Control Estadístico de procesos

Modulo 2
Ing. Julian Giraldo
 CONTROL ESTADÍSTICO DE
CALIDAD
la aplicación de diferentes
técnicas estadísticas a procesos
industriales, administrativos y/o
servicios con objeto de
comprobar si todas y cada una
de las partes del proceso o
servicio cumplen unas ciertas
exigencias de calidad y ayudar a
cumplirlas.
CONTROL DE PROCESOS

Mapeo
Medición
de la Control
y control Análisis Mejora
cadena Final
inicial
de valor
 VARIABILIDAD Y PENSAMIENTO
ESTADÍSTICO

La estadística está formada por un conjunto de técnicas y conceptos

orientados a la recolección y análisis de datos tomando en cuenta la
variación en los mismos.

el control estadístico de la calidad es la aplicación de técnicas

estadísticas al control de calidad.
 Se refiere a la diversidad de resultados
VARIABILIDAD de una variable o de un proceso.

La variabilidad es parte de nuestra vida diaria.

por ejemplo,
• el tiempo que tardamos en trasladarnos de nuestra casa al trabajo o escuela es diferente
de un día a otro;
• la temperatura del ambiente es distinta de una hora a otra;
• lo dulce de una bebida que es preparada en casa es diferente de un día a otro aunque
aparentemente se preparó igual.
Esta variación que ocurre en nuestra vida también está presente en los procesos
de las empresas.
 VARIABILIDAD
Un ejemplo rápido que ilustra la importancia de que los procesos tengan
poca variación se ilustra mediante el siguiente caso.

Existen dos empresas que proveen el mismo producto.

Empresa A Empresa B
Tiempo minimo de entrega de pedidos 10 13
Tiempo maximo de entrega de pedidos 22 19
Promedio 16 16
VARIABILIDAD
 Registro en Minutos
18,1 11,3
VARIABILIDAD 7,9 12,9
14,6 15,7
13,6 13,3
14,2 6,7
13,0 0,7
11,0 13,1
Por ejemplo, en un banco se lleva un registro 7,4 9,6
de los minutos que los clientes esperan para 8,7 6,8
ser atendidos; al azar se eligen 40 de estos 11,3 9,1
13,4 9,3
tiempos de espera y se obtiene lo siguiente: 7,0 9,3
5,4 9,0
9,2 14,2
8,0 12,2
4,8 12,5
14,2 11,4
13,5 7,7
13,9 6,9
11,8 11,4
Registro en Minutos VARIABILIDAD
18,1 11,3
7,9
14,6
12,9
15,7
En el caso de esta muestra:
13,6 13,3 Tiempo promedio de espera 10,6
14,2 6,7
13,0 0,7
11,0 13,1
7,4 9,6 Pero existe variación,
8,7 6,8
11,3 9,1 Tiempo Maximo18.1
13,4 9,3
7,0 9,3 Tiempo Mínimo 0.7
5,4 9,0
9,2 14,2
8,0 12,2
4,8 12,5
De aquí que una de las tareas clave del control estadístico de
14,2 11,4 un proceso será no sólo conocer su tendencia central
13,5
13,9
7,7
6,9
(media), sino también su variabilidad.
11,8 11,4
EXCEL – HOJA VARIABILIDAD
 VARIABILIDAD
Reducir la variación de los procesos es un objetivo clave del control
estadístico y de Seis Sigma.

Por lo tanto, es necesario entender las causas de la variación, y para ello

se parte de que en un proceso (industrial o administrativo) interactúan
materiales, máquinas, mano de obra (gente), mediciones, medio
ambiente y métodos.
 VARIABILIDAD

Estos seis elementos (las 6 M)

determinan de manera global todo
proceso y cada uno aporta algo de la
variabilidad y de la calidad de la
salida del proceso.
 VARIABILIDAD

Es necesario realizar para mejorar la calidad y la productividad de un

proceso, como lo contempla la estrategia Seis Sigma, resulta indispensable
apoyarse en las técnicas y el pensamiento estadístico, ya que proporcionan
metodologías que facilitan la planeación, el análisis y la toma de
decisiones.
COMO LO FACILITAN
• Identificar dónde, cómo, cuándo y con qué frecuencia se presentan los
problemas (regularidad estadística).
• Analizar los datos procedentes de las guías clave del negocio, a fin de
identificar las fuentes de variabilidad, analizar su estabilidad y
pronosticar su desempeño.
• Detectar con rapidez, oportunidad y a bajo costo anormalidades en los
procesos y sistemas de medición (monitoreo eficaz).
• Ser objetivos en la planeación y toma de decisiones, y evitar frases
como “yo siento”, “yo creo”, “mi experiencia” y el abuso de poder en
la toma de decisiones.
 VARIABILIDAD
• Expresar los hechos en forma de datos y evaluar de manera objetiva el
impacto de acciones de mejora.
• Enfocarse a los hechos vitales; es decir, a los problemas y causas
realmente importantes.
• Analizar de manera lógica, sistemática y ordenada la búsqueda de
mejoras.
PENSAMIENTO ESTADÍSTICO

Entender y reducir la
variación son claves para
el éxito.
Es una filosofía de aprendizaje y
acción basada en tres principios:

La variación existe en
todos los procesos,

Todo el trabajo ocurre en

un sistema de procesos
interconectados;
 PENSAMIENTO ESTADÍSTICO
En el primer principio se habla de Procesos Interconectados para
enfatizar que los procesos no operan de manera aislada, más bien,
interactúan con el resto del sistema.

Por lo tanto, si no se toma en cuenta la manera en que se relaciona un

proceso con el resto del sistema, la optimización de una de las partes
puede tener un efecto desastroso para el resto del sistema.
 PENSAMIENTO ESTADÍSTICO

El segundo principio reconoce que los resultados de todos los procesos

son variables.
 PENSAMIENTO ESTADÍSTICO

El tercer principio es una de las razones y objetivos principales del

pensamiento estadístico: reducir la variabilidad hasta lograr el nivel de
calidad Seis Sigma
 PENSAMIENTO ESTADÍSTICO
El gran reto es que una empresa logre profundizar en la filosofía del
pensamiento estadístico, ya que eso le ayudará a conocer la realidad (con
variación), pero también le permitirá dirigir más adecuadamente sus esfuerzos
de mejora.
MEDIDAS DE ESTADÍSTICA DESCRIPTIVAS

• Tendencia Central
• Dispersión
 MEDIDAS DE
TENDENCIA CENTRAL
 MEDIDAS DE ESTADÍSTICA DESCRIPTIVAS
Las variables de salida o de respuesta de un proceso, deben cumplir con
ciertas metas y/o especificaciones, a fin de considerar que el proceso funciona
de manera satisfactoria.

Por ello, una tarea primordial del control de calidad es conocer la capacidad o
habilidad de un proceso, que consiste en determinar la amplitud de la
variación natural del proceso para una característica de calidad dada.

Esto permitirá saber en qué medida tal característica de calidad es

satisfactoria.
 MEDIDAS DE ESTADÍSTICA DESCRIPTIVAS

Por lo general, para realizar un estudio de capacidad se toman datos del

proceso durante un periodo considerable para que se refleje bien el
desempeño del proceso.
 EJEMPLO MEDIDAS DE ESTADÍSTICA
DESCRIPTIVAS
En un proceso de inyección de plástico una característica de calidad del
producto (disco) es su grosor, que debe ser de 1.20 mm con una tolerancia de
±0.10 mm. Así, para considerar que el proceso de inyección fue satisfactorio,
el grosor del disco debe estar entre la especificación inferior, EI = 1.10 y la
superior, ES = 1.30.
En un estudio de capacidad para este proceso es necesario contestar las
siguientes interrogantes:
¿El grosor medio es adecuado?
¿La variabilidad del grosor es mucha o poca?
Para contestar estas preguntas, durante una semana se obtuvieron de una
línea de producción los 125 datos.
El muestreo fue sistemático: cada determinado tiempo se tomaban cinco
productos y se medían y al final de la semana se tuvieron los datos referidos.
 MEDIA MUESTRAL
Supongamos que x1, x2, x3,..., Xn son las observaciones numéricas de una
muestra; entonces, la medida más usual de su tendencia central es
proporcionada por la media (o promedio) muestral, que es igual a la media
aritmética de todos los datos:

Es decir, la media muestral se obtiene sumando todos los datos y el resultado de

la suma se divide entre el número de datos (n).
EXCEL – HOJA MEDIDA TENCENTRAL
 EJEMPLO MEDIA MUESTRAL

En el ejemplo, la media de los datos es 𝑥̅ = 1.179 mm, con lo cual, el

grosor promedio de los discos de la muestra es de 1.179 mm.
MEDIA POBLACIONAL O DEL PROCESO, μ
Si para calcular la media se utilizan todos los elementos de la población
(todos los posibles individuos, especímenes, objetos o medidas de
interés sobre los que se hace un estudio), por ejemplo, el grosor de todos
los discos producidos en la última semana o mes, entonces el promedio
calculado es la media del proceso (o media poblacional) y se denota con
la letra griega μ (mu).
MEDIA POBLACIONAL O DEL PROCESO , μ

Es importante destacar que la media del proceso μ es igual a cierto

valor, aunque no siempre se conoce;
mientras que el valor de 𝑥̅ se obtiene para cada muestra y es diferente
(variable) de una muestra a otra, ya que su valor depende de las piezas
que se seleccionan (𝑥̅ es una variable aleatoria).
Por lo anterior, el valor que se observa de la media muestral, 𝑥,̅ por lo
general es diferente a la media del proceso, μ. Luego, es preciso tener
cuidado con las afirmaciones basadas en 𝑥̅ sobre la media del proceso o
población.
MEDIA POBLACIONAL O DEL PROCESO , μ
En general, lo que se observa en los estadísticos muestrales acerca del
comportamiento de los datos es válido para la muestra, y en la medida
que ésta sea representativa y grande también tendrá cierto grado de
aproximación para todo el proceso;

sin embargo
Es necesario utilizar técnicas estadísticas para evaluar lo que
significan respecto a todo el proceso
 MEDIANA O PERCENTIL 50
Es igual al valor que divide a la mitad a los datos cuando son
ordenados de menor. a mayor.

Así, para calcular la mediana cuando el número de datos es impar, éstos

se ordenan de manera creciente y el que quede en medio de dicho
ordenamiento será la mediana.
Pero si el número de datos es par, entonces la mediana se calcula
dividiendo entre dos la suma de los números que están en el centro del
ordenamiento.
 MEDIANA O PERCENTIL 50
En el ejemplo la mediana es 1.18 mm, lo cual significa que 50% de los
grosores de los discos de la muestra son menores o iguales a 1.18, y que
el otro 50% son mayores o iguales a 1.18.

La función MEDIANA( ) de Excel puede utilizarse para calcular la

mediana de un conjunto de datos.
EXCEL – HOJA MEDIDA TENCENTRAL
 MODA
Es igual al dato que se repite más veces. Si varios datos se repiten el
mismo número de veces, entonces cada uno de ellos es una moda, y se
dice que el conjunto de datos es multimodal.

La función MODA( ) de Excel calcula la moda de un conjunto de datos.

EXCEL – HOJA MEDIDA TENCENTRAL
 MODA
En el ejemplo de los discos hay una sola moda y es 1.17. Esta medición
fue la más frecuente, se repitió 23 veces. De esta forma, en el ejemplo
tenemos que la media es 1.179, la mediana 1.18 y la moda 1.17

Debido a que la media es la medida de tendencia central más usual, en

ocasiones se comete el error de creer que ésta divide los datos a la mitad
o que es el dato más frecuente, es decir, se confunde el concepto de
media con el de mediana y moda, respectivamente.
 ACLARACIONES
Un aspecto relevante a tomar en cuenta cuando se utiliza la media es que ésta
resulta afectada por datos extremos o atípicos.

Por ejemplo, la media y la mediana para los siguientes datos:

1100
1300 Valor
1000 Media 1200
1500 Mediana 1100
800
Moda 1100
1600
1100
 ACLARACIONES
Pero si a la lista anterior agregamos un dato atípico (el 7 600),
1100
1300 Valor
1000 Media 2000
1500 Mediana 1200
800 Moda 1100
1600
1100
7600

En este tipo de casos, la mediana no es afectada por el dato atípico, lo cual

tampoco ocurre cuando la distribución de los datos es sesgada. Por lo tanto,
bajo estas condiciones, la mediana y moda son la mejor medida de tendencia
central
 ACLARACIONES
De lo anterior se deriva que, para describir la tendencia central de los datos,
es imprescindible apoyarse tanto en la media como en la mediana y la
moda.

Cuando la media es muy diferente a la mediana es señal de que existen

datos atípicos o hay un sesgo importante, por lo que será mejor reportar
como medida de tendencia central a la mediana e investigar a qué se deben
los datos atípicos, ya que en ocasiones reflejan un aspecto importante del
proceso.
 PERO………

LAS MEDIDAS DE TENDENCIA CENTRAL SON

INSUFICIENTES COMO CRITERIO DE
CALIDAD
POR QUE?
Suponga que la longitud de una pieza debe estar entre 800 ± 5. Para ver si se
cumple con las especificaciones se toma una muestra aleatoria grande y se
obtiene que:

• Media : 801
• Mediana: 801
• Moda: 800

Debido a que estos estadísticos están dentro de las especificaciones, se podría

creer que el proceso cumple con éstas. Sin embargo, esto no necesariamente
es cierto
POR QUE?
En la muestra podría haber datos desde 750 hasta 850 y la media de
todos ellos ser 801.

Pero también podría ocurrir que el rango de variación de los datos vaya
de 797 a 803 con lo que sí se cumpliría con las especificaciones.

En otras palabras, las medidas de tendencia central son insuficientes

como criterio de calidad, ya que no toman en cuenta qué tan dispersos
están los datos, un hecho vital para la calidad.
 MEDIDAS DE DISPERSIÓN O VARIABILIDAD
Además de conocer la tendencia central de un conjunto de datos es
necesario saber qué tan diferentes son entre sí, es decir, es preciso
determinar su variabilidad o dispersión. Esto es un elemento vital en el
estudio de capacidad de un proceso.
Existen cuatro formas de medir la variabilidad:

• Desviación Estándar Muestral

• Desviación Estándar poblacional
• Rango
• Coeficiente de variación
 LA DESVIACIÓN ESTÁNDAR MUESTRAL
Es la medida más usual de variabilidad e indica qué tan esparcidos están
los datos con respecto a la media; se denota con la letra S y se calcula
mediante la siguiente expresión:

donde x1, x2,..., xn son las observaciones numéricas de la muestra, n su

tamaño y x– es la media muestral.
 LA DESVIACIÓN ESTÁNDAR MUESTRAL
S mide la distancia que en “promedio” hay entre los datos y la media;
entre más grande sea el valor de S habrá mayor variabilidad en los
datos.
La desviación estándar es expresada en las mismas unidades de
medición (gramos, milímetros, etc.) que los datos.
S no muestra la magnitud de los datos, sólo refleja lo retirado que están
los datos de la media y, al igual que ésta, es afectada por datos atípicos.

Con la función DESVEST.M( ) de Excel se calcula la desviación

estándar.
EXCEL – HOJA MEDIDA TENCENTRAL
 RANGO

Es igual a la diferencia entre el dato mayor y el dato menor de un conjunto

de datos.

El rango mide la amplitud de la variación de un grupo de datos, y también

es independiente de la magnitud de los datos.
 RANGO
Por ejemplo, sean los dos conjuntos de datos:

A= {10, 12, 14} y B= {159, 161, 163}

Entonces se observa que la magnitud de los datos es diferente, y eso es

reflejado por la media, que es de 12 y 161, respectivamente

Pero en cuanto a la variabilidad, los datos de ambos conjuntos están dispersos

de la misma manera, como lo indica la desviación están-dar que es igual a 2 en
ambos casos, y el rango que es de 4 para los dos conjuntos.
EXCEL – HOJA MEDIDA TENCENTRAL
 COEFICIENTE DE VARIACIÓN

El coeficiente de variación, CV, es una medida de variación que es relativa a la

magnitud de los datos, ya que es igual a la magnitud relativa de la desviación
estándar en comparación con la media de los datos, es decir:
 COEFICIENTE DE VARIACIÓN

El CV es útil para comparar la variación de dos o más variables que

están medidas en diferentes escalas o unidades de medición (por
ejemplo, metro frente a centímetro o metro frente a kilogramo).

Este coeficiente suele interpretarse como una medición en términos

porcentuales de la variación de una variable.
 COEFICIENTE DE VARIACIÓN
Por ejemplo, en el caso de los conjuntos de datos A y B
A= {10, 12, 14} y B= {159, 161, 163}

se tiene que sus correspondientes CV son:

Por lo que la variabilidad en los términos relativos del CV para el conjunto

A es de 16.66%, mientras que para el conjunto B es sólo de 1.242 %
EXCEL – HOJA MEDIDA TENCENTRAL
 RESULTADO DEL EJEMPLO
Medicion Valor
Media 1,179
Mediana 1,180
Moda 1,170
Desviacion estandar Muestral 0,027
Desviacion estandar Poblacional 0,027
Valor Maximo del Disco 1,250
Valor Minimo del Disco 1,110
Rango 0,140
Coeficiente de Variacion 2,29%
RELACIÓN ENTRE MEDIA Y DESVIACIÓN
ESTÁNDAR (INTERPRETACIÓN DE LA
DESVIACIÓN ESTÁNDAR)
 RELACIÓN ENTRE MEDIA Y DESVIACIÓN
ESTÁNDAR (INTERPRETACIÓN DE LA
DESVIACIÓN ESTÁNDAR)
Una forma de apreciar claramente el significado de la desviación
estándar como medida de dispersión en torno a la media, es a través de
la relación entre ambos estadísticos la cual está dada por la desigualdad
de Chebyshev y la regla empírica.

Dos hechos particulares que afirma la desigualdad de Chebyshev,

1. es que entre X− 2S y X+ 2S están por lo menos 75% de los datos de
la muestra,
2. que entre X± 3S están por lo menos 89% de éstos.
RELACIÓN ENTRE MEDIA Y DESVIACIÓN
ESTÁNDAR (INTERPRETACIÓN DE LA
DESVIACIÓN ESTÁNDAR)
En cuanto a la regla empírica se afirma que en muchos de los datos que
sur-gen en la práctica se ha observado por la experiencia que:

Entre X–−S y X–+S está 68% de los datos de la muestra.

Entre X–− 2S y X–+ 2S está 95 por ciento.
Entre X–− 3S y X–+ 3S está 99.7 por ciento.
RELACIÓN ENTRE MEDIA Y DESVIACIÓN
ESTÁNDAR (INTERPRETACIÓN DE LA
DESVIACIÓN ESTÁNDAR)

Todos los intervalos anteriores son válidos sólo para los datos muestrales y no
necesariamente para toda la población o proceso.

Sin embargo, si los intervalos se calculan con la media y la desviación

estándar del proceso o población, entonces serán válidos para toda la
población.

Por lo tanto, en la medida que se tengan muestras aleatorias grandes y

representativas, los intervalos anteriores podrán dar una idea aproximada de
lo que pasa en el proceso.
 RELACIÓN ENTRE MEDIA Y DESVIACIÓN
ESTÁNDAR (INTERPRETACIÓN DE LA
DESVIACIÓN ESTÁNDAR)

El teorema de Chebyshev se aplica para cualquier tipo de datos, independientemente de su

comportamiento o distribución.

la regla empírica, como su nombre lo dice, se obtuvo por medio de la experiencia de analizar
datos y observar la relación entre ambos estadísticos.

Por ello la reglajes válida para muchos de los casos que se dan en la práctica, sobre todo si los
datos tienen un comportamiento con cierto grado de similitud a una campana o a la distribución
normal
 RELACIÓN ENTRE MEDIA Y DESVIACIÓN ESTÁNDAR
(INTERPRETACIÓN DE LA DESVIACIÓN ESTÁNDAR)

De cualquier manera, ambos casos ilustran muy bien cómo la desviación

estándar mide la variabilidad en torno a la media.
Al aplicar la regla empírica a los datos del grosor de los discos, se tiene que un
alto porcentaje (cercano a 99%) de las mediciones del grosor del disco varía
entre 1.098 y 1.260 mm, como se deriva del siguiente cálculo:

Al comparar estos límites de variación con las especificaciones (EI= 1.10 y ES=
1.30), se aprecia que 1.098 está por abajo de la especificación inferior, lo cual
refleja la baja capacidad del proceso de inyección para cumplir con
especificaciones.
EXCEL – HOJA MEDIDA TENCENTRAL
LÍMITES REALES O NATURALES
 LÍMITES REALES O NATURALES
Los límites reales o naturales de un proceso indican los valores entre los
cuales va-ría la salida de un proceso y, por lo general, se obtienen de la
siguiente manera:

Límite real inferior (LRI) =μ− 3σ

Límite real superior (LRS) =μ+ 3σ

El cálculo de estos límites está inspirado en la regla empírica, que a

su vez coincide con la propiedad de la distribución normal
 LÍMITES REALES O NATURALES
En un estudio de capacidad, estos límites reales se comparan con las
especificaciones o tolerancias para una variable.

Por ejemplo:

Si las especificaciones para una característica de calidad son que ésta

debe tener dimensiones de 800 ± 5, luego, la especificación inferior es
EI= 795, y la superior es ES= 805.
 LÍMITES REALES O NATURALES

Si además se sabe que la media y la desviación estándar de tal característica de calidad

son μ= 800.6 y σ= 1.2, respectivamente, entonces los límites reales son:

LRI= 8 00.6 − 3(1.2) = 797.0

LRS= 800.6 + 3(1.2) = 804.2

Por lo tanto, se espera que esta característica de calidad varíe de 797.0 a 804.2, con
una media de 800.6. Al comparar esto con las especificaciones se aprecia que los
límites reales caen dentro de las mismas, entonces se concluye que el proceso es
capaz de cumplir con tales especificaciones.
EXCEL – HOJA LIMITES
PROBABILIDAD
CONCEPTOS
 EXPERIMENTO ALEATORIO
Resultado que no puede anticiparse aun cuando se repita bajo las mismas
condiciones

Ejemplo:
Las mediciones de las piezas fabricadas con un mismo proceso, el numero de
defectuoso de lote son 100 unidades
La cantidad de llamadas que recibe un call center en un lapso de 1 hora
EXPERIMENTO MUESTRAL

Conjunto de resultados
posibles de un experimento
aleatorio
 EVENTO

Es un subconjunto del espacio muestral de un experimento aleatorio

 CONCEPTOS DE PROBABILIDAD

La probabilidad y la estadística
estudian modelos que permiten
estudiar variaciones que se observan
en una realidad de un sistema, estos
modelos se emplean para
comprender, describir y cuantificar
aspectos importantes del sistema, así
como para predecir la respuesta del
sistema a diversas entradas.
 MODELOS

Mundo Mundo
Modelo
Real Supuesto
 FLUJO DEL MODELO

Problema del Mundo

Formular Formulamos el modelo
Real

Resolver
Validar

Predicciones acerca del

Concluimos el Modelos
Mundo Real Interpretar
 QUE ES LA PROBABILIDAD

La probabilidad es la característica de un evento, que hace que

existan razones para creer que este se realizará.
 COMO SE CALCULA LA PROBABILIDAD

La probabilidad p de que suceda un evento S de un total

de n casos posibles igualmente probables es igual a la razón
entre el número de ocurrencias h de dicho evento (casos
favorables) y el número total de casos posibles n.

Probabilidad de Ocurrencia Probabilidad de no Ocurrencia

 FORMA EMPÍRICA

Una forma empírica de estimar probabilidades

consiste en obtener la frecuencia con la que
sucede un determinado acontecimiento mediante
la repetición de experimentos aleatorios,bajo
condiciones suficientemente estables.

En algunos experimentos de los que se conocen

todos los resultados posibles, las probabilidades
de estos sucesos pueden ser calculadas de
manera teórica, especialmente cuando todos
son igualmente probables.
 INTERPRETACIÓN DE LA PROBABILIDAD
Es cuantificar la posibilidad de que se presente cierto resultado o evento
de un experimento aleatorio

Para ello se asignan un numero de intervalo entre 0 y 1 o porcentaje entre

0% y 100%

Entre mas cercado este el valor asignado de la probabilidad a 1 o 100% es

mas alta la probabilidad de que ocurra este evento.
 EJEMPLO DE PROBABILIDAD

0,5 Cara Probabilidad de que Salga Cara y Cara 0,5 X 0,5 = 0,25

0,5 Cara
0,5 Cruz Probabilidad de que Salga Cara y Cruz 0,5 X 0,5 = 0,25

0,5 Cara Probabilidad de que Salga Cruz y Cara 0,5 X 0,5 = 0,25
0,5 Cruz
0,5 Cruz Probabilidad de que Salga Cruz y Cruz 0,5 X 0,5 = 0,25
 EJEMPLO 2

Intento 1 Intento 2 Intento 3 Intento 4 Intento 5 Intento 6

1/6 1/5 1/4 1/3 1/2 1/1

1 2 3 2 2

4 5 6 3 3 3

4 4 4 4

5 5 5 5 5

6 6 6 6 6 6
 EJEMPLO 3
Intento 1 Intento 2 Intento 3 Intento 4 Intento 5 Intento 6

1/6 1/6 1/6 1/6 1/6 1/6

1 2 3
1 1 1 1 1 1

4 5 6
2 2 2 2 2 2

3 3 3 3 3 3
Cual es la probabilidad de
Sacar 6 veces el mismo 4 4 4
4 4 4
numero

1/6 * 1/6*1/6*1/6*1/6*1/6 5 5 5 5 5 5
0,0000214 = 0,00214%
6 6 6 6 6 6
 DISTRIBUCIÓN DE PROBABILIDAD

En teoría de la
probabilidad y estadística,
la distribución de
probabilidad de una variable
aleatoria es una función que
asigna a cada suceso definido
sobre la variable la probabilidad de
que dicho suceso ocurra.
 DISTRIBUCIÓN DE PROBABILIDAD

La distribución de probabilidad está completamente especificada

por la función de distribución, cuyo valor en cada x real es la
probabilidad de que la variable aleatoria sea menor o igual que x.
TIPOS DE VARIABLES

Variable aleatoria: Es aquella cuyo valor

es el resultado de un evento aleatorio. Lo
que quiere decir que son los resultados
que se presentan al azar en cualquier
evento o experimento.
 TIPOS DE VARIABLES
Variable aleatoria discreta: Es aquella que solo toma ciertos
valores (frecuentemente enteros) y que resulta principalmente
del conteo realizado.
 TIPOS DE VARIABLES

• Variable aleatoria continua: Es aquella que resulta

generalmente de la medición y puede tomar cualquier valor
dentro de un intervalo dado.
 DIVISIONES DE DISTRIBUCIONES
Esta división se realiza dependiendo del tipo de variable a estudiar. Las cuatro
principales (de las que nacen todas las demás) son:
a) Si la variable es una variable discreta (valores enteros), corresponderá una
distribución discreta, de las cuales existen:

Distribución binomial (eventos independientes).

Distribución de Poisson (eventos independientes).
Distribución hipergeométrica (eventos dependientes).

b) Si la variable es continua, esto significa que puede tomar cualquier valor

dentro de un intervalo, la distribución que se generará será una distribución
continua, también llamada distribución normal o gaussiana.
 DISTRIBUCIONES DE VARIABLES DISCRETAS

Se denomina distribución de variable discreta a aquella cuya

función de probabilidad solo toma valores positivos en un
conjunto de valores de X finito o infinito numerable. A dicha
función se le llama función de masa de probabilidad.
 TIPOS DE DISTRIBUCIONES DE VARIABLES
DISCRETA

La distribución binomial

La distribución de Bernoulli
 TIPOS DE DISTRIBUCIONES DE VARIABLES
DISCRETA
La distribución de Rademacher

La distribución beta-binomial
 TIPOS DE DISTRIBUCIONES DE VARIABLES
DISCRETA
La distribución degenerada en x0

La distribución uniforme discreta

 TIPOS DE DISTRIBUCIONES DE VARIABLES
DISCRETA
La distribución hipergeométrica

La distribución hipergeométrica no central de Fisher.

La distribución hipergeométrica no central de Wallenius.

La ley de Benford,
DISTRIBUCIONES DE VARIABLE CONTINUA

Se denomina variable continua a aquella que puede tomar cualquiera de

los infinitos valores existentes dentro de un intervalo.
 TIPOS DE DISTRIBUCIONES DE VARIABLE
CONTINUA
• La distribución arcoseno, definida en el intervalo [a,b].
• La distribución beta, definida en el intervalo [0, 1], que es útil a la
hora de estimar probabilidades.
• La distribución del coseno alzado, sobre el intervalo [μ-s,μ+s].
• La distribución degenerada en x0, en la que X toma el valor x0 con
probabilidad 1. Puede ser considerada tanto una distribución
discreta como continua.
• La distribución de Irwin-Hall o distribución de la suma uniforme,
es la distribución correspondiente a la suma de n variables
aleatorias i. i. d. ~ U(0, 1).
 TIPOS DE DISTRIBUCIONES DE VARIABLE
CONTINUA

• La distribución de Kent, definida sobre la superficie de una esfera

unitaria.
• La distribución de Kumaraswamy, tan versátil como la beta, pero con
FDC y FDP más simples.
• La distribución logarítmica continua.
• La distribución logit-normal en (0, 1).
TIPOS DE DISTRIBUCIONES DE VARIABLE
CONTINUA

• La distribución normal truncada, sobre el intervalo [a, b].

• La distribución reciproca, un tipo de distribución inversa.
• La distribución triangular, definida en [a, b], de la cual un caso
particular es la distribución de la suma de dos variables
independientes uniformemente distribuidas (la convolución de dos
distribuciones uniformes).
TIPOS DE DISTRIBUCIONES DE VARIABLE
CONTINUA

• La distribución uniforme continua definida en el intervalo

cerrado [a, b], en el que la densidad de probabilidad es
constante.
• La distribución rectangular es el caso particular en el intervalo [-
1/2, 1/2].
• La distribución U-cuadrática, definida en [a, b], utilizada para
modelar procesos bimodales simétricos.
TIPOS DE DISTRIBUCIONES DE VARIABLE
CONTINUA

• La distribución von Mises, también llamada distribución normal

circular o distribución Tikhonov, definida sobre el círculo
unitario.
• La distribución von Mises-Fisher, generalización de la anterior a
una esfera N-dimensional.
• La distribución semicircular de Wigner, importante en el estudio
de las matrices aleatorias.
 DISTRIBUCIÓN NORMAL

En estadística y probabilidad se llama distribución

normal, distribución de Gauss, distribución
gaussiana o distribución de Laplace-Gauss, a una de
las distribuciones de probabilidad de variable continua que con más
frecuencia aparece en estadística y en la teoría de probabilidades.
 DISTRIBUCIÓN NORMAL
• La importancia de esta distribución radica en que
permite modelar numerosos fenómenos naturales, sociales y
psicológicos

• La distribución normal también es importante por su relación con la

estimación por mínimos cuadrados, uno de los métodos de
estimación más simples y antiguos.
 DISTRIBUCIÓN NORMAL
Algunos ejemplos de variables asociadas a fenómenos naturales que
siguen el modelo de la normal son:

• Caracteres morfológicos de individuos como la estatura;

• Caracteres fisiológicos como el efecto de un fármaco;
• Caracteres sociológicos como el consumo de cierto producto por un mismo
grupo de individuos;
• Caracteres psicológicos como el cociente intelectual;
• Nivel de ruido en telecomunicaciones;
• Errores cometidos al medir ciertas magnitudes;
• etc.
 DEFINICIÓN FORMAL DE DISTRIBUCIÓN
NORMAL
La función de distribución de la distribución normal está definida como
sigue:
 PROPIEDADES DE DISTRIBUCIÓN NORMAL
Algunas propiedades de la distribución normal son las siguientes:

• Es simétrica respecto de su media U

• La moda y la mediana son ambas iguales a la media, U
• Los puntos de inflexión de la curva se dan para
 PROPIEDADES DE DISTRIBUCIÓN NORMAL

Distribución de probabilidad en un
entorno de la media:
• Intervalo 1 se encuentra comprendida
aproximadamente en un 68.26% de la
distribución
• Intervalos 2 se encuentra
aproximadamente, el 95.44% de la
distribución
• Intervalo 3 se encuentra comprendida
aproximadamente el 99.74% de la
distribución
 DISTRIBUCIÓN NO NORMAL
Datos distribuidos normalmente es un concepto comúnmente mal entendido en
Análisis estadístico, algunas personas creen que todos los datos recogidos y
utilizados para el análisis deben de ser distribuidos normalmente
Pero la distribución normal no ocurre tan a medido como la gente piensa y no es
un objetivo principal.
La distribución normal es un medio para un fin, no el fin mismo

Existen algunas herramientas que requieren distribución normal

Análisis de capacidad (CP/CPK)
Pruebas T
Análisis de Varianza ANOVA
 DISTRIBUCIÓN NO NORMAL
Razón 1: Valores Extremos
 DISTRIBUCIÓN NO NORMAL
Razón 2: Superposición de dos o mas procesos
 DISTRIBUCIÓN NO NORMAL

Razón 3: Discriminación datos

insuficientes
 DISTRIBUCIÓN NO NORMAL

Razón 4: Datos Ordenados

 DISTRIBUCIÓN NO NORMAL
Razón 5 Los valores cercanos a cero o a un limite natural
 DISTRIBUCIÓN NO NORMAL
Razón 6 Los datos siguen una distribución diferente

Hay muchos tipos de datos que siguen una distribución no normal.

vDistribución de Weibull
vDistribución Log-Normal
vDistribución mas grande – valor extremo
vDistribución exponencial
vDistribución de Poisson
vDistribución Binomial
 DISTRIBUCIÓN NO NORMAL
¿Que puedo hacer entonces?

Básicamente, existen 2 opciones

Identificar, si es posible, las razones de dirección para la no normalidad

Utilizar herramientas que no requieran normalidad
TAMAÑO DE LA MUESTRA Y TOMA DE
DATOS
 TAMAÑO DE MUESTRA

Se le conoce como aquel número determinado de sujetos o cosas que

componen la muestra extraída de una población, necesarios para que
los datos obtenidos sean representativos de la población.

Es muy importante para el uso de cantidades grandes, fácil y rápido

 OBJETIVOS DE LA DETERMINACIÓN DEL
TAMAÑO ADECUADO DE UNA MUESTRA

Detectar una determinada

Estimar
diferencia, si realmente
un parámetro determinado Reducir costes o aumentar
existe, entre los grupos de
con el nivel de la rapidez del estudio.
estudio con un mínimo de
confianza deseado.
garantía.
 EJEMPLO
En un estudio de investigación epidemiológico la determinación de un
tamaño adecuado de la muestra tendría como objetivo su factibilidad.
Así:

Si el número de sujetos es Si el número de sujetos es excesivo, el

insuficiente habría que modificar estudio se encarece desde el punto de
los criterios de selección, vista económico y humano.

solicitar la colaboración de otros Además es poco ético al someter a más

centros o ampliar el período de individuos a una intervención que puede
ser menos eficaz o incluso perjudicial.
reclutamiento.

Los estudios con tamaños muestrales insuficientes,

no son capaces de detectar diferencias entre grupos,
llegando a la conclusión errónea de que no existe tal
diferencia.
 Tipos de
Poblaciones

Población Población
Finita infinita
 POBLACIÓN INFINITA
Esta formado por un numero extremadamente grande de componentes, donde
no se pueden contabilidad todos sus elementos, ya que existen numero
ilimitado de estos

Ejemplo
ØNumero de insectos en el mundo
ØNumero de estrellas en el universo
ØCantidad de granos de arena
ØNúmeros de gotas de agua en un lago
 CÁLCULO DEL TAMAÑO DE LA MUESTRA
DESCONOCIENDO EL TAMAÑO DE LA POBLACIÓN

La fórmula para calcular el tamaño de muestra cuando se desconoce el

tamaño de la población es la siguiente:

En donde
Z = nivel de confianza,
p = probabilidad de éxito, o proporción esperada
q = probabilidad de fracaso
d = error máximo admisible en términos de proporción
 POBLACIÓN FINITA
Esta formada por un numero limitados de elementos

Ejemplo

ØLos estudiantes de una universidad

ØEl numero de habitantes de una comunidad
ØEl numero de trabajadores de una compañía
ØLa flota de vehículos de una transportadora
 EL TAMAÑO DE UNA MUESTRA ES EL
NÚMERO DE INDIVIDUOS QUE CONTIENE.
Una fórmula muy extendida que orienta sobre el cálculo del tamaño de la
muestra para datos globales es la siguiente:

n: tamaño de la muestra
N: es el tamaño de la población o universo (número total de posibles encuestados).
Zα: es una constante que depende del nivel de confianza que asignemos.
e: es el error muestral deseado,
p: proporción de individuos que poseen en la población la característica de estudio.
q: proporción de individuos que no poseen esa característica
n = TAMAÑO DE LA MUESTRA
Numero de elementos o sujetos extraídos de una población

Es lo que estamos buscando

 N = TAMAÑO DE LA POBLACIÓN

Individuos o elementos en los cuales se

puede presentar características
susceptibles a ser estudiadas

• Universo Finito
• Universo Infinito
 Z - NIVEL DE CONFIANZA
Constante que depende del nivel de confianza que asignemos.
El nivel de confianza indica la probabilidad de que los resultados de
nuestra investigación sean ciertos
Un 95,5 % de confianza es lo mismo que decir que nos podemos
equivocar con una probabilidad del 4,5%.
Los valores de Zα se obtienen de la tabla de la distribución
normal estándar N(0,1).
Los valores de Zα más utilizados y sus niveles de confianza son:

Valor de Zα 1.28 1.65 1.69 1.75 1.81 1.88 1.96

Nivel de
80% 90% 91% 92% 93% 94% 95%
confianza
 ERROR - E
Es el error muestral deseado, en porcentaje %.

El error muestral es la diferencia que puede haber entre el resultado

que obtenemos preguntando a una muestra de la población y el que
obtendríamos si preguntáramos al total de ella.

NOTA: Cuando no se tiene conocimiento del error se recomienda

trabajar con un valor de 0,05 o 5%
 ERROR - E
Ejemplo 1: si los resultados de una encuesta dicen que 100 personas
comprarían un producto y tenemos un error muestral del 5% comprarán
entre 95 y 105 personas.
Ejemplo 2: si hacemos una encuesta de satisfacción a los empleados con
un error muestral del 3% y el 60% de los encuestados se muestran
satisfechos significa que entre el 57% y el 63% (60% +/- 3%) del total de
los empleados de la empresa lo estarán
Ejemplo 3: si los resultados de una encuesta electoral indicaran que un
partido iba a obtener el 55% de los votos y el error estimado fuera del
3%, se estima que el porcentaje real de votos estará en el intervalo 52-
58% (55% +/- 3%).
 COMO SE CALCULA EL ERROR
• Se Calcula con la siguiente formula

e = Límite aceptable de error muestral

Zα: Valor obtenido mediante niveles de confianza.

ᵟ= Desviación estándar de la Muestra

n = el tamaño de la muestra.
N = tamaño de la población. NOTA: Cuando no se tiene conocimiento del error
se recomienda trabajar con un valor de 0,05 o 5%
PROPORCIÓN - P

Probabilidad o Proporción de
individuos que poseen en la población
la característica de estudio.

Este dato es generalmente

desconocido y se suele suponer que
p=0.5 que es la opción más segura.
 VALOR Q

Probabilidad o proporción de individuos que no poseen esa

característica, es decir, es 1-p.

NOTA: Si no se conoce p o q, se trabaja con

p=0,5
q=0,5
 EL TAMAÑO DE UNA MUESTRA ES EL
NÚMERO DE INDIVIDUOS QUE CONTIENE.
Otra fórmula para calcular el tamaño de la muestra es:

n = el tamaño de la muestra.
N = tamaño de la población.

ᵟ= Desviación estándar de la población, Cuando no se conoce la desviación estándar se trabaja con

una constante de 0,5

Zα: Valor obtenido mediante niveles de confianza.

e = Límite aceptable de error muestral
 EJEMPLO DE CALCULO DE TAMAÑO DE
MUESTRA
Ejemplo ilustrativo: Calcular el tamaño de la muestra de una
población de 500 elementos con un nivel de confianza del 95%

Se tiene N=500, para el 95% de confianza Zα=1.96, y como no

se tienen los demás valores se usará σ=0.5, y e=0.05.

Lo cual se aproxima a 218

 EJERCICIOS

Calcule el tamaño de la muestra para una población de 500

con un error de muestreo del 5% y nivel de confianza del
99%.
Nivel de confianza
Puntuación z
Calcule el tamaño de la muestra para una población de 500 deseado
80% 1.28
con un error de muestreo del 9% y nivel de confianza del 85% 1.44
95%. 90% 1.65
95% 1.96
99% 2.58
Calcule el tamaño de la muestra para una población de 500
con un error de muestreo del 9% y nivel de confianza del
99%.
 CONSIDERACIÓN DEL TAMAÑO DE LA
MUESTRA

Altos niveles de confianza y bajo margen de error no significan

que la encuesta sea de mayor confianza o esté más libre de
error necesariamente; antes es preciso minimizar la principal
fuente de error que tiene lugar en la recogida de datos.
TOMA DE DATOS
 TOMA DE DATOS
Las técnicas de recolección de datos son mecanismos e
instrumentos que se utilizan para reunir y medir
información de forma organizada y con un objetivo
específico.

Usualmente se usan en
• investigación científica
• Investigación empresarial
• Estadística
• Marketing.
 TOMA DE DATOS

Cada una de estas técnicas permite recopilar información

de diferente tipo.

IMPORTANTE: conocer sus características y tener claros

los objetivos para elegir aquellas que permitan recoger la
información apropiada.
 TOMA DE DATOS

Cualitativas

Las técnicas de
recolección de datos
se clasifican Cuantitativas

Mixtas.
 INVESTIGACIÓN CUANTITATIVA
Busca recolectar datos numéricos
o exactos.

Sus técnicas son estandarizadas,

sistemáticas y buscan obtener
datos precisos.

Por esta razón tienen mayor

aplicación en estadística o en las
ciencias exactas.
INVESTIGACIÓN CUALITATIVA

Busca obtener información sobre el

contexto y las características de los
fenómenos sociales.

Por esta razón, los datos numéricos

no son suficientes y requieren
técnicas que permitan conocer más
profundamente las realidades que se
desea analizar.
 LA INVESTIGACIÓN MIXTA

Las técnicas mixtas, como su nombre lo indica, son

aquellas que permiten recolectar información cualitativa
y cuantitativa a la vez.
LAS 7 TÉCNICAS DE LEVANTAMIENTO DE
DATOS
5- Documentos
y registros

3- 4- Grupos
Observaciones focales

2-
Cuestionarios y
encuestas

1- Entrevistas 6- Etnografía

7- Técnica
Delphi
1- En esencia, una conversación bien planificada. En ella, el
investigador plantea una serie de preguntas o temas de
ENTREVISTAS debate a una o varias personas, con el fin de obtener
información específica.
 1- ENTREVISTAS
Por ejemplo, en una investigación que indaga sobre las
causas de la deserción escolar en una institución, pueden
aplicarse entrevistas.

En este caso puede ser útil entrevistar a actores de la

problemática como padres y estudiantes, al igual que
funcionarios públicos para comprender mejor la
problemática.
 1- ENTREVISTAS

Según la organización Estructurada

de una entrevista, ésta

puede ser:

Semiestructurada informal
 1- ENTREVISTAS

Entrevista estructurada
es aquella en la cual el entrevistador
tiene una lista de preguntas definidas
previamente y se limita estrictamente
a ellas.
 1- ENTREVISTAS

Entrevista semiestructurada
existe una guía de preguntas o temas
generales de conversación.

Sin embargo, el entrevistador puede

desarrollar preguntas nuevas a medida que
vayan surgiendo los temas de su interés.
1- ENTREVISTAS

Entrevista informal

Es aquella que no está guiada por una lista

de preguntas determinadas.

El entrevistador tiene claros los temas sobre

los que quiere indagar y los introduce de
manera espontánea en la conversación.
 2- CUESTIONARIOS Y ENCUESTAS

Son técnicas en las cuales se plantea un listado de

preguntas cerradas para obtener datos precisos.

Usualmente se usan en investigaciones cuantitativas,

pero también pueden incluirse preguntas abiertas para
permitir un análisis cualitativo.
 2- CUESTIONARIOS Y ENCUESTAS

Es una técnica muy extendida porque permite obtener

información precisa de una gran cantidad de personas.

El hecho de tener preguntas cerradas permite calcular

los resultados y obtener porcentajes que permitan un
análisis rápido de los mismos.
 2- CUESTIONARIOS Y ENCUESTAS

Para continuar con el ejemplo de la deserción escolar los

cuestionarios pueden ser útiles para obtener información
precisa de los estudiantes.

Por ejemplo:
• Edad
• grado en el que abandona la escuela
• motivos para abandonarla
• etc.
3- OBSERVACIONES

Es una técnica que consiste precisamente en

observar el desarrollo del fenómeno que se
desea analizar.

Éste método puede usarse para obtener

información cualitativa o cuantitativa de acuerdo
con el modo en que se realiza.
 3- OBSERVACIONES
En investigación cualitativa:
Permite analizar las relaciones entre los participantes
gracias al análisis de sus comportamientos y de
su comunicación no verbal.

En investigación cuantitativa:
es útil para hacer seguimiento a la frecuencia de
fenómenos biológicos o al funcionamiento de una
máquina.
 3- OBSERVACIONES
Por ejemplo

Si se desea comprender los motivos de la deserción

escolar, puede ser útil observar la forma en que se
relacionan maestros y estudiantes.

En este caso, puede aplicarse la técnica de observación

en una clase cualquiera.
 3- OBSERVACIONES
Al aplicar esta técnica con enfoque cualitativo, es
necesario organizar las observaciones en categorías
temáticas para poder darle un orden al análisis.

Estas categorías deben relacionarse con la información

obtenida a través de otras técnicas para tener mayor
validez.
 4- GRUPOS
FOCALES

Los grupos focales podrían describirse como una

entrevista grupal.

Consiste en reunir a un grupo de personas que

comparten características relacionadas con la
investigación y orientar la conversación hacia la
información que se desea obtener.
 4- GRUPOS FOCALES

Es una técnica cualitativa útil para analizar

opiniones combinadas, contradicciones u otros
datos que surgen de la interacción entre las personas.
 4- GRUPOS FOCALES
Continuando con el ejemplo de la deserción: podría aplicarse
un grupo focal entre:
• Docentes
• Padres
• Estudiantes

En cualquiera de estos casos se podría preguntar a los

participantes cuáles son las causas del abandono escolar y a
partir de allí propiciar la discusión y observar el desarrollo de la
misma.
 5- DOCUMENTOS
Y REGISTROS
Esta técnica consiste en examinar los
datos presentes en documentos ya
existentes, como bases de datos, actas,
informes, registros de asistencia, etc.

Por lo tanto, lo más importante para este

método es la habilidad para encontrar,
seleccionar y analizar la información
disponible.
 5- DOCUMENTOS
Y REGISTROS

Es necesario tener en cuenta que la

información recopilada puede dar
información inexacta o incompleta. Por
este motivo, debe ser analizada en
relación con otros datos para que pueda
ser útil a la investigación.
6- ETNOGRAFÍA

Es una técnica cualitativa en la cual se

ejerce una observación continuada del
grupo social que se desea analizar.

El investigador lleva un diario de sus

observaciones y también emplea otras
técnicas como entrevistas y grupos
focales para complementar.
 6- ETNOGRAFÍA
Su propósito es comprender a profundidad las dinámicas
sociales que se desarrollan dentro de un grupo
determinado.

Sin embargo, existe una polémica en torno a su

objetividad por la dificultad de separar completamente al
investigador de su objeto de estudio.
7- TÉCNICA DELPHI

Consiste en indagar a una serie de

expertos en un tema determinado para
orientar la toma de decisiones.

El resultado debe ser comparado con los

demás resultados de la investigación para
que su análisis tenga validez en el
contexto.
7- TÉCNICA DELPHI
Toma su nombre del Oráculo de Delfos, que
era una fuente a la que acudían los griegos
para obtener información sobre su futuro y así
orientarse para la toma de decisiones.

Con el fin de obtener resultados precisos, los

expertos son consultados a través de un
cuestionario.

Las respuestas recibidas se cuantifican y se

analizan como información cuantitativa.
 La importancia de los
sistemas de medición
• Si no sabemos, no podemos actuar
• Si no podemos actuar, el riesgo de
perder es alto
• Si sabemos y actuamos, el riesgo se
puede administrar
• Si sabemos y no actuamos, Dr. Mikel J. Harry
merecemos perder
 Six Sigma y MSA
• Six Sigma depende de mediciones
• Para asegurar que los sistemas de
medición son estadísticamente
confiables durante la fase medir se
lleva a cabo un análisis de los
sistemas de medición (MSA)

• MSA es un método experimental y

matemático para determinar cuanta
variación de un proceso resulta de la
variación en el sistema de medición.
Efectos de los errores en la medición
 Ejemplo de inspección

he necessity of training farm hands for first class farms in the fatherly
handling of farm live stock is foremost in the eyes of farm owners. Since the
forefathers of the farm owners trained the farm hands for first class farms in
the fatherly handling of farm livestock, the farm owners feel they should
carry on with the family tradition of training farm hands of first class farmers
in the fatherly handling of farm live stock because they believe it is the basis
of good fundamental farm management.
Ejemplo de inspección

Existen 36 letras F
 Efectos de los errores en la medición

• Mas dificultad de enfrentar los problemas y

poder identificar las causas raíz
• NO se puede identificar causas especiales de
variación
• Retrabajos (Reprocesos) innecesarios al
rechazar lo que esta bien o aceptar lo que
esta mal
• Incrementos en la tasa de desperdicios
• Mas devoluciones de los clientes
• Relaciones frustradas con proveedores /
clientes
 Estudio R&R
Repite cada medición en diversas condiciones para probarlo frente a los 4
criterios esenciales:

Precisión Repetibilidad Reproducibilidad Estabilidad

Estudio R&R
Estudios de diferentes tipos de medidores
• Medidores de variables
• Números
• Unidades de medida

• Medidores de Atributos
• Subjetivos (defectos cosmeticos)
• Dispersión de defectos
• Sensorial/ Visual
Guía de Aceptación
Impacto financiero de un error en la
medición
 Pasos Para Desarrollar un Estudio R&R

Continuar hasta
Hacer que el
Hacer que el que todos lo Repetir los pasos Analizar los
Calibrar el segundo
primer operador operadores del 2 al 4 para el Determinar los resultados y
Medidor o operario mida
mida todas las hayan medido numero de estadísticos del determinar los
revisar que ya ha todas las
muestras al azar las muestras una pruebas Estudio R&R planes de acción
sido calibrado muestras al azar
una vez vez (Esta es la requeridas si los hay.
una vez
prueba 1)
 Preparar el Estudio R&R

Se miden las
Garantice el azar en múltiples partes , no
las mediciones de la hacer el ejercicio con
muestra una sola unidad.

Múltiples operadores Cada operador mide

que miden la misma varias veces.
parte recomendable
mas de 2 operadores
Vamos al Minitab
• Un ingeniero selecciona 10 partes que representan el rango
esperado de la variación del proceso. Tres operadores miden
las 10 partes, tres veces por parte, en orden aleatorio.
• El ingeniero lleva a cabo un estudio R&R cruzado del sistema
de medición para evaluar la variabilidad en las mediciones
que podría deberse al sistema de medición.

• Descargar [Link]
 Aspectos importantes de Estudio R&R

Comprender los factores Corrija Cualquier

No medir hasta que se
en los sistemas de Variación en los sistemas
haya completado un MSA
medición de Medición
 CONSIDERACIÓN GENERAL

Garantizar la variabilidad y la aleatoriedad.

• 6M
• Utilización de Datos Aleatorios para evitar sesgos al momento de determinar
las mediciones
GRÁFICOS DE
CONTROL
VARIACIÓN
Los procesos siempre tienen variación, ya que en él
intervienen diferentes factores sintetizados a través de las 6
M: materiales, maquinaria, medición, mano de obra (gente),
métodos y medio ambiente.
Bajo condiciones normales o comunes de trabajo, todas las M
aportan variación a las variables de salida del proceso, en
forma natural o inherente, pero además aportan variaciones
especiales o fuera de lo común
VARIACIÓN
las 6 M son susceptibles de cambios, desajustes, desgastes, errores,
descuidos, fallas, etc. Así, hay dos tipos de variabilidad:

• Causas comunes
• Causas especiales o atribuibles
LA VARIACIÓN POR CAUSAS COMUNES
(O POR AZAR)

Es aquella que permanece día a día, lote a lote; y es aportada de forma

natural por las condiciones de las 6 M.

Esta variación es inherente a las actuales características del proceso y

es resultado de la acumulación y combinación de diferentes causas
que son difíciles de identificar y eliminar, ya que son inherentes al
sistema y la contribución individual de cada causa es pequeña; no
obstante, a largo plazo representan la mayor oportunidad de mejora.
LA VARIACIÓN POR CAUSAS ESPECIALES
(O ATRIBUIBLES)
Se debe a situaciones o circunstancias especiales que no están de
manera permanente en el proceso. Por ejemplo:
• la falla ocasionada por el mal funcionamiento de una pieza de la máquina
• el empleo de materiales no habituales o el descuido no frecuente de un operario.

Las causas especiales, por su naturaleza relativamente discreta en su

ocurrencia, a menudo pueden ser identificadas y eliminadas si se
cuenta con los conocimientos y condiciones para ello.
PROCESO EN CONTROL ESTADÍSTICO O
ESTABLE

Cuando un proceso trabaja sólo con causas comunes de

variación se dice que está en control estadístico o es
estable, porque su comportamiento a través del
tiempo es predecible.
QUE PASA SI NO DISTINGO LOS TIPOS DE
VARIACIÓN
No distinguir entre estos dos tipos de variabilidad conduce a cometer 2
errores en la actuación de los procesos

Error 1: reaccionar ante un cambio o variación (efecto o problema)

como si proviniera de una causa especial, cuando en realidad surge de
algo más profundo en el proceso, como son las causas comunes de
variación.
Error 2: tratar un efecto o cambio como si procediera de causas
comunes de variación, cuando en realidad se debe a una causa
especial.
 EJEMPLO
Una línea de producción saca desperfectos o mellas en las latas. Es obvio que este
problema se puede deber a causas comunes o a causas especiales y la actuación será
diferente en cada caso.
Tipo de causa Posibles errores
Acción
Error 2: creer que el problema es común (hojalata
Especial: el desperfecto es de mala calidad) y no hacer a la máquina los ajustes
Los trabajadores o los técnicos
provocado por un desgaste natural necesarios
pueden reducir o eliminar el en forma oportuna.
relativamente menor en la máquina
problema ajustando o
reemplazando las partes Error 1: cuando la línea de montaje arroje una lata
Común: las latas salen melladas defectuosa, la “reacción visceral” podría llevar al
afectadas del equipo. operario
porque la administración compra
No hay nada que los operarios a ajustar la maquinaria. Pero el problema está en el
hojalata de menor calidad, quizás en
puedan hacer por el problema. material; por lo tanto, el ajuste puede descomponer
un esfuerzo por reducir costos. El el sistema
Sólo la administración tiene la
operador no sabe de esta situación y y empeorar las cosas, y esto producirá nuevos y más
facultad de cambiar la política de graves problemas. Mientras tanto, la verdadera
la administración tampoco está
compras. fuente del inconveniente (material) pasará
consciente del perjuicio. inadvertida.
 COMO IDENTIFICO LA VARIACIÓN..

Cada uno de estos dos errores causa pérdidas. Se puede evitar uno u
otro, pero no ambos.
No es posible reducir a cero ambos errores.
Lo mejor es tratar de cometer rara vez a ambos, y con este propósito,
el doctor Walter Shewhart ideó las cartas de control en el año 1924.
¿QUE SON LAS GRAFICAS DE CONTROL?

Una gráfica de control es una comparación

gráfica de los datos de desempeño de proceso
con los “límites de control estadístico”
calculados, dibujados como rectas limitantes
sobre la gráfica.

Los datos de desempeño de proceso por lo

general consisten en grupos de mediciones que
vienen de la secuencia normal de producción y
preservan el orden de los datos.
¿QUE ES UN PROCESO DE CONTROL?

Es aquel cuyo comportamiento con respecto a variaciones es

estable en el tiempo.

Las graficas de control se utilizan en la industria para:

Técnica de diagnósticos
Supervisar procesos de producción
Identificar Inestabilidad y circunstancias anormales.
 PARA QUE SIRVEN?
Determinar cuándo deben emprenderse acciones para ajustar un
proceso que ha sido afectado por una causa especial.
Nos dicen cuando dejar que un proceso trabaje por sí mismo, y no
malinterpretar las variaciones debidas a causas comunes.
Las causas especiales se deben contrarrestar con acciones correctivas.
Las causas comunes son el centro de atención de las actividades
permanentes para mejorar el proceso
ACTUAR O DEJAR SEGUIR
CARACTERÍSTICAS DE VARIACIÓN

Causas Comunes Causas Especiales

El proceso Operando como Siempre El proceso ha cambiado
Lo común es parte del sistema Inusuales, No son parte del sistema
Cosas triviales Fáciles de Detectar
Predecible en el tiempo Impredecible
Inherentes al proceso Evento Especifico
Permanecen hasta que el sistema Cambia Vienen y van erráticamente
También llamadas causas de azar También llamadas causas asignables

Causas especiales indican un proceso

“Fuera de control”
CUAL ES SU OBJETIVO

observar y analizar
la variabilidad y el comportamiento de un
proceso a través del tiempo.
Haciendo posible distinguir entre variaciones
por causas comunes y especiales
EJEMPLO
 CUAL ES SU OBJETIVO EN MEJORAR LA
CALIDAD
No es lograr un estado de control estadístico como un fin, sino

REDUCIR LA VARIACIÓN.
PASOS PARA ESTABLECER UNA
GRÁFICA DE CONTROL
ESTABLECER UNA GRÁFICA DE CONTROL
REQUIERE LOS SIGUIENTES 7 PASOS:

Elegir la
característica que
debe graficarse.
ESTABLECER UNA GRÁFICA DE CONTROL
REQUIERE LOS SIGUIENTES 7 PASOS:

Elegir el tipo de
gráfica de control
 ESTABLECER UNA GRÁFICA DE CONTROL
REQUIERE LOS SIGUIENTES 7 PASOS:
Decidir la línea central que deben usarse y la base para calcular los límites.

La línea central puede ser el promedio de los datos históricos o puede ser el
promedio deseado.
ESTABLECER UNA GRÁFICA
DE CONTROL REQUIERE
LOS SIGUIENTES 7 PASOS:

Seleccionar el subgrupo.

Cada punto en una gráfica de

control representa un subgrupo
que consiste en varias unidades
de producto.
 ESTABLECER UNA GRÁFICA DE CONTROL
REQUIERE LOS SIGUIENTES 7 PASOS:
Proporcionar un sistema de recolección de datos.
 ESTABLECER UNA GRÁFICA DE CONTROL
REQUIERE LOS SIGUIENTES 7 PASOS:

Calcular los límites de

control
y proporcionar
instrucciones específicas
sobre la interpretación de
los resultados y las
acciones que debe tomar
cada persona en
producción.
ES TA B L EC E R U N A
GRÁFICA DE CONTROL
R EQ U I E R E LO S
S I G U I E N T ES 7 PA S O S
:

Graficar los
datos e
interpretar
los
resultados.
EJEMPLO DE GRÁFICA DE CONTROL
GENERALIZADA PARA PROMEDIOS
 TIPO DE VARIABLE
Variable Cuantitativa Variable Cualitativa

Continua Discreta - Atributo Ordinal Nominal

Puede tomar cualquier Toma solo ciertos

valor en un intervalo valores (procesos de Tienen un orden No tienen un orden
dado (Proceso de predeterminado Predeterminado
contar)
Medición)

# de trabajadores por
oficina
Nivel educativo, estrato Sexo, Condición de
Ingreso, Talla Peso # de estudiantes por
socioeconómico. empleo
curso
Edad en Años
TIPOS DE GRÁFICOS DE CONTROL
TIPOS DE GRÁFICOS DE CONTROL

Datos de Variables
Continua

SubGrupos de Tamaño
Mediciones Individuales SubGrupos de Tamaño fijo
Variable

Grafica MR Grafica X-R Grafica X-S

 GRAFICOS DEL CONTROL PARA
VARIABLES CONTINUAS

Una gráfica MR: grafica el rango móvil en el tiempo para monitorear la

variación del proceso a fin de determinar las observaciones individuales.

Utilice la gráfica MR para monitorear la variación del proceso cuando es

difícil o imposible agrupar las mediciones en subgrupos.

Esto ocurre cuando las mediciones son costosas, el volumen de producción

es bajo, o los tiempos de los ciclos de producción del producto son largos.
 GRAFICA I-MR
Utilice la Gráfica I-MR para monitorear la media y la variación del
proceso cuando tenga datos continuos que sean observaciones
individuales que no están en subgrupos.

Utilice esta gráfica de control para monitorear la estabilidad del

proceso en el tiempo, de manera que pueda identificar y corregir
las inestabilidades en un proceso.
GRAFICO I-MR
GRÁFICA Z-MR
Utilice para monitorear la media y la variación de partes
diferentes cuando se producen relativamente pocas unidades
de cada parte, como en los procesos de corridas cortas.

El método más general parte del supuesto de que cada parte

o lote producido por un proceso tiene su propio promedio y
desviación estándar únicos. Si se pueden obtener el promedio
y la desviación estándar, entonces los datos del proceso se
pueden estandarizar al restar la media y dividir el resultado
entre la desviación estándar.
GRÁFICA Z-MR

La gráfica Z-MR representa las observaciones individuales (z) y

los rangos móviles estandarizados, de modo que usted pueda
evaluar los datos de diferentes corridas en una misma gráfica
de control.
GRÁFICA Z-MR
 GRAFICOS DEL CONTROL PARA
VARIABLES X-R
Grafico X-R grafica la media del proceso (gráfica X) y el rango del proceso (gráfica
R) a lo largo del tiempo para datos variables en subgrupos. Esta gráfica de control
de combinación se utiliza ampliamente para examinar la estabilidad de los
procesos en muchas industrias.

Por ejemplo, puede utilizar gráficas X-R para monitorear la media y la variación del
proceso para subgrupos de longitudes de piezas, tiempos de llamadas o la presión
sanguínea de los pacientes de un hospital a lo largo del tiempo.

Las gráficas X y R se muestran juntas porque usted debe interpretar ambas gráficas
para determinar si su proceso es estable.
 GRAFICOS DEL CONTROL PARA
VARIABLES X-R
Examine:
1. La gráfica R porque la variación del proceso debe estar bajo control para
poder interpretar correctamente la gráfica X.
2. Los límites de control de la gráfica X se calculan considerando tanto la
dispersión del proceso como el centro del proceso.
3. Si la gráfica R está fuera de control, entonces, los límites de control en la
gráfica X pudieran ser inexactos y pudieran indicar falsamente una condición
fuera de control o no la detectarían.
 GRAFICOS DEL CONTROL PARA
VARIABLES X-R
Utilice Gráfica X-R para monitorear la media y la variación de
un proceso cuando tenga datos continuos y tamaños de
subgrupo de 8 o menos.

Utilice esta gráfica de control para monitorear la

estabilidad del proceso en el tiempo, de manera que
pueda identificar y corregir las inestabilidades en un
proceso.
GRAFICA X-R
 GRAFICOS DEL CONTROL PARA
VARIABLES X-S
Una gráfica X-S: grafica la media del proceso (gráfica X) y la desviación estándar del
proceso (gráfica S) a lo largo del tiempo para datos de variables en subgrupos. Esta
gráfica de control de combinación se utiliza ampliamente para examinar la estabilidad
de los procesos en muchas industrias.

Por ejemplo, puede utilizar gráficas X-S para examinar la media y la variación del
proceso para subgrupos de longitudes de piezas, tiempos de llamadas o la presión
sanguínea de los pacientes de un hospital a lo largo del tiempo.

Las gráficas X y S se muestran juntas porque usted debe interpretar ambas gráficas
para determinar si su proceso es estable.
 GRAFICOS DEL CONTROL PARA
VARIABLES X-S
Examine
1. La gráfica S porque el proceso debe estar bajo
control para poder interpretar correctamente la gráfica
X.
2. Los límites de control de la gráfica se calculan
considerando tanto la dispersión del proceso como el
centro del proceso.
3. Si la gráfica S está fuera de control, entonces, los
límites de control en la gráfica X pudieran ser inexactos
y pudieran indicar falsamente una condición fuera de
control o no la detectarían.
 GRAFICOS DEL CONTROL PARA
VARIABLES X-S

Utilice la Gráfica X-S para monitorear la media y la variación de

un proceso cuando tenga datos continuos y tamaños de
subgrupo de 9 o más.

Utilice esta gráfica de control para monitorear la estabilidad

del proceso en el tiempo, de manera que pueda identificar y
corregir las inestabilidades en un proceso.
GRAFICO X-S
TIPOS DE GRÁFICOS DE CONTROL
Datos de Atributos -
Conteo

Faltas de Unidades faltas de

Cumplimiento cumplimiento

Tamaño fijo de Tamaño Variable de

Oportunidad Oportunidad Muestra Muestra
Fija Variable

Grafico NP Grafico P
Grafico C Grafico U
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRAFICO C”

Se utilizan para graficar el número total de defectos en una muestra cuando

el tamaño de la muestra es constante. Puede inspeccionar un tipo de defecto
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRAFICO C”
Utilice la Gráfica C para monitorear el número de defectos cuando cada elemento
pueda tener múltiples defectos.

Debe utilizar una gráfica C solo cuando los subgrupos sean del mismo tamaño.

Utilice esta gráfica de control para monitorear la estabilidad del proceso en el

tiempo, de manera que pueda identificar y corregir las inestabilidades en un
proceso.
TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRAFICO C”
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRÁFICA U”

Grafica el número de defectos (también llamados no conformidades) por

unidad. Es posible que una unidad tenga uno o más defectos, pero aun así
sea aceptable en función y desempeño.
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRÁFICA U”

Utilice la Gráfica U para monitorear el número de defectos por

unidad cuando cada elemento pueda tener múltiples
defectos.

Utilice esta gráfica de control para monitorear la estabilidad

del proceso en el tiempo, de manera que pueda identificar y
corregir las inestabilidades en un proceso.
TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRÁFICA U”
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRÁFICOS NP”
Las gráficas NP: muestran el número total de unidades no conformes
(también llamadas no conformes). Por ejemplo, puede utilizar una gráfica NP
para monitorear lo siguiente:

• El número de vuelos que despegan tarde.

• El numero de logotipos impresos que están manchados

Aunque una unidad pudiera tener muchas características de calidad que se

pueden evaluar, siempre se considera que la unidad es conforme o no
conforme.
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRÁFICOS NP”
Utilice la Gráfica NP para monitorear el número de elementos
defectuosos donde cada elemento se pueda clasificar en una
de dos categorías, como por ejemplo pasa o no pasa.

Utilice esta gráfica de control para monitorear la estabilidad

del proceso en el tiempo, de manera que pueda identificar y
corregir las inestabilidades en un proceso.
TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRÁFICOS NP”
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRAFICA P”
Grafica la proporción de unidades no conformes (también denominadas
defectuosas). Por ejemplo, puede utilizar una gráfica P para monitorear lo
siguiente:

• La proporción de vuelos que parten con demora

• La proporción de logotipos impresos que se manchan

Aunque una unidad pudiera tener muchas características de calidad que se

pueden evaluar, siempre se considera que la unidad es conforme o no
conforme.
 TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRAFICA P”
• Utilice la Gráfica P para monitorear la proporción de elementos
defectuosos donde cada elemento se pueda clasificar en una de
dos categorías, como por ejemplo pasa o no pasa.

• Utilice esta gráfica de control para monitorear la estabilidad del

proceso en el tiempo, de manera que pueda identificar y corregir
las inestabilidades en un proceso
TIPOS DE GRÁFICOS DE CONTROL PARA
ATRIBUTOS “GRAFICA P”
GRACIAS