UNIDAD II

PRINCIPIOS ESTADSTICOS APLICADOS

EN CONTROL DE CALIDAD
Por: Prof. Gastn A. Prez U.
2.2.- FRECUENCIA Y DISTRIBUCIN DE FRECUENCIA
Como estudiamos en la seccin anterior (2.1) las variables de salida de un proceso deben cumplir con ciertas
metas y/o especificaciones, a fin de que sea posible considerar que el proceso funciona de manera
satisfactoria.
As mismo, un factor muy importante en el control de calidad es conocer la capacidad o habilidad de un
proceso, que consiste en determinar la amplitud de la variacin natural (variabilidad) del proceso para una
caracterstica de calidad dada; esto permitir saber en qu medida tal caracterstica de calidad cumple con las
especificaciones.
Otro aspecto estudiado fueron las caractersticas de los datos que normalmente son de inters: valor central,
desviacin y la forma de distribucin de los datos.
En esta seccin aprenderemos a realizar un estudio de la capacidad del proceso partiendo de los datos
recolectados; sin embargo, stos deben ser procesados adecuadamente para poder determinar la capacidad
del proceso; es por ello que comenzaremos esta seccin estudiando cmo se procesan los datos
recolectados.

(2.2.1) PROCESAMIENTO DE LOS DATOS RECOLECTADOS

(2.2.1.1) INTRODUCCIN
Los datos sin agrupar son una lista en bruto de valores observados.
Existen dos tipos de tcnicas para procesar datos:
Tcnica analtica
Tcnica grfica
A veces se utilizan ambas tcnicas.
La tcnica analtica resume los datos al calcular una medida de la tendencia central y de la dispersin
(visto en el segmento 2.1).
La tcnica grafica es una imagen de la distribucin de frecuencia que es a su vez un resumen de cmo
los datos (observaciones) se presentan dentro de cada subdivisin de los valores observados o grupos
de valores observados.
Vamos a seguidas a profundizar en el anlisis de dicha tcnica:
Imaginar que un conjunto de nmeros tiene cierto tipo de distribucin es fundamental para resolver
problemas de calidad.
En el lxico estadstico Frecuencia es la cantidad de veces que los datos observados cumplen con
uno o varios parmetros establecidos; ejemplo: cuantas piezas cumplen o no con las medidas
especificadas.
Por otra parte, una Distribucin de frecuencia es una tabulacin de datos ordenados de acuerdo
con su tamao. La Distribucin de frecuencia es un concepto bsico en estadstica.
Hay diferentes tipos de Distribucin de frecuencia, y el tipo especfico puede indicar el mtodo ms
indicado para resolver un problema de calidad.
Para construir una tabla de frecuencia, se sigue el siguiente procedimiento:
11

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

(2.2.1.2) TRATAMIENTO DE DATOS SIN AGRUPAR LOS MISMOS

Este procedimiento se utiliza cuando lo datos contienen poca diversidad o categoras entre sus
valores o cuando la muestra contiene menos de 30 elementos.
Para comprender mejor este procedimiento utilizaremos un ejemplo.
Ejemplo 1: sea la siguiente informacin obtenida de un supermercado:
Cantidad de errores de facturacin
0
1
1
2
0
1
1

1
5
0
1
4
3
3

3
4
2
1
1
4
0

0
1
0
1
3
0
1

1
2
0
2
1
0
2

0
1
2
1
1
0
2

1
2
0
1
1
0
3

0
0
1

-Los datos anteriores estn colocados de una manera que hacen difcil su comprensin; para tener un
mejor juicio debemos proceder segn la siguiente metodologa:
1. Establecer un conjunto: consiste en arreglar los datos numricos por magnitud ascendente o
descendente 0, 1, 2, 3, 4, 5
2. Tabular la frecuencia de cada valor. Los resultados para los datos del ejemplo 1 quedan como
sigue:

Conteo de la cantidad de errores diarios de facturacin

Cantidad de no conformes
0
1
2
3
4
5

Tabulacin
IIIII IIIII IIIII
IIIII IIIII IIIII IIIII
IIIII III
IIIII
III
I

Frecuencia
15
20
8
5
3
1

Al eliminar la columna tabulacin, la tabla que resulta es la Distribucin de Frecuencia donde se

muestran la frecuencia de los valores en cada categora.
Las distribuciones de frecuencia se presentan en forma grfica cuando se desea tener mayor
claridad visual.
Hay varias formas de presentar una grfica de distribucin partiendo de la tabla de frecuencia,
entre ellas y para los objetivos de nuestro programa vamos a estudiar y concentrarnos en el
histograma:

HISTOGRAMA
Definicin: Consiste en un conjunto de rectngulos que representan la frecuencia en cada categora.

12

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

El histograma hace posible que con slo echarle un vistazo se pueda tener una idea objetiva sobre la calidad
de un producto.
Se utiliza para:
1.
2.
3.
4.
5.

Resolver problemas.
Determinar la capacidad del proceso.
Comparar con las especificaciones.
Sugerir la forma de la poblacin.
Indicar discrepancias en datos, como por ejemplo: discontinuidades.

El histograma obtenido para los datos de frecuencia del ejemplo 1 es el siguiente:

NOTA: Para graficar un histograma se suele utilizar rectngulos en lugar de una lnea vertical.

OTROS TIPOS DE REPRESENTACIN GRAFICA

FRECUENCIA ACUMULADA - FRECUENCIA RELATIVA - FRECUENCIA RELATIVA ACUMULADA
Frecuencia acumulada:
Se calcula sumando la frecuencia del valor de cada dato a la suma de las frecuencias de los
valores anteriores.
Frecuencia Relativa:

Relativa quiere decir proporcin o fraccin del total.

Se calcula dividiendo la frecuencia del valor de cada dato entre el total (suma de todas las
frecuencias)
Al graficar en un histograma las diferentes frecuencias relativas estamos obteniendo lo que se
conoce como Distribucin de Probabilidad.

Frecuencia relativa acumulada:

Se calcula dividiendo la frecuencia relativa acumulada para cada valor de los datos entre el total.

La siguiente tabla fue construida partiendo de los datos del ejemplo 1:

13

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Distintas distribuciones de frecuencia para los datos anteriores

Frecuencia
Cantidad de no
Frecuencia
Frecuencia
Frecuencia
Relativa
conformes
Acumulada
Relativa
Acumulada
0
15
15
15/52 = 0.29
15/52=0.29
1
20
15+20=35
20/52 = 038
35/52=0.67
2
8
35+8=43
8/52 = 0.15
43/52=0.83
3
5
43+5=48
5/52 = 0.10
48/52=0.92
4
3
48+3=51
3/52 = 0.06
51/52=0.98
5
1
51+1=52
1/52 = 0.02
52/52=1.00
Total
52
1.00
Interpretacin:
Frecuencia relativa para 0 unidades no conformes = 0.29 (29%)
Frecuencia acumulada para 2 unidades o menos no conformes = 43
Frecuencia relativa acumulada para 2 unidades o menos no conformes = 0.83 (83%)

Al graficar los datos utilizando el histograma, obtenemos las siguientes figuras:

14

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

(2.2.1.3) TRATAMIENTO DE DATOS AGRUPANDO LOS MISMOS

Cuando en una muestra hay ms de 30 elementos, los estadsticos que vamos obteniendo revelarn
con ms exactitud el patrn o tendencia de los datos, pero tambin habr mayor diversidad o
categoras a la hora de una agrupacin.
Con un ejemplo, indicaremos el procedimiento que se sigue para agrupar los datos cuando la
diversidad es grande, y as poder elaborar el histograma que nos revelar la forma de la distribucin
que tiene la muestra analizada.

EJEMPLO 2:
1.- Recoleccin y conteo:

Total de valores tomados en la muestra: 110 mediciones

Valor mnimo encontrado = 2.531Kg.
Valor mximo encontrado = 2.575 Kg.

15

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

El conteo de los datos indica que existen 45 categoras

Como son muchas, deben reducirse agrupndolas en clases.

Clases o celdas: es un agrupamiento dentro de lmites especficos, de valores observados a lo largo de

la abscisa (eje horizontal) del histograma.

Cuando hay muchas clases, la imagen real de la distribucin queda distorsionada.

Cuando hay pocas clases tambin se distorsiona la distribucin.
La cantidad de clases o celdas dependen del juicio del analista.
Pueden utilizarse unas reglas que son las siguientes:
# observaciones

# clases

100

5-9

100-500

8-17

500

15-20

2.- Rango:
R = 2.575 2.531 = 0.044
3.- Intervalo de clase (Amplitud)
Intervalo de clase es la distancia entre los puntos medios de clases adyacentes.

Siempre que sea posible, se recomienda usar un intervalo impar.

16

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Para determinar el intervalo, el mtodo ms fcil es aplicar la Regla de Sturgis:

Dnde:
i = Intervalo de clase.
n = Tamao de la muestra.
R = Rango

Y en donde la expresin:

Aplicando la regla para nuestro ejemplo tenemos:

Puede observarse que el denominador es el # Clases 8

En el Anexo I se presenta la elaboracin del histograma considerando un intervalo par (0.006)
Otra forma de calcular el # de clases es:

<< Para efectos de nuestro programa recomendamos utilizar la Regla de Sturgis >>

Cuando nos den el # de clases, el intervalo de clase se calculara as:

Volviendo al ejemplo que nos ocupa, hemos elegido un valor impar (0.005); esto implica que debemos
ahora determinar el # de clases para este valor:
# Clase = 0.044 / 0.005 = 8.8 9 clases

Si tanteamos para otros intervalos, obtendramos:

0.003 15 clases //
0.007 6 clases
Segn el criterio establecido para el nmero de clases adecuado, en nuestro ejemplo: 110 mediciones
se recomiendan: 8-17 clases, sin embargo, 15 se aprecia como mucho y 6 cae fuera de la
recomendacin.
17

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Un nmero de clases de 9 permitir obtener la mejor representacin de los datos.

4- Puntos medios de las clases:

Es el valor central que contiene cada clase.
Dnde:

MPl = Xl +

(el resultado no debe ser redondeado)

MPl = punto medio de la

clase menor.
Xl = valor mnimo de la
clase.
I = intervalo.

Para la clase menor, debe incluirse el valor mnimo de datos en esa clase; para nuestro ejemplo:
2.531Kg.
MPl = 2.531 +

(no debe ser redondeado)

La seleccin del punto medio es cosa de apreciacin, en este caso especfico se selecciona como
punto medio a 2.533.
La seleccin de distintos valores de punto medio producir por supuesto diferentes distribuciones de
frecuencia.
El valor del punto medio es el valor ms representativo dentro de una clase siempre que la cantidad de
observaciones en la clase sea grande, y que la diferencia entre los lmites no sea muy grande.
Los siguientes puntos medios son determinados de la siguiente forma:
2.533 + 0.005 = 2.538 (punto medio de la 2da clase)
2.538+0.005= 2.543 (punto medio de la 3ra clase) y as sucesivamente

5. Lmites de clase:
Los lmites de clase son los valores extremos y se denominan lmite inferior y superior.

Todas las observaciones que caen dentro de los lmites superior e inferior se clasifican dentro de esa
clase en particular.
Los lmites se establecen para que no haya duda sobre la ubicacin de una observacin.
En consecuencia, tienen una cifra decimal de ms exactitud que los valores observados.
Como tenemos un intervalo impar (0.005) habr una cantidad igual de valores de datos a cada lado del
punto medio.
Para la primera clase estos valores seran: 2.531 - 2.532 - 2.533 - 2.534 y 2.535.
Los lmites para la primera clase seran:
LI = 2.531
LS = 2.535
Para evitar que haya discontinuidades, se amplan los lmites reales ms o menos a la mitad del
nmero siguiente, en el ejemplo:
2.5305(LI)2.5312.5322.5332.5342.5352.5355(LS)

Algunos analistas prefieren dejar los lmites con la misma cantidad de cifras decimales que los datos.
No hay problema con esta prctica mientras el intervalo de clase sea impar, y se sobreentienda que
los lmites reales se extienden hasta la mitad con respecto al siguiente nmero.
En esta asignatura seguiremos este criterio.
Como ya obtuvimos los lmites de la primera clase, calculamos los lmites de las siguientes clases:
Li = 2.531
prox. Lmite inf. = 2.531+0.005= 2.536 (2da clase)
18

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Ls = 2.535

prox. Lmite sup. = 2.535+0.005= 2.540 (2da clase) y as sucesivamente.

6. Frecuencia de clase:
La frecuencia de cada clase la obtenemos sumando en la hoja de conteo el valor correspondiente asociado a
los nmeros que pertenecen a cada lmite de clase; as para la 1ra clase tenemos por ejemplo:

2.531 1

2.533 1

2.532 2

2.534 2

2.535 0
= 6 como frecuencia

De igual manera obtenemos las otras frecuencias de clase.

La Tabla siguiente muestra los lmites de clase para nuestro ejemplo:

Li

Ls

Punto
Medio de
Clase

2,531
2,536
2,541
2,546
2,551
2,556
2,561
2,566
2,571
Total:

2,535
2,540
2,545
2,550
2,555
2,560
2,565
2,570
2,575

2,533
2,538
2,543
2,548
2,553
2,558
2,563
2,568
2,573

Frecuencia

6
8
12
13
20
19
13
11
8
110

19

Frecuencia Frecuencia
Acumulada
Relativa

6
14
26
39
59
78
91
102
110

0,055
0,073
0,109
0,118
0,182
0,173
0,118
0,100
0,073

Frecuencia
Relativa
Acumulada
0,055
0,127
0,236
0,355
0,536
0,709
0,827
0,927
1,000

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

7.- Construccin del Histograma:

A partir de los datos de la tabla construimos el histograma y la distribucin de Probabilidad:

Distribucin de Probabilidad
0,200

0,182

0,180

0,173

0,160
0,140
0,109

0,120

0,118

0,118
0,100

0,100
0,080
0,060

0,073

0,073

0,055

0,040
0,020
0,000
2,533 2,538 2,543 2,548 2,553 2,558 2,563 2,568 2,573

Otros tipos de grficas para Distribucin de Frecuencia:

Grafica de Barras: se utiliza para cuando los datos son discretos:

20

Distribucin de
Probabilidad

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Polgono o polgono de frecuencia:

o
o

La curva resultante se prolonga para que la figura sea cerrada.

Como el histograma muestra el rea en cada celda, se considera que presenta mejor imagen grfica
que el polgono.

ANLISIS E INTERPRETACIN DE LOS HISTOGRAMAS:

Consideraciones previas:
Cuando un histograma se construye de manera correcta y es resultado de un nmero suficiente de
datos (> 40 mediciones para que revele el patrn bsico de variacin) que sean representativos de la
poblacin, proceso o problema, entonces lo que arroja el mismo como tendencia central, variabilidad y
comportamientos especiales, ser una informacin valiosa.
Efectuar pocas mediciones pueden llevar a conclusiones errneas debido a que su forma puede estar
incompleta sin que el observador se d cuenta.
Los histogramas tienen sus limitaciones: Cuando se toman muestras al azar en lugar del orden de
manufactura, se desconocer la tendencia del proceso en el tiempo durante la produccin, por lo tanto,
la aparente tendencia central de un histograma puede ser ilusoria.
Pese a estos inconvenientes, el histograma es una herramienta analtica efectiva ya que su clave
radica en su simplicidad.
Ahora bien, como muchos procesos siguen razonablemente una distribucin normal, podemos
combinar este concepto con el de histograma, lo cual hace que se produzca una herramienta prctica
para analizarlos.
Interpretacin de un Histograma: (Ver figura 1)
Siempre que se analice un histograma se recomienda considerar los siguientes puntos:
1. OBSERVAR LA TENDENCIA CENTRAL DE LOS DATOS:
Cules son las mediciones ms comunes? Hay que observar la barra o grupo de barras ms altas
o con mayores frecuencias. (Fig. a)
2. ESTUDIAR EL CENTRADO DEL PROCESO:
Est centrado el proceso? Aun cuando se cumplan con las especificaciones, si un proceso no
est centrado, la calidad que se produce no es adecuada, ya que entre ms se aleje de lo ptimo,
ms mala calidad se tendr. (Comparar Fig. e-f)
3. EXAMINAR LA VARIABILIDAD DEL PROCESO:
Cmo es la dispersin? Debe compararse la amplitud de las especificaciones con el ancho del
histograma. Para considerar que la dispersin no es demasiada, el ancho del histograma debe
caber de forma holgada en las especificaciones.
Hay mucha variabilidad? Al observar la barra ms alta, que tan rpido disminuye la frecuencia de
las dems barras. (Comparar Fig. a-b)
21

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

4. ANALIZAR LA FORMA DEL HISTOGRAMA:

La forma de distribucin de campana es la que ms se da en salidas de proceso y tiene
caractersticas similares a la distribucin normal. Cuando la distribucin no sea de este tipo es
seal de un hecho que est ocurriendo y que tiene un efecto negativo en la calidad.
Algunas de las formas tpicas que no coinciden con una distribucin de campana son las
siguientes:
(a) DISTRIBUCIN SESGADA: forma asimtrica de la distribucin de unos datos o una variable,
donde la cola de un lado de la distribucin es ms larga que la del otro lado (Fig. f).
Hay sesgo? Hacia qu lado? Debe investigarse si existe alguna situacin anormal que est
generando tal comportamiento (considere que hay variables que por su naturaleza, son
asimtricas)
(b) DISTRIBUCIN MULTIMODAL: forma de la distribucin de unos datos en la que se aprecian
claramente dos o ms modas (picos). Por lo general, cada moda refleja una condicin o realidad
diferente (Fig. c)
Cuntos picos hay? Lo primero que hay que hacer es verificar si la construccin se hizo
correctamente. En caso contrario, cuando se presentan puede deberse a que el material procede
de distintas cadenas de produccin, de diferentes proveedores, han intervenido varios operadores
o se han utilizado distintos instrumentos de medicin sin sincronizarlos. (Fig. c)
(c) DISTRIBUCIN MUY PLANA: tienen forma muy chata o plana y en donde las diferencias entre
las barras son menos fuertes.
(d) DISTRIBUCIN CON ACANTILADOS: es una suspensin o corte muy brusco en la cada de la
distribucin (Fig. d)
Hay acantilados? Son anormales y debe buscarse siempre la causa del mismo. Pueden deberse
a:
1. Lote de artculos previamente inspeccionados al 100% donde se excluy a los artculos que
no cumplen con alguna medida mnima o que exceden una medida mxima
2. Problemas con el equipo de medicin
3. Errores en la inspeccin, etc.
5. DATOS RAROS O ATPICOS:
Son una o ms barras pequeas bastante separadas o aisladas del resto.
Hay datos aislados o raros? Son fciles de detectar ya que apareceran como aisladas del resto.
Debe investigarse a que se debe. Entre las posibles causas tenemos:
(a) Datos incorrectos.
(b) Medicin sobre un artculo que no forma parte del proceso.
(c) Algn evento raro o especial si no ocurri alguna de las anteriores.
6. ESTRATIFICAR:
En ocasiones no se observa ninguna forma particular pero existe mucha variacin y, la capacidad
del proceso es baja. Cuando los datos proceden de distintas mquinas, proveedores, lotes, turnos
u operadores, puede hallarse informacin si se elabora el histograma por cada fuente, a ello lo
llamamos ESTRATIFICAR; con esta tcnica se podr determinar cul maquina o proveedor
ocasiona el problema. En el siguiente segmento estudiaremos la metodologa de la estratificacin.

22

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Fig. 1 Diferentes clases de histogramas

Conclusin:

En general siempre que se analice un histograma se debe asegurar que se construy de manera
correcta.
Los aspectos ms crticos a vigilar son:
o Nmero de clases
o Eleccin del inicio y final del histograma (pasos 2, 3 y 4).
Limitaciones:
o No considera el tiempo en el que se obtuvieron los datos por lo que se hace difcil detectar
tendencias.
o No es la tcnica ms apropiada para comparar de manera prctica varios procesos o grupos de
datos.
o La cantidad de clases o barras influye en la forma del histograma (ver anexo I)

23

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

(2.2.2) TCNICAS DE ANLISIS DE PROBLEMAS DE CALIDAD

En la seccin anterior cuando estudibamos como se interpretan los histogramas, veamos que una de las
tcnicas que se utilizan cuando existe mucha variabilidad y no se observa ninguna forma particular de las ya
conocidas es la Estratificacin; con ella, podemos analizar el problema que existe de calidad en la variable de
salida del proceso. Por otra parte, debemos sealar que otro tipo de distribucin, parecida al histograma, es el
diagrama de Pareto; un anlisis de Pareto es una tcnica muy efectiva para determinar el lugar de los
principales problemas con la calidad. En esta seccin vamos a concentrarnos en estas dos tcnicas que se
utilizan para analizar y resolver los problemas de calidad existentes en una organizacin.
ESTRATIFICACIN
Definicin: Es una estrategia de clasificacin de datos, de tal forma que en una situacin dada se facilite la
identificacin de las fuentes de la variabilidad (origen de los problemas).

Se aplica cuando tenemos un Histograma que refleja problemas.

Los problemas de calidad lo podemos estratificar de acuerdo a factores tales como:
Departamentos, reas, secciones o cadenas de produccin.
Operarios, y stos a su vez por experiencia, edad, sexo, turno.
Maquinarias o equipos; ej. Por mquina, modelo, tipo, vida til, etc.
Tiempo de produccin: turno, da, semana, noche, mes, etc.
Proceso: procedimiento, temperatura.
Materiales y proveedores.

Ejemplo.- Consideremos una empresa del ramo metal-mecnico que tiene problemas de piezas metlicas
rechazadas por inspeccin.

Los problemas ms visibles en este caso son:

Tipo: llenado
rea: piezas medianas.

24

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Habra que pensar en estratificar el problema de Llenado en el departamento de piezas medianas por
turnos, productos, maquinas, etc. para de esta forma poder encontrar el factor que ocasiona la falla.

DIAGRAMA DE PARETO (LEY 80-20. POCOS VITALES, MUCHOS TRIVIALES)

El nombre viene en honor del economista italiano Wilfredo Pareto (1843-1923)

quien lo pronuncio por primera vez. Pareto enunci el principio basndose en
el denominado conocimiento emprico. Observ que la gente en su sociedad
se divida naturalmente entre los pocos de mucho y los muchos de poco;
se establecan as dos grupos de proporciones 80-20 tales que el grupo
minoritario, formado por un 20% de poblacin, ostentaba el 80% de algo y el
grupo mayoritario, formado por un 80% de poblacin, el 20% de ese mismo
algo.

El principio de Pareto refiere que pocos elementos (20%) generan la mayor parte del efecto (80%), y el resto
de los elementos propician muy poco efecto total.
Definicin.- es un grfico de barras que ayuda a identificar prioridades y causas, ya que ordenan por orden de
importancia a los diferentes problemas que se presentan en un proceso.

Las clasificaciones pueden ser fallas, problemas, causas, tipos de no conformes, etc.
Las pocas vitales se encuentran a la izquierda y los muchos triviales a la derecha.
A veces es necesario agrupar algunos muchos triviales en una clasificacin llamada otros.
Cuando se utiliza los otros, siempre se coloca en el extremo derecho.
La escala horizontal presenta las categoras de la clasificacin (no es un valor numrico).
La escala vertical puede estar en frecuencia o dinero (izq.) y porcentaje (der.)
A veces contienen una lnea acumulativa que representa la suma de los datos, al sumarlos de
izquierda a derecha.
La grafica de Pareto tiene la ventaja de proporcionar un impacto visual de las pocas caractersticas
vitales que requieren atencin.
Su uso no tiene fin ya que va generando otras causas que se convierten en objetivo a corregir.
Por ello, el Diagrama de Pareto es un mtodo poderoso para mejorar la calidad.

CONSTRUCCIN DE UN DIAGRAMA DE PARETO:

Mediante un ejemplo graficaremos el mismo:
Sea un proceso de manufactura en donde resultan defectuosas muchas piezas por distintas razones. Se
decide chequear los datos de la inspeccin final y las posibles fuentes de variabilidad, obtenindose la
siguiente hoja de registro:
1.-

25

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

2.- Se procede a estratificar por tipo de defecto:

3.- Se construye el Diagrama de Pareto (Primer diagrama para determinar cul es el problema ms
importante):

12

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Adems se deben aadir referencias tales como: ttulos, perodo, rea de trabajo, etc.
En el ejemplo se observa que los rasguos representan la mayor cantidad de piezas defectuosas.

4.- El siguiente paso es realizar un anlisis de Pareto de segundo nivel, el cual consiste en estratificar el
defecto principal (rasguos) en los factores que quizs influyen en l como podran ser: maquinas, das y
turnos (ya estn considerados en la tabla 7.2).
-Construimos una Tabla colocando el defecto por tipo de maquinaria de mayor a menor:
ESTRATIFICACIN PARA LAS PIEZAS CON RASGUOS
MAQUINA
B
A
C
D

# Defecto # Defecto Acumulado % Defecto % Defecto Acumulado

50
24
24
21

50
74
98
119

42.0
20.2
20.2
17.6

13

42.0
62.2
82.4
100.0

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

Se observa que la maquina B contribuye al defecto principal con 42% del total y representan el
doble de lo que se dieron en cada una de las dems.
Es necesario seguir estratificando; en la maquina B deben estudiarse factores tales como tiempo
sin mantenimiento, operadores o trabajos especiales programados en dicha mquina, etc. (ver
figura siguiente):

Es importante considerar para no cometer errores en la toma de decisiones, no decidir sobre el

primer diagrama de Pareto. Hay que seguir hasta dar con causas ms concretas.

14

Gua de estudio para la unidad II de Control de Calidad elaborado por el Prof. Gastn Prez

ANEXO I

Construccin del Histograma para los ejes de acero utilizando un intervalo par.
i=

0,006

#CLASE=

CLASE

Li

Ls

Punto
Medio de
Clase

1
2
3
4
5
6
7
8

2,531
2,537
2,543
2,549
2,555
2,561
2,567
2,573
Total:

2,536
2,542
2,548
2,554
2,560
2,566
2,572
2,578

2,5335
2,5395
2,5455
2,5515
2,5575
2,5635
2,5695
2,5755

7,33 8 CLASES

Frecuencia Frecuencia
Frecuencia
Acumulada
Relativa

8
9
16
25
20
14
14
4
110

8
17
33
58
78
92
106
110

0,073
0,082
0,145
0,227
0,182
0,127
0,127
0,036

Frecuencia
Relativa
Acumulada
0,073
0,155
0,300
0,527
0,709
0,836
0,964
1,000

HISTOGRAMA
30
25

25

20

20
16

14

15
10

14
HISTOGRAMA

9
4

5
0
2,5335

2,5395

2,5455

2,5515

2,5575

15

2,5635

2,5695

2,5755