de control, pero se comportan de manera sistemática o no aleatoria, también tendríamos un proceso fuera de control (veremos cómo estudiar la existencia de tales patrones no aleatorios mediante los llamados tests para causas especiales).

existencia de tales patrones no aleatorios mediante los llamados tests para causas especiales). INDUSTRIA ALIMENTARIA 54
existencia de tales patrones no aleatorios mediante los llamados tests para causas especiales). INDUSTRIA ALIMENTARIA 54
existencia de tales patrones no aleatorios mediante los llamados tests para causas especiales). INDUSTRIA ALIMENTARIA 54
CONTROL ESTADÍSTICO DE PROCESOS E E s s t t e e t t i

CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS E E s s t t e e t t i i

EEssttee ttiippoo ddee ggrrááffiiccooss ssee ssuueellee aapplliiccaarr eenn ssiittuuaacciioonneess eenn llaass qquuee eell pprroocceessoo eess uunnaa ooppeerraacciióónn ddee mmoonnttaajjee ccoommpplliiccaaddaa,, yy llaa ccaalliiddaadd dde