UNIVERSIDAD AUTNOMA CHAPINGO

DIVISIN DE CIENCIAS FORESTALES

DEPARTAMENTO DE ESTADSTICA, MATEMTICA Y CMPUTO

CONTROL ESTADSTICO DE CALIDAD. DIAGRAMAS DE CONTROL DE SHEWHART. UNA APLICACIN PRCTICA EN EL PRODUCTO TERMINADO HARINA DE CARNE.

TESIS PROFESIONAL Que como requisito parcial para obtener el ttulo de:

LICENCIADO EN ESTADSTICA

PRESENTA: RAL DANIEL CHABL HAU

Chapingo, Mxico. Marzo de 2006.

NDICE GENERAL
RESUMEN ............................................................................................................................................................................... I SUMMARY.............................................................................................................................................................................II 1. INTRODUCCIN ...............................................................................................................................................................1 1.1. Situacin de la Industria de los alimentos balanceados en Mxico ................................................................................2 1.2. Antecedentes...................................................................................................................................................................4 2. OBJETIVOS ........................................................................................................................................................................5 2.1. Objetivo principal ...........................................................................................................................................................5 2.2. Objetivos especficos ......................................................................................................................................................5 3. HIPTESIS..........................................................................................................................................................................6 4. JUSTIFICACIN................................................................................................................................................................6 5. MARCO TERICO............................................................................................................................................................7 5.1. Conceptos estadsticos bsicos .......................................................................................................................................7 5.1.1 Estadstica .....................................................................................................................................................................7 5.1.2 Poblacin y muestra ......................................................................................................................................................8 5.1.3 Tipos de variables estadsticas ......................................................................................................................................8 5.2 Distribuciones de frecuencias ..........................................................................................................................................9 5.2.1 Representaciones grficas .............................................................................................................................................9 5.3 Medidas de posicin, dispersin y forma ......................................................................................................................12 5.3.1 Medidas de posicin....................................................................................................................................................12 5.3.1.1 Media aritmtica............................................................................................................................................13 5.3.1.2 Mediana .........................................................................................................................................................14 5.3.1.3 Moda..............................................................................................................................................................14 5.3.2Medidas de dispersin..................................................................................................................................................15 5.3.2.1 Desviaciones medias .....................................................................................................................................17 5.3.2.2 Varianza, cuasivarianza, desviacin tpica y error estndar ..........................................................................17 5.3.3 Medidas de forma........................................................................................................................................................19 5.3.3.1 Coeficiente de asimetra de Fisher.................................................................................................................20 5.3.3.2 Coeficiente de curtosis ..................................................................................................................................21 5.4 La Distribucin Normal .................................................................................................................................................23 5.4.1 Definicin formal ........................................................................................................................................................24 5.4.2 Propiedades de la distribucin normal ........................................................................................................................25 5.5. Pruebas de hiptesis......................................................................................................................................................27 5.5.1 Tipos de error en una prueba de hiptesis ...................................................................................................................27 5.6. Pruebas de Normalidad.................................................................................................................................................29 5.6.1 Grficas de probabilidad normal .................................................................................................................................29 5.6.2 Test de Kolmogorov-Smirnov.....................................................................................................................................30 5.7. Diagramas de control ....................................................................................................................................................31 5.7.1 Variacin: causas fortuitas y causas atribuibles ..........................................................................................................31 5.7.2 Definicin de una grfica de control ...........................................................................................................................31 5.7.3 Lmites de control .......................................................................................................................................................32 5.7.4 Tamao de muestra y frecuencia de muestreo ............................................................................................................33 5.7.5 Teora de las tandas.....................................................................................................................................................33 5.7.6 Criterios de fuera de control........................................................................................................................................33 5.7.7 Correccin y ajuste de los diagramas de control .........................................................................................................34 5.7.8 Tipos de diagramas de control ....................................................................................................................................34 5.7.8.1 Diagramas de control R .................................................................................................................................34 5.7.8.2 Diagramas de control X .............................................................................................................................35

5.7.9 Anlisis de capacidad del proceso...............................................................................................................................38 6. METODOLOGA..............................................................................................................................................................40 7. PRUEBAS DE NORMALIDAD.......................................................................................................................................41 8. DESCRIPCIN DE RESULTADOS...............................................................................................................................43 8.1. Anlisis de la capacidad del proceso y grficas de control, variable: Protena .............................................................44 8.2. Anlisis de la capacidad del proceso y grficas de control, variable Grasa ..................................................................47 8.3. Anlisis de la capacidad del proceso y grficas de control, variable Humedad ............................................................49 8.4. Anlisis de la capacidad del proceso y grficas de control, variable Cenizas ...............................................................51 8.5. Anlisis de la capacidad del proceso y grficas de control, variable Calcio .................................................................53 8.6. Anlisis de la capacidad del proceso y grficas de control, variable Fsforo ...............................................................55 8.7. Anlisis de la capacidad del proceso y grficas de control, variable Tamizado............................................................57 8.8. Anlisis de correlaciones...............................................................................................................................................59 9. CONCLUSIONES Y RECOMENDACIONES...............................................................................................................60 Conclusiones........................................................................................................................................................................60 Recomendaciones ................................................................................................................................................................61 10. BIBLIOGRAFA .............................................................................................................................................................62 ANEXO1: TABLA DE DATOS MUESTRALES ...............................................................................................................65 ANEXO 2: TABLA DISTRIBUCIN NORMAL ESTNDAR Y KOLMOGOROV-SMIRNOV ...............................69 ANEXO 3: GRAFICAS DE PROBABILIDAD NORMAL ...............................................................................................71 ANEXO 4: TEST DE KOLMOGOROV-SMINRNOV......................................................................................................75 ANEXO 5: GRFICAS DE CORRELACIONES DE PEARSON....................................................................................79

NDICE DE TABLAS Y FIGURAS

TABLA 5.1 DISTRIBUCIN DE FRECUENCIAS DE UNA VARIABLE. ..............................................................................................12 TABLA 5.2 SITUACIONES POSIBLES EN UN CONTRASTE DE HIPTESIS .......................................................................................27 TABLA 7.1 TEST DE KOLMOGOROV-SMIRNOV. (MEDIA Y DESVIACIN ESTNDAR DESCONOCIDAS)........................................42 TABLA 8.1 LMITES DE ESPECIFICACIN DADOS POR LA EMPRESA PARA ESTAS VARIABLES. ....................................................43 TABLA 8.2 CORRELACIONES DE PEARSON ................................................................................................................................59 TABLA A1.1 DATOS TOMADOS POR INTERVALOS DE TIEMPO....................................................................................................65 TABLA A2.1 DISTRIBUCIN NORMAL ESTANDAR. ....................................................................................................................69 TABLA A2.2 DISTRIBUCIN DEL ESTADSTICO DE KOLMOGOROV-SMIRNOV (DN). ..................................................................70 TABLA A4.1 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: PROTEINA ..................................................................................75 TABLA A4.2 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: GRASA ......................................................................................75 TABLA A4.3 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: HUMEDAD ..................................................................................76 TABLA A4.4 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: CENIZAS.....................................................................................76 TABLA A4.5 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: CALCIO ......................................................................................77 TABLA A4.6 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: FOSFORO ....................................................................................77 TABLA A4.7 TEST DE KOLMOGOROV-SMIRNOV. VARIABLE: TAMIZADO .................................................................................78 GRFICA 1.1. MUNDO. PRINCIPALES PASES PRODUCTORES DE ALIMENTOS BALANCEADOS EN EL AO 2004. ...........................3 GRFICA 5.1. DISTRIBUCIN NORMAL. ....................................................................................................................................24 GRFICA 5.2. DIAGRAMA PARA LA CONSTRUCCIN DE LAS GRFICAS X R . .......................................................................37 GRFICA 8.1. CONTROL DE RANGOS, VARIABLE PROTENA......................................................................................................44 GRFICA 8.2. CONTROL DE MEDIAS, VARIABLE PROTENA.......................................................................................................44 GRFICA 8.3. ANLISIS DE LA CAPACIDAD DEL PROCESO, VARIABLE PROTENA......................................................................45 GRAFICA 8.4. CONTROL DE RANGOS, VARIABLE GRASA ..........................................................................................................47 GRAFICA 8.5. CONTROL DE MEDIAS, VARIABLE GRASA ...........................................................................................................47 GRFICA 8.6. ANLISIS DE LA CAPACIDAD DEL PROCESO, VARIABLE GRASA...........................................................................48 GRFICA 8.7. CONTROL DE RANGOS, VARIABLE HUMEDAD. ....................................................................................................49 GRFICA 8.8. CONTROL DE MEDIAS, VARIABLE HUMEDAD. .....................................................................................................49 GRFICA 8.9. CAPACIDAD DEL PROCESO, VARIABLE HUMEDAD. .............................................................................................50 GRFICA 8.10. CONTROL DE RANGOS VARIABLE CENIZAS. ......................................................................................................51 GRFICA 8.11. CONTROL DE MEDIAS, VARIABLE CENIZAS. .....................................................................................................51 GRFICA 8.12. ANLISIS DE LA CAPACIDAD DEL PROCESO, VARIABLE CENIZAS. .....................................................................52 GRFICA 8.13. CONTROL DE RANGOS, VARIABLE CALCIO ........................................................................................................53 GRFICA 8.14. CONTROL DE MEDIAS, VARIABLE CALCIO ........................................................................................................53 GRFICA 8.15. ANLISIS DE LA CAPACIDAD DEL PROCESO, VARIABLE CALCIO........................................................................54 GRFICA 8.16. CONTROL DE RANGOS, VARIABLE FSFORO. ....................................................................................................55 GRFICA 8.17. CONTROL DE MEDIAS, VARIABLE FSFORO. .....................................................................................................55 GRFICA 8.18. CAPACIDAD DEL PROCESO, VARIABLE FSFORO...............................................................................................56 GRFICA 8.19. CONTROL DE RANGOS, VARIABLE TAMIZADO...................................................................................................57 GRFICA 8.20. CONTROL DE MEDIAS, VARIABLE TAMIZADO. ..................................................................................................57 GRFICA 8.21. ANLISIS DE LA CAPACIDAD DEL PROCESO, VARIABLE TAMIZADO...................................................................58 GRFICA A3.1 DE PROBABILIDAD NORMAL, VARIABLE PROTENA ..........................................................................................71 GRFICA A3.2 DE PROBABILIDAD NORMAL, VARIABLE GRASA ...............................................................................................71 GRFICA A3.3 DE PROBABILIDAD NORMAL, VARIABLE HUMEDAD .........................................................................................72 GRFICA A3.4 DE PROBABILIDAD NORMAL, VARIABLE CENIZAS ............................................................................................72 GRFICA A3.5 DE PROBABILIDAD NORMAL, VARIABLE CALCIO ..............................................................................................73 GRFICA A3.6 DE PROBABILIDAD NORMAL, VARIABLE FSFORO............................................................................................73 GRFICA A3.7 DE PROBABILIDAD NORMAL, VARIABLE TAMIZADO .........................................................................................74

RESUMEN
El anlisis estadstico es indispensable para una toma adecuada de decisiones. Es imprescindible tener un resultado resumido y fcil de entender de los datos obtenidos en cualquier nivel, las herramientas estadsticas nos pueden ofrecer esta informacin con un grado de confiabilidad en los resultados obtenidos. En una industria de alimentos balanceados, como la mexicana, con un crecimiento anual de 6.2%, compitiendo con empresas de calidad comprobada a nivel mundial, el proceso de control de calidad no debe pasar desapercibido. Es en este escenario en el que el control de calidad es importante, especficamente el control estadstico de la calidad, y con ella, la implementacin de grficas de control. En este trabajo se realizan grficas de control de Shewhart en el producto terminado harina de carne, un insumo en la elaboracin de alimentos balanceados, y se sealan las conclusiones que se pueden obtener del anlisis de estas grficas. Entre los resultados ms importantes se not que en el periodo de estudio el proceso no fue capaz de producir bajo los lmites de especificacin pedidas ni bajo los lmites naturales del proceso, aunque tambin notamos que bajo los lmites de especificacin se obtuvo menos porcentaje de produccin defectuosa, debido a que los lmites son ms amplios. Entre las caractersticas de calidad se detecto la influencia negativa que tiene para la Protena las altas concentraciones Grasa, Calcio y Cenizas y viceversa. Caso contrario con el Tamizado pues a mejor Tamizado mejores concentraciones de Protena se presentan. Finalmente se logra aprecias la gran utilidad que representa contar con una herramienta visual como son los diagramas de control de Shewhart en el proceso de control y seguimiento de la calidad ya sea en procesos o en producto terminado. Palabras clave: Control estadstico de calidad, grficas de control de Shewhart, harina de carne, alimento balanceado animal.

SUMMARY
The statistical analysis it is indispensable for a successful decision making. It is essential to have summarized and easy to understand result of data collected at any level, for this, the statistical tools give trustworthiness us in the analyzed information. In a Mexican industry like balanced animal foods with an annual growth of 6.2%, competing with companies of verified quality at world-wide level, the process of quality control does not have to happen unnoticed, is in this scene that the quality control it is important, specifically the statistical control of the quality, and with this the implementation of quality control graphs. In this work, Shewhart control charts was made of brief way in the process of meat flour production, in the balanced food elaboration, and the conclusions of the elaboration from these charts can be obtained. Between the most important results we noticed that in the period of study the process was not able not to produce under the requested limits of specification or under the natural limits of the process, although also we noticed that under the specification limits percentage of defective production was obtained the less, because the limits are the more ample. Between the quality characteristics we detect the negative influence that it has for the Protein the high concentrations of Greasy, Calcium and Ashes and vice versa. Opposite case with the Sifted one then to better Sifted better Protein concentrations appears. Finally it is obtained the appreciate of the great utility that represents to count on a visual tool as they are the graphs of control of Shewhart in the process of control and pursuit of the quality or in processes or finished product. Key words: Statistical Quality Control, Shewhart control charts, meat flour, balanced animal feed

ii

1. INTRODUCCIN
El anlisis estadstico es indispensable para una toma adecuada de decisiones. Es imprescindible tener un resultado resumido y fcil de entender de los datos obtenidos en cualquier nivel, adems de esto las herramientas estadsticas con la ayuda de las probabilidades nos dan confiabilidad en la informacin analizada, simplificando grandemente el manejo de los datos y reduciendo el nmero de stos, por medio de los muestreos que garanticen la confianza necesaria para la toma de decisiones. En este sentido, es importante la aportacin del anlisis estadstico para mejorar de los procesos de produccin. En este trabajo se realiza el diagnstico de la harina de carne, por medio de un control estadstico en el producto terminado, el cual es un insumo para la elaboracin de alimentos balanceados de consumo animal. La meta de cualquier industria competitiva, respecto a la calidad del producto, se puede exponer claramente: suministrar un producto o servicio en el cual su calidad haya sido diseada, producida y sostenida a un bajo costo econmico y que satisfaga por entero al consumidor. El aseguramiento de la calidad es un sistema efectivo de los esfuerzos de varios grupos, en una empresa, para la integracin del desarrollo, del mantenimiento y de la superacin de la calidad con el fin de hacer posibles mercadotecnia, ingeniera, fabricacin y servicio a satisfaccin del consumidor y al costo ms

econmico. La amplitud esencial para el logro de los resultados del negocio hace del control de calidad un nuevo e importante aspecto de la administracin. Con un poco de liderazgo administrativo y tcnico el control de calidad ha producido mejoras importantes en la calidad y confiabilidad del producto para muchas empresas en todo el mundo. Adems, el control de calidad ha logrado reducciones importantes y progresivas en los costos de produccin. Por medio del aseguramiento de la calidad, las gerencias de las compaas han sido capaces de aprovechar la fuerza y confianza de la calidad de los productos y servicios, lo que les permite adelantarse en el volumen de mercado y ampliar la mezcla de productos con un alto grado de aceptabilidad del cliente y de estabilidad en utilidades y crecimiento. En la confiabilidad y la calidad del producto, la Estadstica tiene fuerte injerencia, desde la aparicin de lo que conocemos como el control de calidad moderno. El libro de Walter Shewhart Economic Control of Quality of Manufactured Products (Control Econmico de la Calidad de Productos Manufacturados),
1

plantea los principios bsicos del control de la calidad, sobre la base de mtodos estadsticos, centrndose en el uso de Cuadros de Control. Fue el paso inicial hacia lo que el denomin la formulacin de una base cientfica para asegurar el control econmico de la calidad, por lo que se le considera el padre del Control de Calidad Moderno1. Despus de los aportes de Shewhart, en 1941 y 1942, se aprobaron y publicaron los "Estndares Z" conocidos como los estndares de la Guerra, que enfocaban el uso de los Cuadros de Control para el anlisis de datos y su aplicacin durante la produccin. En 1941 Leslie E. Simons public " Un Manual de Mtodos Estadsticos para Ingenieros. Estos aportes eran lo nico con que se contaba en el campo del control de calidad durante los aos cuarenta en el mundo occidental, donde hasta ese momento la calidad y el mejoramiento no tenan ninguna importancia para las empresas. Fue hasta 1947, cuando un grupo de empleados de JohnsManville terminaron de rodar y editar un video llamado " Control de Calidad Moderno " con el objetivo de promover los aspectos bsicos del control de calidad en su empresa entre los empleados e indirectamente a la gerencia: cuadros de control, histogramas, lmites para grficas de barras y cuadros R, as como muestreo. Fue tan exitoso, que trascendi a la empresa y fue utilizado en muchas otras durante dcadas. Sin embargo: la conciencia real sobre la importancia del control de la calidad no se asent en occidente sino hasta los aos 80.

1.1. SITUACIN DE LA INDUSTRIA DE LOS ALIMENTOS BALANCEADOS EN MXICO

De acuerdo con la Seccin de Fabricantes de Alimentos Balanceados para Animales de CANACINTRA, en Mxico existen 400 plantas, en las cuales estn incluidas las comerciales y las integradas, entre ambas generaron una produccin en el ao 2004 de 23,950 mil toneladas. Con este volumen de produccin Mxico se ubica en el cuarto lugar de importancia como se observa en la grfica 1.1.2

Aunque algunos autores dan esta paternidad a Deming, debemos considerar que los estudios de Deming se basaron inicialmente en los de Shewhart.

2 Texto y grfica obtenidos del documento Anlisis estadstico y econmico para diagnosticarla calidad y optimizar el proceso de manufactura en alimentos balanceados , presentado como tesis doctoral por el Dr. scar Sanchez y actualizada para datos de 2005

Grafico 1.1 Mundo. Principales pases productores de alimentos balanceados.

Fuente: CANACINTRA, 2005, La Industria alimenticia animal en Mxico. 2005

9. Espaa 8. Alemania 7. Canad

10. Holanda

1. EUA 6. Francia

5. Japn

4. Mxico

3. Brasil 2. Rep. Pop. China

Grfica 1.1. Mundo. Principales pases productores de alimentos balanceados en el ao 2004.

A nivel nacional esta industria ha crecido, generando 40,000 empleos directos y 200,000 en forma indirecta. Despus de la crisis de 1995 y el posterior incremento en los precios internacionales de los granos, la produccin de alimentos balanceados tuvo una contraccin importante en 1996, llegando a su nivel ms bajo de la dcada de los aos 90, pero logrando una recuperacin posterior a esa fecha, con una tasa media de crecimiento de 6.2 por ciento hasta el 20013. El presente trabajo aporta un ejemplo sobre la manera en que la Estadstica y el Control de Calidad ayudan a mejorar los procesos de produccin para esta industria que ha tenido un desarrollo muy fuerte en el pas y en particular en los procesos de produccin de harina de carne.

Asamblea Anual de la Seccin 49 de CANACINTRA-Alimentos Balanceados, Mazatln, Sinaloa, abril 2004

1.2. ANTECEDENTES
Los sistemas de control de calidad en la produccin de alimentos tanto para consumo humanos como para animales se disean para proteger la salud y bienestar del consumidor, promover el desarrollo del comercio de alimentos y productos de alimentos as como proteger los intereses del productor, envasador o comerciante de alimentos contra la competencia desleal y deshonesta. La FAO, entre otras naciones y organismos, con la ayuda de la Autoridad de Desarrollo Internacional Sueca (SIDA.) ha publicado una serie de artculos denominados Modelos de control del calidad de los alimentos, en el que se enumeran los pasos a seguir para obtener un producto final (en este caso alimento) con calidad. En el caso de harina de carne, que es un producto obtenido por calentamiento, molturacin y desecacin de animales de sangre caliente y subproductos de matadero, estos sistemas de calidad no pasan desapercibidos. Debe estar prcticamente exento de pelos, plumas, cerdas, cuernos, cascos y contenidos digestivos. El proceso de fabricacin incluye: i) ii) Molturacin para facilitar un procesado trmico homogneo, Coccin (a 133C durante 20 minutos a 3 bares de presin) para esterilizar el producto y fundir la grasa y iii) Sedimentacin y separacin de parte de la grasa.

Su digestibilidad media en animales adultos es elevada (82-85%) y depende del tipo de animal del cual procede, de la calidad de la materia prima original (acidez inicial) y de la condiciones del proceso, es aqu donde las herramientas del control estadstico son tiles.

2. OBJETIVOS
2.1. OBJETIVO PRINCIPAL
Analizar las variables de calidad del producto, harina de carne y determinar si se encuentran dentro de los estndares de calidad para emitir recomendaciones generales sobre el proceso, utilizando los grficas de control de Shewhart.

2.2. OBJETIVOS ESPECFICOS

o Obtener datos y generar grficas de control para cada variable de inters en este caso e identificar las posibles causas de las variaciones. o Emitir recomendaciones sobre las variables medidas para aumentar la calidad y productividad de la empresa. o Determinar por medio de un diagnstico general el estado actual de la produccin de la empresa y el potencial que podra alcanzar optimizando su produccin, mediante la toma y utilizacin de informacin objetiva y sistematizada y el uso de herramientas estadsticas que le permita alcanzar este estado.

3. HIPTESIS
Las caractersticas de calidad medidas en el producto terminado harina de carne, cumplen con las especificaciones de calidad del producto.

4. JUSTIFICACIN
En los tiempos actuales es obvio que se vive en un mundo capitalista que se atiene a las demandas de un mercado cada da ms grande y exigente. Bajo este panorama, una manera de tener oportunidad de competir, es ofrecer un producto de alta calidad, y en este punto es donde es importante recalcar la importancia del control estadstico de calidad, ya que nos permite medir variables utilizando las herramientas estadsticas que nos sern de gran ayuda para la toma de decisiones, dado que en el mercado globalizado que estamos viviendo, es necesario que se respalde la calidad de los productos o servicios mediante una evidencia estadstica vlida y entendible; de manera que las normas internacionales de calidad como las ISO 9000, ISO 14000, ISO 18000, HACCP, entre otras, son en gran parte certificadas por las evidencias estadsticas que existan en el sistema. En Mxico este tipo de herramientas empieza a conocerse y a despertar inters en empresas de pequeo y mediano tamao, que antes eran de uso exclusivo de grandes empresas, como las transnacionales. El presente trabajo es una muestra de la utilizacin de una herramienta del control estadstico de calidad: los diagramas de control de Shewhart.

5. MARCO TERICO
5.1. CONCEPTOS ESTADSTICOS BSICOS
En este apartado se realizar una breve revisin de conceptos y definiciones bsicas en estadstica. Esta introduccin tiene la finalidad de dar un panorama general de la misma y de identificar las herramientas o conceptos que se mencionan en este trabajo. Se define primero el concepto moderno de Estadstica para despus definir los conceptos de rigor: variable estadstica, poblacin y muestra y se irn desarrollando los conceptos generales de la estadstica descriptiva de los que haremos uso, para finalmente definir algunos conceptos de las herramientas del control estadstico de la calidad y los mtodos estadsticos en los que se sustenta. Debido a que existen varias definiciones de Estadstica, en este trabajo se haremos uso de la siguiente definicin.

5.1.1 E STADSTICA
"Ciencia que se ocupa del estudio de fenmenos de tipo genrico, normalmente complejos y enmarcados en un universo variable, mediante el empleo de modelos de reduccin de la informacin y de anlisis de validacin de los resultados en trminos de representatividad". La informacin puede ser numrica, alfabtica o simblica. Consta de las fases de recogida de informacin, de anlisis y de presentacin e interpretacin de los resultados y elaboracin de mtodos (Sanchez-crespo y Manzano, 2005). Definida as la Estadstica, se evita hacer mencin a s es o no una rama de las matemticas, visin que pudiera ser considerada limitada, al tiempo que se establece su carcter genrico y su campo de accin en el estudio de fenmenos complejos ubicados en un universo amplio y variable. Con esta afirmacin, de complejidad, se introduce el factor de incertidumbre que acompaa a los fenmenos aleatorios pero sin limitar el campo de la Estadstica de forma que puede aplicarse tambin a fenmenos determinsticos. Con la referencia al universo se expresa la relacin acerca de que los datos estadsticos lo son en un contexto (D.S. Moore, 1992). La definicin contina estableciendo los procedimientos que

utiliza, que tienen en comn reducir la informacin. Modelos de este tipo comprenden desde el clculo de la media aritmtica hasta la determinacin de complicados modelos de correlacin cannica. El ltimo aspecto que consideramos importante es el de la referencia a los anlisis de validez de los resultados en trminos de representatividad. Con esta especificacin podemos diferenciar lo que es una simple operacin aritmtica de lo que es una cifra o un estudio estadstico. Como regla general podramos establecer que un estudio ser estadstico cuando a los modelos de reduccin empleados le acompae, o sea posible realizar, un anlisis de validez de los resultados obtenidos en trminos de representatividad. En cuanto al tipo de informacin los datos pueden ser cuantitativos, cualitativos o incluso existe una rama de la Estadstica que se ocupa de lo que se denomina datos simblicos (por ejemplo en los accidentes de coche determinar el entorno mediante valoraciones: visibilidad, existencia de rboles en el entorno, curvas, lluvia, velocidad. El resto de la definicin aborda cuestiones relacionadas con el uso de la palabra estadstica en el lenguaje.4

5.1.2 P OBLACIN Y MUESTRA

Poblacin: es el conjunto de todos los elementos que cumplen ciertas propiedades y entre los cuales se desea estudiar un determinado fenmeno. Llamamos poblacin estadstica o universo al conjunto de referencia sobre el cual van a recaer las observaciones. Muestra: es el subconjunto de la poblacin que es estudiado y a partir de la cual se sacan conclusiones sobre las caractersticas de la poblacin. La muestra debe ser representativa, en el sentido de que las conclusiones obtenidas deben servir para el total de la poblacin. Variable: se denomina variable estadstica al conjunto de los distintos valores que adopta un carcter cuantitativo o cualitativo. En palabras coloquiales, variable es la caracterstica que se desea medir.

5.1.3 T IPOS DE VARIABLES ESTADSTICAS

Variable cualitativa: es aquella que expresa un atributo, ejemplo: rubio, moreno, etc. Variable cuantitativa: es aquella que podemos expresar numricamente: edad, peso, nmero de hijos, etc. Esta a su vez la podemos subdividir en:
4

Sobre la definicin de Estadstica, Gonzalo Benitez, Delegado del Instituto Nacional de Estadstica en Cantabria, Vicente Manzano Arrondo, Profesor titular de la universidad de Sevilla,2005. 8

Discretas: aquellas que toman valores aislados (nmeros naturales), y que no pueden tomar ningn valor intermedio entre dos consecutivos fijados, por ejemplo: nmero de goles marcados, nmero de hijos, nmero de discos comprados, nmero de pulsaciones, etc. Continuas: aquellas que toman infinitos valores (nmeros reales) en un intervalo dado, de forma que pueden tomar cualquier valor intermedio, al menos tericamente, en su rango de variacin, por ejemplo: talla, peso, presin sangunea, temperatura, etc.

5.2 DISTRIBUCIONES DE FRECUENCIAS

Cuando los datos de una variable estn dispersos, esta dispersin sigue un cierto patrn. Inicialmente los datos no dicen nada por s mismos, pero si los agrupamos en clases o celdas ordenadamente, puede aclararse la forma de su dispersin, es decir, puede apreciarse como estn distribuidos. Esta forma de la distribucin de los datos, inherente a su variabilidad, se denomina distribucin de frecuencias.

5.2.1 R EPRESENTACIONES GRFICAS

Generalmente es posible ver la forma general de una distribucin si se recogen cien o ms valores y se prepara convenientemente una tabla de frecuencias. Pero la distribucin se puede ver aun con mayor claridad, en forma de representacin grafica, mediante un histograma de frecuencias. El histograma es una representacin visual de los datos en la que pueden observarse fcilmente tres propiedades esenciales de una distribucin como son: Forma, tendencia central o acumulacin y dispersin o variabilidad. De esta forma, el histograma aproxima a una idea del proceso, lo que un simple examen de los datos tabulados no hace. Existen varios mtodos para construir histogramas. Cuando los datos son numerosos, es muy til reunirlos en clases y es recomendable utilizar entre 4 y 20 clases. Usualmente se elige un nmero total de clases igual o aproximado a la raz cuadrada del tamao de la muestra. Las clases deben tener amplitud uniforme y se construye la primera de ellas comenzando con un limite inferior solo un poco menor que el valor ms pequeo de los datos. Se construye la ltima clase finalizando con un limite superior slo un poco mayor que el valor ms grande de los datos. Para realizar el histograma se marcan las clases sobre el eje de abscisas, y sobre cada clase se levanta un rectngulo de altura proporcional al numero de observaciones de la variable (frecuencia absoluta) que caen en la clase.
9

El agrupamiento de los datos en clases condensa los datos originales, lo que da como resultado una prdida de detalle. As, cuando el nmero de observaciones es relativamente pequeo, o cuando las observaciones slo toman pocos valores, puede construirse el histograma a partir de la distribucin de frecuencias de los datos sin agrupar, dando lugar a los diagramas de barras. Las distribuciones de frecuencias son la herramienta ms sencilla, til y eficaz cuando estamos rodeados de una cantidad grande de datos, que dicen poco si nicamente se enumeraran. Al expresarlos en esta forma, ya proporcionan mas ideas. Puesto que se utilizan muy a menudo en el control de calidad, es necesario conocer la finalidad de las misma su interpretacin y uso. Dada la importancia de las distribuciones de frecuencias, derivada de que en todo proceso hay un momento en el que se contar con un conjunto de datos sobre las variables a tratar, es de gran importancia formalizar el proceso de obtencin, ordenacin y presentacin de los datos que, en la mayora de las ocasiones, estarn dispuestos en tablas de frecuencias de simple o doble entrada que sirven para analizar las distribuciones de las variables. Dada una variable X con valores x1 , x 2 ,, x N

aparecen una serie de conceptos generales que se mencionan a continuacin:

Frecuencia absoluta (ni). Se denomina frecuencia absoluta del valor xi de la variable X, el nmero de

veces ni que se repite ese valor.

Frecuencia relativa (fi): Se denomina frecuencia relativa del valor xi de la variable X a la relacin por

cociente entre el nmero de veces que aparece el valor xi y el nmero total de valores de la variable (N), o sea, f i = ni / N.
Frecuencia absoluta acumulada (Ni). Se denomina frecuencia absoluta acumulada del valor xi a la

suma de las frecuencias absolutas de los valores de la variable X anteriores o iguales a xi. Su valor es:
N i = n donde i = (1, 2, 3n) i
i =0 n

Frecuencia relativa acumulada (Fi). Es la frecuencia absoluta acumulada dividida por el nmero total de valores de la variable. Su valor es
Fi = N i / N.

10

De todas estas definiciones se extraen lo siguiente:

o La suma de las frecuencias absolutas sin acumular es igual al nmero total de elementos (
ni

= N)

o La ltima frecuencia relativa acumulada es el total de elementos (N). o La suma de todos las frecuencias relativas acumuladas es igual a uno. o La ltima frecuencia relativa acumulada es la unidad.

Al conjunto de valores que ha tomado una variable, junto con sus frecuencias, se le denomina
distribucin de frecuencias de la caracterstica o variable. Para que una distribucin de frecuencias

quede determinada es necesario conocer todos los valores de la variable y cualesquiera de los conceptos de frecuencia que acabamos de definir, ya que el paso de uno a otro es inmediato. Adems, segn la forma en que se presenten los valores de la variable ser posible distinguir dos tipos de distribuciones de frecuencias:
a) Las que no estn agrupadas en intervalos, que surgen cuando la informacin se dispone

asociando a cada valor o categora de la variable su frecuencia.

b) Aquellas cuyos valores observados generalmente aparecen agrupados en intervalos o clases

[L i , L i 1 ] debido al elevado nmero de observaciones, y, por tanto, las frecuencias correspondientes a cada intervalo se obtienen sumando las de los respectivos valores de la variable que contiene. Cuando se trabaja con distribuciones agrupadas por intervalos o clases es necesario que las frecuencias observadas se asignen de alguna forma a los puntos del intervalo. Se podr optar por suponer que los valores del intervalo se distribuyen uniformemente a lo largo de l o por considerar como representativo de todos los puntos del intervalo un nico valor, por ejemplo, el punto medio del mismo, que denominaremos marca de clase (Xi) y que, en consecuencia, se obtendr mediante

L Li X i = i 1 2

11

Aunque la agrupacin de valores tiene la ventaja de simplificar el manejo de la informacin, presenta en cambio un importante inconveniente consistente en la prdida, en mayor o menor medida, de una parte de dicha informacin. La distribucin de frecuencias de una variable suele presentarse ordenadamente mediante una tabla de frecuencias como la expuesta en la Tabla 1:

Tabla 5.1 Distribucin de frecuencias de una variable.

Ii [L 0 , L i ] [L 1 ,L 2 ] [L 2 , L 3 ] [L k 1 , L k] Xi x1 x2 x3 xk n, n2 n3 nk ni fi f 1 =n 1 /N f 2 =n 2 /N f 3 =n 3 /N fk=n k /N N 1 =n 1 N2=n 1 +n 2 N3=n 1 +n 2 +n 3 N k =n 1 +...+n k =N Ni Fi F 1 =N 1 /N F 2 =N2/N F 3 =N3/N Fk=Nk/N=1

=N

=1

En cuanto al nmero de intervalos, K, a considerar se puede tener en cuenta la frmula de Sturges:

K = E [1 + 3.3 log( N )] , o tambin K = N, donde N es el tamao de la muestra.

5.3 MEDIDAS DE POSICIN, DISPERSIN Y FORMA

Una vez definidos los conceptos bsicos en el estudio de una distribucin de frecuencias de una variable, se abordan las distintas formas de resumir dichas distribuciones mediante medidas de

posicin (o de centralizacin), teniendo presente el error cometido en el resumen mediante las medidas de dispersin. A su vez se analiza la forma de la distribucin mediante las medidas de forma. El
histograma de frecuencias ya nos daba una representacin visual de las tres propiedades ms importantes de los datos muestrales relativos a variables: la forma de su distribucin, su tendencia central y su dispersin. Ahora se trata de cuantificar estos conceptos.

5.3.1 M EDIDAS DE POSICIN

Se trata de encontrar medidas que sinteticen las distribuciones de frecuencias. En vez de manejar todos los datos sobre las variables, podemos caracterizar su distribucin de frecuencias mediante algunos valores numricos, eligiendo como resumen de los datos un valor central alrededor del cual se
12

encuentran distribuidos los valores de la variable. El valor de la variable elegido para representar a una distribucin se llama promedio o medida de posicin y es un valor representativo de todos los valores que toma la variable. Estas medidas de posicin de una distribucin de frecuencias han de cumplir determinadas condiciones para que sean verdaderamente representativas de la variable a la que resumen. Toda sntesis de una distribucin se considerar como operativa si intervienen en su determinacin todos y cada uno de los valores de la distribucin, siendo nica para cada distribucin de frecuencias y siendo siempre calculable y de fcil obtencin. A continuacin se relacionan las medidas de posicin ms comunes utilizadas en Estadstica.

5.3.1.1 M EDIA

ARITMTICA

Se define como la suma de todos los valores de la distribucin dividida por el nmero total de datos. La expresin matemtica que representa la media aritmtica coincide con el momento de primer orden respecto al origen. Pero esto slo es vlido en el supuesto ms sencillo en que los datos de la variable estn sin agrupar. En el caso de que se tenga una distribucin con datos agrupados en intervalos, los valores individuales de la variable sern desconocidos y, por tanto, no podramos utilizar la formula anterior. Bajo este supuesto los datos estarn agrupados en clases, y se postula la hiptesis de que el punto medio del intervalo de clase (marca de clase) representa adecuadamente el valor medio de dicha clase, y se aplica la formula original de la media simple para dichos valores. En el caso de que la variable presente valores anormalmente extremos, stos pueden distorsionar la media aritmtica, hacindola incluso poco representativa. A los estadsticos que no son afectados por los valores extremos de la muestra se les denomina estadsticos robustos. La media no es un estadstico robusto. Como veremos posteriormente, este inconveniente no afecta a la mediana. Si la distribucin de frecuencias es (xi, ni), siendo xi los valores de la variable o las marcas de clase, y siendo ni las frecuencias absolutas, la media aritmtica, que representaremos por X , se define como sigue:

X =

1 N

x n
i =1 i

13

5.3.1.2 M EDIANA
Se define como mediana el valor de la distribucin, ordenada de menor a mayor, que deja a su izquierda y a su derecha la misma frecuencia de observaciones, es decir, el valor de la variable que ocupa el lugar central, supuesto un nmero impar de datos. Si el nmero de datos fuese par puede decirse que hay dos valores medianos, y se toma como mediana la media aritmtica entre ellos. Tambin se podra definir como aquel valor de la distribucin cuya frecuencia absoluta acumulada es

N/2 ( N = ni ). Para distribuciones agrupadas en intervalos. Y suponiendo que todos los valores
comprendidos dentro del intervalo mediano [Li-1, Li] se encuentran distribuidos uniformemente a lo largo de l, puede calcularse la mediana (Me) mediante la expresin:
N N i 1 i M e = Li +1 + *c ni 2

donde N i-1<

N N < Ni y [L i-1, Li] es el intervalo siguiente al que contiene a , siendo ci su amplitud. 2 2

Como ventaja de la mediana tenemos que no influyen en ella los valores extremos (estadstico robusto).

5.3.1.3 M ODA
La moda (Mo) es el valor de la variable que ms veces se repite, y en consecuencia, en una distribucin de frecuencias, es el valor de la variable que viene afectada por la mxima frecuencia de la distribucin. En distribuciones no agrupadas en intervalos se observa la columna de las frecuencias absolutas, y el valor de la distribucin al que corresponde la mayor frecuencia ser la moda. A veces aparecen distribuciones de variables con ms de una moda (bimodales, trimodales, etc), e incluso una distribucin de frecuencias que presente una moda absoluta y una relativa. En distribuciones agrupadas en intervalos de la misma amplitud, no se tendr un valor modal sino un intervalo modal (el que presenta la mayor frecuencia [Li-1, Li]). Se puede tomar como valor modal el extremo inferior del intervalo(Mo = Li-1) o el extremo superior (Mo = Li), o bien hacer que la moda sea igual a la marca de clase del intervalo modal (Mo = xi). En caso de que todos los valores del intervalo modal estn distribuidos uniformemente dentro de l, la moda estar ms cerca de aquel intervalo contiguo cuya frecuencia sea mayor, siendo las distancias de la moda Mo a los intervalos contiguos

14

inversamente proporcionales a las frecuencias de dichos intervalos, la moda puede calcularse mediante la expresin:

i 1 *c Mo = Li +1 + n i + i 1 i +1 (n ) + (n ) Para intervalos de distinta amplitud, realmente las densidades de frecuencias dan el nmero de valores que hay en cada unidad de intervalo para cada intervalo. La mayor densidad de frecuencia, ahora s, determina el intervalo modal [Li-1, Li], calculndose la moda mediante la expresin: d i +1 i Mo = Li +1 + i 1 d + d i +1 * c

di =
Con

ni ci

Cabe sealar que la moda es la medida ms representativa en caso de distribuciones de variables en escala nominal. Esto se debe a que las distribuciones de este tipo presentan los datos no susceptibles de ordenacin, de tal forma que para estas distribuciones no es posible realizar operaciones elementales con sus observaciones. La moda se emplea sobre todo cuando los valores de la variable presentan una gran concentracin hacia un valor determinado. Slo se utilizar en distribuciones de gran frecuencia total.

5.3.2M EDIDAS DE DISPERSIN

Las medidas de dispersin permiten calcular la representatividad de una medida de posicin, para lo cual ser preciso cuantificar la distancia de los diferentes valores de la distribucin respecto a dicha medida. A tal distancia es a lo que, en trminos estadsticos, se denomina variabilidad o dispersin de la distribucin. Las medidas de dispersin tienen como finalidad estudiar hasta que punto, para una determinada distribucin de frecuencias, las medidas de tendencia central o de posicin son representativas como sntesis de toda la informacin de la distribucin. Medir la representatividad de una medida de posicin equivale a cuantificar la separacin de los valores de la distribucin respecto a dicha medida. Por ejemplo, si se pretende estudiar en qu grado una media aritmtica nos marca una tendencia central generalizable del comportamiento de todos los elementos del conjunto estudiado, se observa la

15

separacin o desviacin de cada valor respecto a la media. Si todos los valores estn cercanos al valor medio, ste es representativo de ellos. A la mayor o menor separacin de los valores de una distribucin respecto de otro, que se pretende que sea sus sntesis, se le llama dispersin o variabilidad. Ser, por tanto ms representativa la media aritmtica de una variable cuanto ms agrupados en torno a ella estn los valores promediados y, por el contrario, ser tanto ms rechazable, por no ser representativa, cuanta mayor dispersin exista de los valores de la variable respecto a la media. Resulta pues necesario para completar la informacin que pueda deducirse de una medida de posicin o centralizacin, acompaarla de uno o varios coeficientes que nos midan el grado de dispersin de la distribucin de la variable respecto de esa medida de centralizacin. Estos coeficientes son los llamados medidas de dispersin. Inicialmente se distingue entre medidas de dispersin absolutas y relativas, entendindose por relativas las que no dependen de las unidades de medida. Posteriormente se clasifican las medidas absolutas y relativas segn sean medidas referentes a promedios o no lo sean. Entre las medidas de dispersin absolutas no referentes a promedios tenemos el recorrido o diferencia entre el mayor valor y el menor valor de una distribucin y el recorrido intercuartlico o diferencia existente entre el tercer cuartil y el primero. Entre las medidas de dispersin relativas no referentes a promedios tenemos el coeficiente de apertura o cociente entre el mayor valor y el menor valor de una distribucin y el recorrido semintercuartlico o cociente entre el recorrido intercuartlico y la suma del primer y tercer cuartil. Entre las medidas de dispersin absolutas referentes a promedios se tienen las desviaciones medias, la
varianza y la desviacin tpica. Estas medidas de dispersin involucran a los promedios y permiten

medir el error utilizando el promedio como resumen de los datos. Como medida de dispersin simple relativa a la medida de posicin P, podramos considerar las desviaciones de cada valor al promedio y
D=

( x i P ) * ni
N ,i =1...k. Pero esto, que

promediar estas desviaciones, es decir, considerar el valor

es lo primero a lo que se recurre, tiene como grave inconveniente las posibles compensaciones de las desviaciones positivas con las negativas al efectuar la suma, pudiendo obtenerse una medida pequea siendo la dispersin grande. Para solucionar este inconveniente se consideran los valores absolutos de las desviaciones o se elevan stas al cuadrado. A continuacin se definen las medidas de dispersin ms interesantes, entre las que tenemos:
16

5.3.2.1 D ESVIACIONES

MEDIAS

Para medir la eficacia de la media se considera la desviacin media respecto de la media aritmtica, que se define como, la media aritmtica de los valores absolutos de las diferencias entre los valores de la variable y la media aritmtica, y cuya expresin es la siguiente:

Dm =

1 N

(x
i =1

x )ni

Para medir la eficacia de la mediana (Me) suele considerarse la desviacin media respecto de la mediana, que se define como la media aritmtica de los valores absolutos de las diferencias entre los valores de la variable y la mediana, y cuya expresin es la siguiente: DMe = 1 N

(x
i =1

Me )ni

5.3.2.2 V ARIANZA ,
ESTNDAR

CUASIVARIANZA , DESVIACIN TPICA Y ERROR

De todas las medidas de dispersin absolutas respecto a la media aritmtica, la varianza y su raz cuadrada (la desviacin tpica), son las ms importantes. Si en vez de considerar los valores absolutos de las desviaciones respecto del promedio se consideran sus cuadrados, surge una nueva medida de dispersin denominada varianza y que se define como, la media aritmtica de los cuadrados de las desviaciones de los valores de la variable a la media aritmtica, es decir, el momento de segundo orden respecto a la media aritmtica. Se define mediante la expresin:

2 =

1 N

(x
i =1

x ) 2 ni

Como propiedades importantes de la varianza tenemos:

o Nunca puede ser negativa o Es igual al momento de segundo orden respecto al origen menos el de primer orden elevado al
cuadrado

o Si en la distribucin de frecuencias sumamos a todos los valores de la variable una constante la

varianza no vara (un cambio de origen en la variable no afecta a la varianza) y
17

o Al multiplicar los valores de una distribucin de frecuencias por una constante k la varianza
queda multiplicada por el cuadrado de la constante. As como las desviaciones medias vienen expresadas en las mismas unidades de medida que la distribucin, la varianza no, ya que vendr dada en las unidades correspondientes, pero elevadas al cuadrado. Esto dificulta su interpretacin y hace necesario definir la desviacin tpica o desviacin estndar. La desviacin tpica es la raz cuadrada, con signo positivo, de la varianza, con lo que su expresin ser:

1 N

( xi x )
i =1

ni

Al ser la raz cuadrada de la varianza, vendr expresada en las mismas unidades de medida que la distribucin, lo cual la hace ms apta como medida de dispersin. Un estadstico muy utilizado como medida de dispersin, sobre todo debido a sus propiedades muestrales, es la cuasivarianza, cuya expresin es: S2 = 1 k ( xi x ) 2 ni N 1 i =1

Tambin se considera la cuasidesviacion tpica, cuya expresin es:

S= 1 k ( xi x ) 2 ni N 1 i =1

Otro estadstico muy utilizado como medida de dispersin tambin por sus propiedades muestrales, es el error estndar, cuyo valor es:
e= S n

Siempre se cumple que ( DME < Dm < ) Entre las medidas de dispersin absolutas referentes a promedios se pudo haber definido tambin la desviacin media respecto a la moda y las desviaciones cuadrticas respecto a la mediana y a la moda,

18

que vienen dadas en las mismas unidades de medida que la distribucin y que marcan la representatividad de los promedios con los que se relacionan. Entre las medidas de dispersin relativas (valores adimensionales que no se ven afectados por las unidades de medida y que siempre se concretan en forma de cociente) utilizadas para comparar medidas de posicin o promedios, tenemos el ndice de dispersin respecto a la mediana y el coeficiente de variacin de Pearson.

5.3.3 M EDIDAS DE FORMA

Una vez iniciado el anlisis estadstico de sntesis de la informacin, para lo cual se han estudiado las medidas de posicin y dispersin de la distribucin de una variable, se necesita ahora conocer ms sobre el comportamiento de la misma. No se pueden enunciar las conclusiones nicamente en expresiones que vengan dadas en trminos de medidas de posicin y dispersin. Si bien se trata de globalizar el comportamiento del colectivo que sea objeto de nuestro estudio, para lo cual las medidas de posicin son nuestro mejor instrumento, no se debe proceder a una interpretacin que implique un comportamiento de todos los elementos del colectivo uniformemente constante e igual a la medida de posicin en cuestin con un error dado por la correspondiente medida de dispersin. Este error o disparidad se hace ms ostensible al analizar la representacin grfica de la distribucin. Las medidas de forma se clasifican en medidas de asimetra y medidas de curtosis o apuntamiento. Las medidas de asimetra tienen como finalidad el elaborar un indicador que permita establecer el grado de simetra (o asimetra) que presenta una distribucin, sin necesidad de llevar a cabo su representacin grfica. Bajo el supuesto de que se ha represente grficamente una distribucin de frecuencias, si se traza una perpendicular al eje de abscisas por x y se toma esta perpendicular como eje de simetra, entonces una distribucin es simtrica si existe el mismo nmero de valores a ambos lados de dicho eje, equidistantes de x dos a dos y tales que cada par de valores equidistantes a x tengan la misma frecuencia. En caso contrario, las distribuciones sern asimtricas. Las medidas de curtosis estudian la distribucin de frecuencias en la zona central de la misma. La mayor o menor concentracin de frecuencias alrededor de la media y en la zona central de la

19

distribucin dar lugar a una distribucin ms o menos apuntada. Por esta razn a las medidas de curtosis se les llama tambin de apuntamiento o concentracin central. Las medidas de curtosis se aplican a distribuciones campaniformes, es decir, unimodales simtricas o con ligera asimetra Para estudiar la curtosis de una distribucin es necesario definir previamente una distribucin tipo, que vamos a tomar como modelo de referencia. Esta distribucin es la Normal, que corresponde a fenmenos muy corrientes en la naturaleza, y cuya representacin grfica es una campana de Gauss. Tomando la Normal como referencia, se dice que una distribucin puede ser ms apuntada que la normal (es decir, leptocrtica) o menos apuntada (es decir, platicrtica). Con la curtosis se estudia la deformacin, en sentido vertical, respecto a la normal, de una distribucin. A la distribucin normal, desde el punto de vista de la curtosis, se le llama mesocrtica. A continuacin se definen las medidas de asimetra ms comunes, entre las que destacan las siguientes:

5.3.3.1 C OEFICIENTE

DE ASIMETRA DE

F ISHER

Ahora se busca una medida que recoja la simetra o asimetra de una distribucin. Si la distribucin es simtrica, el eje de simetra de su representacin grafica ser una recta paralela al eje de ordenadas, que pasa por el punto cuya abscisa es la media aritmtica. Por ello, cuando la distribucin es asimtrica, referiremos los valores de la distribucin a este promedio. Si una distribucin es simtrica, existe el mismo nmero de valores a la derecha que a la izquierda de x , y por tanto el mismo nmero de desviaciones con signo positivo que con signo negativo, siendo la suma de desviaciones positivas igual a la suma de las negativas. Podemos partir, de las desviaciones (xi x ) elevadas a una potencia impar, para no perder los signos de las desviaciones. Lo ms sencillo sera tomar como medida de asimetra el promedio de estas desviaciones, elevadas a la potencia impar ms simple (que es tres), es decir, tomar como medida de asimetra el momento de orden tres centrado en la media. De hacerse esto, esta medida vendra expresada en las mismas unidades que las de la variable pero elevadas al cubo, por lo que no es invariante ante un cambio de escala. Para conseguir un indicador adimensional, debemos dividir la expresin anterior por una cantidad que venga en sus mismas unidades de medida. Esta cantidad es el cubo de la desviacin tpica, obtenindose as el coeficiente de asimetra de R. A. Fisher, cuya expresin es:

20

1 =

m3

1 N 1 N

(x
i =1 k

x ) 3 ni
3/ 2 2

( x j x ) ni i =1

Si 1 = 0 la distribucin es simtrica; si 1 >0 la distribucin es asimtrica positiva (a derecha); y si

1 <0 la distribucin es asimtrica negativa (a izquierda). La distribucin es asimtrica a derecha o

positiva cuando la suma de las desviaciones positivas de sus valores respecto de la media es mayor que la suma de las desviaciones con signo negativo (la grafica de la distribucin tiene ms densidad a la derecha de la media). En caso contrario, la distribucin es asimtrica a la izquierda o negativa. Ahora, si la curva est ms o menos "aplastada", en relacin con el grado de apuntamiento de una distribucin normal. El coeficiente de curtosis de Fisher, dado por:

permite clasificar una distribucin de frecuencias en mesocrtica (tan aplanada como una normal,

2 = 0 ), leptocrtica (ms apuntada que una normal, 2 > 0 ) o platicrtica (ms aplanada que una
normal, 2 < 0 ). Una vez presentadas esta medida de asimetra, a continuacin se definen una de las medidas de curtosis ms comunes:

5.3.3.2 C OEFICIENTE

DE CURTOSIS

En la distribucin normal se verifica que m4 = 3 4 siendo m4 el momento de orden cuatro respecto a la media y la desviacin tpica. Si se considera la expresin g 2 =

m4

3 , su valor ser cero para la

distribucin normal. Por ello, como coeficiente de apuntamiento o curtosis se utiliza la expresin:

21

g2 =

m4

3 =

1 N 1 N

(x
i =1 k

x ) 4 ni
2

( x j x ) 2 ni i =1

Una distribucin puede ser:

o mesocrtica (apuntamiento igual al de la normal) cuando g2 = 0, o leptocrtica (apuntamiento mayor que el de la normal) si g2 > 0, o platicrtica (apuntamiento menor que el de la normal) si g2 < 0.

22

5.4 LA DISTRIBUCIN NORMAL

Al iniciar el anlisis estadstico de una serie de datos, y despus de la etapa de deteccin y correccin de errores, un primer paso consiste en describir la distribucin de las variables estudiadas y, en particular, de los datos numricos. Adems de las medidas descriptivas correspondientes, el comportamiento de estas variables puede explorarse grficamente de un modo muy simple. Una de las distribuciones tericas mejor estudiadas en los textos de bioestadstica y ms utilizada en la prctica es la distribucin normal, tambin llamada distribucin gaussiana5. Su importancia se debe fundamentalmente a la frecuencia con la que distintas variables asociadas a fenmenos naturales y cotidianos siguen, aproximadamente, esta distribucin. Caracteres morfolgicos (como la talla o el peso), o psicolgicos (como el cociente intelectual) son ejemplos de variables de las que frecuentemente se asume que siguen una distribucin normal. No obstante, y aunque algunos autores han sealado que el comportamiento de muchos parmetros puede ser descrito mediante una distribucin normal, puede resultar incluso poco frecuente encontrar variables que se ajusten a este tipo de comportamiento. El uso extendido de la distribucin normal en las aplicaciones estadsticas puede explicarse, adems, por otras razones. Muchos de los procedimientos estadsticos habitualmente utilizados asumen la normalidad de los datos observados. Aunque muchas de estas tcnicas no son demasiado sensibles a desviaciones de la normal y, en general, esta hiptesis puede obviarse cuando se dispone de un nmero suficiente de datos, resulta recomendable contrastar siempre si se puede asumir o no una distribucin normal. La simple exploracin visual de los datos puede sugerir la forma de su distribucin. No obstante, existen otras medidas, grficas de normalidad y contrastes de hiptesis que pueden ayudarnos a decidir, de un modo ms riguroso, si la muestra de la que se dispone procede o no de una distribucin normal. Cuando los datos no sean normales, se pueden o bien transformarlos o emplear otros mtodos estadsticos que no exijan este tipo de restricciones (los mtodos no paramtricos). A continuacin se describe la distribucin normal, y sus propiedades ms relevantes, sobre sus aplicaciones a la inferencia estadstica.

Altman DG, Bland JM. Statistics notes: The normal distribution. BMJ 1995; 310: 298-298 23

5.4.1 D EFINICIN FORMAL

La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se la conozca, ms comnmente, como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos parmetros, su media y su desviacin estndar, denotadas generalmente por la normal viene dada por la ecuacin: y . Con esta notacin, la densidad de

Que determina la curva en forma de campana que tan bien conocemos

Grfica 5.1. Distribucin normal.

As, se dice que una caracterstica denota como sigue una distribucin normal de media y varianza , y se

, si su funcin de densidad viene dada por la Ecuacin 1.

24

5.4.2 P ROPIEDADES DE LA DISTRIBUCIN NORMAL

La distribucin normal posee ciertas propiedades importantes que conviene destacar:

o Tiene una nica moda, que coincide con su media y su mediana. o La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
tericamente posible. El rea total bajo la curva es igual a 1. y es

o Es simtrica con respecto a su media o La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es igual a una
desviacin tpica ( ). Cuanto mayor sea , ms aplanada ser la curva de la densidad.

o El rea bajo la curva comprendida entre los valores situados aproximadamente a dos
desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95% de posibilidades de observar un valor comprendido en el intervalo .

o La forma de la campana depende de los parmetros y . La media es una medida de

tendencia central, de modo que para diferentes valores de la grfica es desplazada a lo largo del eje X. Por otra parte, la desviacin estndar es una medida de dispersin. Cuanto mayor sea el valor de , ms se dispersarn los datos en torno a la media y la curva ser ms plana. Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino una familia de distribuciones con una forma comn, diferenciadas por los valores de su media y su varianza. De entre todas ellas, la ms utilizada es la distribucin normal estndar, que corresponde a una distribucin de media 0 y varianza 1. As, la expresin que define su densidad se puede obtener de la Ecuacin 1, resultando:

Es importante conocer que, a partir de cualquier variable X que siga una distribucin

, se

puede obtener otra caracterstica Z con una distribucin normal estndar, sin ms que efectuar la transformacin:

25

Esta propiedad resulta especialmente interesante en la prctica, ya que para una distribucin existen tablas publicadas a partir de las que se puede obtener la probabilidad de observar un dato menor o igual a un cierto valor z, y que permitirn resolver preguntas de probabilidad acerca del comportamiento de variables de las que se sabe o se asume que siguen una distribucin aproximadamente normal. No obstante, en la prctica, generalmente no se dispone de informacin acerca de la distribucin terica de la poblacin, sino que ms bien el problema se plantea a la inversa: a partir de una muestra extrada al azar de la poblacin que se desea estudiar, se realizan una serie de mediciones y se desea extrapolar los resultados obtenidos a la poblacin de origen

26

5.5. PRUEBAS DE HIPTESIS

Existen problemas en los cuales en vez de estimar el valor de un parmetro debemos decidir si una afirmacin relativa a un parmetro es verdadera o falsa. Un contraste o prueba de hiptesis, es una tcnica de inferencia estadstica que permite comprobar si la informacin que proporciona una muestra observada, concuerda con la hiptesis estadstica formulada sobre el modelo de probabilidad en estudio y, por tanto, se puede aceptar la hiptesis formulada o rechazarla. Es decir, una hiptesis estadstica es una afirmacin acerca de los parmetros de una o ms poblaciones. Las pruebas de hiptesis pueden ser clasificadas como:

o Paramtricos son aquellos mtodos estadsticos que permiten realizar inferencias acerca de
parmetros poblacionales y que suponen una distribucin para la variable bajo estudio.

o No paramtricos estos mtodos no dependen de supuestos acerca de la distribucin de la

variable bajo estudio. Esto no significa que carezcan de supuestos. Todos los mtodos, tienen supuestos acerca de la variable bajo estudio.

5.5.1 T IPOS DE ERROR EN UNA PRUEBA DE HIPTESIS

En las pruebas de hiptesis, se pueden cometer dos tipos de errores, que son:

o Error Tipo I: Rechazar H 0 cuando H 0 es cierta. o Error Tipo II: Aceptar H 0 cuando H 0 es falsa.
Esquemticamente esto se puede ver en la tabla siguiente:

Tabla 5.2 Situaciones posibles en un contraste de hiptesis

Situacin real: H 0 es cierta Decisin:

ACEPTAR H 0 RECHAZAR H 0 CORRECTO

H 0 es falsa ERROR TIPO II

CORRECTO
27

ERROR TIPO I

Existen dos regiones para la toma de decisiones; una es la regin de aceptacin y la otra es la regin de rechazo. Los lmites de dichas regiones se llaman valores crticos. En pruebas de hiptesis, se define como la probabilidad del error tipo I, es decir, la probabilidad de

rechazar Ho cuando Ho es verdadero. Se le llama nivel de significancia a esta probabilidad y est dada por
0 = P H _ Es _ Verdadera 0

Re chazar _ H

Esta probabilidad corresponde a la Regin de Rechazo de la hiptesis nula. La Regin de Aceptacin contiene una probabilidad acumulada de 1- .

28

5.6. PRUEBAS DE NORMALIDAD

La verificacin de la hiptesis de normalidad resulta esencial para poder aplicar muchos de los procedimientos estadsticos que habitualmente se manejan. Tal y como ya se apuntaba antes, la simple exploracin visual de los datos observados mediante, por ejemplo, un histograma o un diagrama de cajas, podr ayudarnos a decidir si es razonable o no el considerar que proceden de una caracterstica de distribucin normal Resulta obvio que este tipo de estudio no puede llevarnos sino a obtener una opinin meramente subjetiva acerca de la posible distribucin de nuestros datos, y que es necesario disponer de otros mtodos ms rigurosos para contrastar este tipo de hiptesis. En primer lugar, deberemos plantearnos el saber si los datos se distribuyen de una forma simtrica con respecto a su media o presentan algn grado de asimetra, pues es sta una de las caractersticas fundamentales de la distribucin normal. Aunque la simetra de la distribucin pueda valorarse, de modo simple, atendiendo a algunas medidas descriptivas de la variable en cuestin (comparando, por ejemplo, los valores de media, mediana y moda), resultar til disponer de algn ndice que nos permita cuantificar cualquier desviacin.

5.6.1 G RFICAS DE PROBABILIDAD NORMAL

Las grficas de probabilidad normal constituyen una importante herramienta grfica para comprobar si un conjunto de datos puede considerarse o no procedente de una distribucin normal. La idea bsica consiste en enfrentar, en un mismo grfico, los datos que han sido observados frente a los datos tericos que se obtendran de una distribucin normal. Si la distribucin de la variable coincide con la normal, los puntos se concentrarn en torno a una lnea recta, aunque conviene tener en cuenta que siempre tender a observarse mayor variabilidad en los extremo. En las grficas P-P se confrontan las proporciones acumuladas de una variable con las de una distribucin normal. Las grficas Q-Q se obtienen de modo anlogo, esta vez representando los cuantiles respecto a los cuantiles de la distribucin normal. Adems de permitir valorar la desviacin de la normalidad, las grficas de probabilidad permiten conocer la causa de esa desviacin. Una curva en forma de "U" o con alguna curvatura, significa que la distribucin es asimtrica con respecto a la gaussiana, mientras que un

29

grfico en forma de "S" significar que la distribucin tiene colas mayores o menores que la normal, esto es, que existen pocas o demasiadas observaciones en las colas de la distribucin.

5.6.2 T EST DE K OLMOGOROV -S MIRNOV

Existen distintos tests estadsticos que podemos utilizar para que cuantifiquen de un modo ms exacto los mtodos grficos. El test de Kolmogorov-Smirnov es el ms extendido en la prctica. Se basa en la idea de comparar la funcin de distribucin acumulada de los datos observados con la de una distribucin normal, midiendo la mxima distancia entre ambas curvas. Como en cualquier test de hiptesis, la hiptesis nula se rechaza cuando el valor del estadstico supera un cierto valor crtico que se obtiene de una tabla de probabilidad. Dado que en la mayora de los paquetes estadsticos, como el SPSS, o el SAS, aparece programado dicho procedimiento, y proporciona tanto el valor del test como el p-valor correspondiente, no nos detendremos ms en explicar su clculo. Existen modificaciones de este test, como el de Anderson-Darling que tambin pueden ser utilizados. Otro procedimiento muy extendido es tambin el test chicuadrado de bondad de ajuste. No obstante, este tipo de procedimientos deben ser utilizados con precaucin. Cuando se dispone de un nmero suficiente de datos, cualquier test ser capaz de detectar diferencias pequeas aun cuando stas no sean relevantes para la mayor parte de los propsitos. El test de Kolmogorov-Smirnov, en este sentido, otorga un peso menor a las observaciones extremas y por la tanto es menos sensible a las desviaciones que normalmente se producen en estos tramos.

30

5.7. DIAGRAMAS DE CONTROL

5.7.1 V ARIACIN : CAUSAS FORTUITAS Y CAUSAS ATRIBUIBLES
En cualquier proceso de fabricacin, sin importar su buen diseo o mantenimiento cuidadoso, siempre existir cierto grado de variabilidad inherente o natural. Esta variabilidad natural es el efecto acumulativo de muchas pequeas causas, esencialmente incontrolables. Cuando la variabilidad inherente es relativamente pequea suele considerarse un nivel aceptable del funcionamiento del proceso. En el marco del control estadstico de calidad, esta variabilidad natural se llama sistema estable de causas fortuitas. Un proceso que solo funciona solamente con causas fortuitas de /variabilidad se considera bajo control estadstico. Otro tipo de variabilidad puede presentarse en el resultado de un proceso. Esta variabilidad en caractersticas claves de calidad surgen por lo comn de tres fuentes: ajuste incorrecto de maquinas, errores de operario o defectos en la materia prima. Esta variabilidad es en general mayor que la variabilidad inherente, y normalmente representa un nivel inaceptable del funcionamiento del proceso. Estas fuentes de variabilidad que no forman parte del esquema de causas fortuitas se denominan causas atribuibles. Un proceso que funciona en presencia de causas atribuibles se considera fuera de control.

5.7.2 D EFINICIN DE UNA GRFICA DE CONTROL

El diagrama de control es un mtodo estadstico principalmente para el estudio y control de los procesos repetidos. Puede servir, en primer lugar, para definir la meta o el estndar de un proceso que la gerencia desea alcanzar, en segundo lugar, puede ser utilizado como instrumento para alcanzar dicha meta y en tercer lugar, puede servir como un procedimiento para juzgar si dicha meta fue alcanzada (Duncan, 1989). La variacin producida por las causas fortuitas sigue leyes estadsticas. La variacin producida por un sistema de causas fortuitas se puede pronosticar as para fenmenos en masa. El conocimiento de las variaciones causales es el fundamento en que descansan los diagramas de control. Si se estudia un conjunto de datos y se encuentra que sus variaciones se ajustan a una forma estadstica que puede ser razonablemente por causas fortuitas, se supone que no habr presentes causas atribuibles, en
31

consecuencia se dice que las condiciones que producen esta variacin estn bajo control. Si las variaciones en los datos no se ajustan a una norma que pudiera ser razonablemente consecuencia de las causas fortuitas, se llega a la conclusin de que estn actuando una o ms causas atribuibles, en este caso, las condiciones que producen la variacin se dice que estn fuera de control (Duncan, 1989). Si se anotan los valores de muestra de X para una amplitud significativa en cuanto a la produccin y al tiempo, y todos estos valores caen dentro de los lmites de control y no muestran ciclos o tandas por encima o por debajo del promedio o tandas que aumenten o disminuyan, se podr decir que el proceso se encuentra en un estado de control estadstico al nivel diseado con relacin a la media dada de calidad. El Doctor W. A. Shewhart (Montgomery, 1982) indica que un proceso no deber ser considerado bajo control, a menos que la forma en que se han producido las variaciones aleatorias haya persistido durante algn tiempo y para una cantidad razonable de produccin. Por otro lado, Deming (1982), menciona que una vez que se haya alcanzado el control estadstico del proceso, el mejoramiento futuro entendido como una reduccin en la variacin en las caractersticas del productos, depender casi exclusivamente de los ingenieros, qumicos y dems expertos que tenga la empresa. El diseo de una carta de control de Shewhart, como primer paso para su implementacin, involucra la seleccin de un tamao de muestra constante (n) para todos los anlisis, tomadas a intervalos regulares de tiempo y el establecimiento de la amplitud de los lmites de control (Montgomery, 1982).

5.7.3 L MITES DE CONTROL

La especificacin de los lmites de control es una de las decisiones crticas que hay que tomar al disear un diagrama de control. Alejando los lmites de la lnea central se reduce el riesgo de cometer Error Tipo I, es decir, el riesgo de que un punto caiga fuera de los lmites de control, lo que indica una condicin de fuera de control, cuando no existe una causa atribuible. Sin embargo separando los lmites se eleva tambin el riesgo de cometer Error Tipo II, o sea, el riesgo de que un punto caiga entre dichos lmites cuando el proceso esta en realidad fuera de control En E. U. es costumbre basar los lmites de control en un mltiplo de la desviacin estndar de la estadstica representada en la grfica, habitualmente un mltiplo tres; por lo tanto se acostumbra

32

utilizar lmites de tres sigmas. En Europa se prefieren los lmites de control probabilsticos, usando lmites 0.001 y 0.025 en lugar de los lmites dos o tres sigma comnmente empleados.

5.7.4 T AMAO DE MUESTRA Y FRECUENCIA DE MUESTREO

El tamao de la muestra viene determinado por la tasa de produccin, y junto con la frecuencia de muestreo, tendrn que ser determinados por las autoridades que realizan el control. Sin embargo, muestras grandes facilitan la deteccin de cambios pequeos en el proceso.

5.7.5 T EORA DE LAS TANDAS

Una tanda o corrida es una sucesin de elementos de la misma clase. Por ejemplo, cuando la produccin de un proceso se clasifica como defectuosa o no defectuosa, una sucesin de unidades defectuosas sera una tanda de aquella clase de unidades. Hay tambin tandas ascendentes o descendentes. Una sucesin de aumentos en el valor es una tanda ascendente y una sucesin de disminuciones es una tanda descendente. La tanda se refiere a aumentos o disminuciones, no a los nmeros que producen dichas tendencias. En el control del proceso se debe de tratar de aumentar y no disminuir el nmero de tandas (Duncan, 1989).

5.7.6 C RITERIOS DE FUERA DE CONTROL

Los criterios por los que se sugiere que un proceso est fuera de control son los siguientes:

o Uno o ms puntos fuera de los lmites de un diagrama de control. o Uno o ms puntos en la vecindad del lmite de aviso (2
). Esto sugiere la necesidad de tomar

inmediatamente nuevos datos para comprobar la posibilidad de que el proceso se encuentre fuera de control.

o Una tanda de siete o ms puntos, hacia arriba o hacia abajo del lmite central del diagrama de
control.

o Ciclos u otras disposiciones no aleatorias en los datos. o Una tanda de dos o tres puntos por fuera de los lmites de dos sigmas. o Una tanda de cuatro o cinco puntos por fuera de los lmites de un sigma.
33

5.7.7 C ORRECCIN Y AJUSTE DE LOS DIAGRAMAS DE CONTROL

Si al operar un diagrama Shewarth se observa que el proceso est fuera de control, entonces el objetivo consistir en situarlo bajo control. Para ello habr que investigar los puntos que se encuentran fuera de control, de manera que se puedan eliminar o prevenir contra cualquier causa de mala calidad. Una vez eliminados los puntos de mala calidad con causas atribuibles se analizarn de nuevo los datos para obtener una base que sirva para trazar un diagrama de control que gobierne la produccin futura. Si sigue existiendo alguna falta de control, pero antes de la toma de nuevas decisiones, se examinar nuevamente el diagrama en relacin con las tandas o corridas, si cualquiera que sea la forma en que se analicen los puntos en relacin con tandas, no se encuentran evidencias de influencias no aleatorias, entonces es necesario llevar a cabo mayor refinamiento (Duncan, 1989). Si con el tiempo se observa que la caracterstica de calidad promedio a cambiado a un nivel ms bajo, hay que revisar de nuevo el diagrama de control y determinar nuevos lmites de control si es necesario.

5.7.8 T IPOS DE DIAGRAMAS DE CONTROL

Existen mltiples tipos de diagramas de control, aunque en este apartado nicamente abordaremos dos de estos diagramas los cuales se presentan a continuacin.

5.7.8.1 D IAGRAMAS

DE CONTROL

Un diagrama R muestra variaciones en las amplitudes o rangos de las muestras. La lnea central ser el promedio de las amplitudes de las muestras R y los lmites de control se establecern en 3 . Todas las frmulas para el diagrama R se basan en el supuesto de que el universo de valores individuales est distribuido normalmente. Sin embargo, se han obtenido buenos resultados mediante el uso del procedimiento normal cuando el universo no es normal (Duncan, 1989) Cuando el diagrama R se est utilizando para controlar la produccin actual, se calcula la amplitud de una muestra de n elementos y se sita en el diagrama R. Esto acompaa la fijacin de la media de la muestra en el diagrama X , que se vera a continuacin. Si el diagrama R indica que la variabilidad del proceso est en fuera de control, ser mejor no trazar el diagrama X hasta que se haya logrado control en cuanto a la variabilidad del proceso.

34

Para esquematizar un diagrama R, primero calculamos la amplitud promedio de la muestra R, que ser la lnea central del diagrama, y en seguida calculamos los lmites 3 , donde:

3d D4 = 1 + 3 d 2 LIC = R 3 = [1 ( 3d3 )] R = D3 R d2

D3 = [1 (

3d 3 )] d2 , donde d2 y d3, D3 y D4, se encuentran tabulados en tablas para distintos valores de n

(Rickmers, 1971). Para tamaos de muestra de seis o menos, un diagrama R no tendr un LCL de 3 . Cuando la gerencia da valores estndar de con los cuales se espera controlar el proceso, la lnea central del diagrama R se obtendr multiplicando por d2 y los lmites de control estarn dados por: LSC = D2 LIC = D1 Donde D1 = (d2 3d3 ) y D2 = (d2 + 3d3 ) . Los valores D1 y D2 se encuentran tabulados en tablas para
diferentes valores de n.

5.7.8.2 D IAGRAMAS

DE CONTROL X

Un diagrama X muestra las variaciones en los promedios de las muestras. Los lmites de control usados son 3 estimados con base a los datos.

3 LSC = X + n

35

Lnea central = X

3 LIC= X n
=
Donde 3 R A2 = d 2 * n . Los valores de A han sido tabulados para distintos valores de n y d2 y 2

aparecen en tablas. La estimacin de la desviacin estndar del proceso para situar los lmites en el diagrama X , se deber calcular con base en la variacin dentro de la muestra, con exclusin de la variacin entre muestras. Con los lmites establecidos se calcula el promedio de las mediciones y se tabulan en el diagrama, si un punto queda fuera de los lmites se procede a realizar el ajuste y/o correccin de la grfica de control. Cuando la gerencia da valores estndar con los cuales se espera controlar el proceso en X y , los lmites de control estarn en:

LSC = X +

3 =X+A n 3 =XA n 3 n , siempre y cuando los valores estndar no sean arbitrarios. El valor de A se encuentra

LIC = X

A=
Donde

tabulado en tablas para diferentes valores de n. Se deber observar especialmente que los lmites de especificacin nunca debern aparecer en el diagrama X , ya que ste se refiere a las medidas y no a los elementos individuales.

36

Grfico 5.2. Flujograma para la construccin de las grficas X R .

Elegir el tamao de la muestra, n

Elegir el nmero de muestras, k

Ri = Ximax - Ximin

R=

R
i =1

k = k-1

LCI R = D3 R LCS R = D4 R

Hay algn Ri fuera del intervalo: LCIR Ri LCSR ?

Eliminar la muestra i

X =

x
i =1

k = k-1

LCI x = X A2 R LCS x = X + A2 R

Hay algn xi fuera del intervalo

LCI x xi LCS x ? LVNI = X L R LVNS = X + L R

Eliminar la muestra l

El proceso no es vlido

NO

Es LTI LVNI LVNS LTS ?

S
X R.

El proceso es vlido

Grfica 5.2. Diagrama para la construccin de las grficas

37

5.7.9 A NLISIS DE CAPACIDAD DEL PROCESO

La capacidad del proceso se refiere a la variacin inherente del sistema referido a mquinas, herramientas, materiales, mtodos y personas involucradas en la produccin (Chou et. al, 1990). Se realiza un estudio de la capacidad del proceso, para ver si ste es capaz de mantener las especificaciones requeridas, que porcentaje estamos usando de esta y saber si su capacidad es aceptable. Para ello utilizamos histogramas e ndices de capacidad como el Cp, ndice potencial de proceso, Cpk, ndice de desempeo de proceso, estos ndices son apropiados slo con mediciones independientes y de distribucin aproximadamente normal. Esto sirve para encontrar si el proceso puede cumplir con las especificaciones, y en caso contrario, para estimar la fraccin defectuosa. Un proceso es capaz si est en un estado de control estadstico y la variacin inherente es menor que la tolerancia de especificacin. Los ndices de capacidad estn dados por las siguientes ecuaciones:
CP = LSE LIE 6

donde LSE y LIE son los lmites inferior y superior de especificacin, respectivamente. Se utiliza la ecuacin anterior para especificaciones bilaterales. Para el caso de especificaciones unilaterales, la CP se define como:

CP =

LSE 3 (Slo la especificacin superior)

O bien CP =

LIE 3 (Slo la especificacin inferior)

LSE LIE 2 x LSE LIE

CPK=CP(1-K)

donde K =

El Cp simplemente compara la variacin tolerante (LSE-LIE) a la variacin natural del proceso, mientras que el Cpk incorpora, adems de la variacin la localizacin del proceso.
38

En la prctica el porcentaje de especificacin mximo a utilizar en un proceso es del 75%. Si el Cp<1, el proceso se considera no capaz de producir productos dentro de los lmites de especificacin, por lo cual la variacin deber ser reducida. Para el Cpk son deseables valores mayores o iguales a 1.30 para mayor seguridad.

39

6. METODOLOGA
La metodologa se dividi en tres fases:
o El trabajo de campo o Revisin documental y el o Anlisis de datos, generacin de las grficas de control e interpretacin de resultados

Se desarrollaron de la siguiente manera:

1.- Obtencin de datos. En esta parte se identificaron y tomaron datos de cada de los parmetros a

medir. Se utiliz para la toma de datos un muestreo simple aleatorio, de cada una de las variables a considerar. Esta muestra se obtuvo del producto terminado. Y para su toma se cont con la colaboracin del laboratorio de la empresa.
2.- Procesamiento de datos. Los datos obtenidos se procesaron utilizando el software STATISTICA 98

EDITION en sus mdulos de Basic statistics, Non parametric distributions y Quality control. Una vez obtenidos los resultados del trabajo de campo se realizaron las pruebas de normalidad para enseguida realizar las grficas de control de Shewharth. Se desarrollaron tres tipos de grficas para cada variable, una grfica de rangos, con la finalidad de observar cualquier cambio en la dispersin de los datos, un grfica de medias para observar cambios en la media del proceso y finalmente la grfica de capacidad del proceso, para saber si el proceso es capaz, es decir si cumple con las especificaciones dadas para cada una de las mismas.
3.- Anlisis e interpretacin de resultados. Se interpretaron las salidas obtenidas del punto anterior, se

elabor un diagnstico somero del estado de la produccin y se emitieron recomendaciones.

4.- La revisin documental se llev a cabo de manera paralela con la obtencin de datos y durante toda

la elaboracin del presente trabajo, pues se requera tener bibliografa reciente.

40

7. PRUEBAS DE NORMALIDAD
En este apartado se aplicaron pruebas de normalidad a lo datos obtenidos, previo a la elaboracin de los diagrmas de control. De los diferentes mtodos enunciados en el marco terico se utiliz en primer lugar el mtodo de las grficas de probabilidad normal, que bsicamente nos muestran con una lnea continua los valores esperados de una distribucin normal y con puntos los valores de nuestra muestra. En segundo lugar se aplic la prueba de Kolmogorov Smirnov. Con estos mtodos lo que pretendemos es demostrar la hiptesis de que:
H0: La muestra tiene una distribucin normal vs. Ha: La muestra no tiene una distribucin normal.

De las graficas de probabilidad normal concluimos que hay suficiente evidencia emprica para aceptar la hiptesis de que las muestras provienen de una distribucin normal en seis de las variables que son: Protena, Grasa, Humedad, Cenizas, Calcio y Fsforo. La prueba de kolmogorov-Smirnov, que se presenta en la tabla siguiente, muestra que las variables: Protena, Grasa, Humedad, Cenizas y Calcio tienen un valor P que al no ser significativo, indica que no podemos rechazar la hiptesis nula de una distribucin normal. La variable Fsforo, a diferencia de lo que se pudo pensar con las grficas de probabilidad normal no pasa la prueba, como podemos observar del valores de P que es significativo comparados con nuestro

= 0.05 , la misma situacin se presenta para la variable Tamizado. Lo que nos obliga a rechazar la
hiptesis de una distribucin normal para estas dos variables.

41

Tabla 7.1 Test de Kolmogorov-Smirnov. (Media y desviacin estndar desconocidas)

VARIABLES PROTEINA GRASA HUMEDAD CENIZAS CALCIO FOSFORO TAMIZADO

max D

P value

159 159 159 159 159 159 159

0.06974165 0.1034408 0.05209571 0.05624193 0.09451008 0.14674176 0.33835793

.20 .10 .20 .20 .15 .01 .01

En los dos casos en los que no se pasan las pruebas, Calcio y Fsforo, hemos decidido continuar con su anlisis de la misma manera que las que si pasaran las pruebas de normalidad, basndonos en el argumento de que existe evidencia de que aunque las variables no se distribuyan normal si las muestras tiene un tamao suficientemente grande pueden arrojar aun as, resultados robustos y con una alta credibilidad (Montgomery, 1991). Las operaciones realizadas para llegar a la tabla de resultados del test de Kolmogorov-Smirnov as como las grficas de probabilidad normal se encuentran en los anexos 3 y 4.

42

8. DESCRIPCIN DE RESULTADOS
En este apartado se muestran los resultados obtenidos de los tres tipos de diagramas y los diagramas mismos as como una tabla de correlaciones, como se ha mencionado en el marco terico, los diagramas de control, nos ayudan a detectar variacin no inherente al proceso, que pueden ser detectadas y eliminadas para estos fines se elaboraron dos tipos de diagramas de control, el diagrama de control de rangos, nos muestra la variabilidad del proceso, el diagrama de control de medias, que es de posicin. Finalmente se realiza el anlisis de capacidad del proceso y se miden los ndices de Cp y Cpk, con la finalidad de detectar si nuestro proceso es capaz de elaborar productos con las caractersticas deseadas para las variables medidas, ya que se utilizaron para su elaboracin los lmites de especificacin exigidos por la empresa. Para el caso de ausencia de especificaciones se toma ms menos una desviacin estndar. En la tabla siguiente pueden apreciarse los lmites de especificacin exigidos por la empresa.

Tabla 8.1 Lmites de especificacin dados por la empresa para estas variables.
Variable Lmite superior (%) Lmite inferior (%) 37 16 5 40 15 8 97.25 37 13 7 91.51 14

Protena Grasa Humedad Cenizas Calcio Fsforo Tamizado

43

8.1. Anlisis de la capacidad del proceso y grficas de control, variable: Protena

GRAFICO 8.1 CONTROL DE RANGOS VARIABLE: PROTEINA
Media: 1.98045 Desv Est: .610103 Promedio de N: 7.0909 4.5 4.0 3.5 RANGOS (% PROTEINA) 3.0 2.5 2.0 1.5 1.0 0.5 0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIC: .150145 Media: 1.98045 LSC: 3.81076

Grfica 8.1. Control de rangos, variable Protena.

La variabilidad de la protena es grande con una amplitud entre 0 y 3.8 puntos porcentuales, pero dado que solo se observan dos puntos fuera de los lmites de control, en junio de 2000 y otra en Marzo de 2001 se asume que la grfica de X dar respuestas confiables; mantiene tendencia creciente durante el periodo de tiempo de estudio, la dispersin es aceptable para calcular la grfica de control de medias.
GRAFICO 8.2 CONTROL DE MEDIAS VARIABLE. PROTEINA
Media: 40.2067 Desv. Est.: .732417 Promedio de N: 7.0909 47 46 45 44 % PROTEINA 43 42 41 40 39 38 37 36 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIE LSC: 41.0318 Media: 40.2067 LIC: 39.3815

Grfica 8.2. Control de medias, variable Protena.

Observamos que el lmite natural del proceso es muy estrecho, el porcentaje de protena se encuentra apenas por encima del lmite de especificacin. De Junio de 2000 a Marzo de 2001 se encuentra un proceso totalmente fuera de control estadstico, de acuerdo con los lmites naturales del proceso,

44

mejorando su desempeo a partir de del ao 2002. La tendencia del proceso en el periodo de observacin muestra una tendencia ascendente, debido tal ves a una mejora tecnolgica o a las caractersticas de la materia prima. En este caso habra que investigar y eliminar las causas asignables y tomar nuevos datos para rehacer la grfica. Sin embargo si observamos el Lmite Inferior de Especificacin, podemos notar que un gran porcentaje de la produccin esta dentro de este lmite pedido, por lo cual el producto no se rechaza por el consumidor.

GRFICO 8.3 ANALISIS DE LA CAPACIDAD DEL PROCESO. Variable: PROTEINA Media: 40.2067 Desv. Est.: 2.19736
Especificaciones: LIE: 37.0000 LC: 40.2067 -3.s 60 50 FRECUENCIA 40 30 20 10 0 32 34 36 38 40 42 44 46 48 50 % PROTEINA LIE LC +3.s

Grfica 8.3. Anlisis de la capacidad del proceso, variable Protena.

En el anlisis de la capacidad del proceso se obtuvo un Cp= 0.74 < 1 por lo cual se concluye que el proceso no es capaz de producir harina de carne por arriba de 37 por ciento de protena el ndice Cpk=0.49 muestra por otro lado que la media del proceso est alejada de la media de las especificaciones. Este grfico no slo refuerza lo que se pudo observar en la grfica de medias, adems indica qu tan alejados estamos de nuestro ptimo de produccin Sin embargo probabilidad de que una muestra producida de protena, tenga ms del 37 por ciento que piden las especificaciones, es de 92 por ciento lo que nos habla de una buena aproximacin al estado ideal del proceso. Funcin de densidad de Probabilidades para la variable Protena bajo Distribucin Gaussiana. X ~ N (40.2067, 2.197362).

45

 1 p ( x) = e 2 2.19736 2

1 x 40.2067 2 2.19736

Resolver para
46.79878 1 e 2 2.19736 2 1 x 40.2067 2 2.19736

P(37 X 46.79) =

p(x )dx =
46.79878 37

= 1.642027157

37

= 0.926414618

46

8.2. Anlisis de la capacidad del proceso y grficas de control, variable Grasa

GRAFICO 8.4 CONTROL DE RANGOS VARIABLE:GRASA
Media: .859091 Desv. Est.: .287494 Promedio de N: 6.6364 3.0

2.5

RANGOS (GRASA)

2.0 LSC: 1.72157 1.5

1.0 Media: .859091 0.5

0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02

LIC: 0.00000

Grafica 8.4. Control de Rangos, variable Grasa

Se observa de esta grafica que la variabilidad en grasa es grande, con una tendencia creciente presentndose cuatro puntos fuera del lmite superior de control en los meses de Julio, Octubre, Noviembre y Diciembre de 2002.
GRAFICO 8.5 CONTROL DE MEDIAS VARIABLE: GRASA
Media: 15.1016 Desv. Est.: .339026 Promedio de N: 6.6364 17.5 17.0 16.5 16.0 GRASA 15.5 15.0 14.5 14.0 13.5 13.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIE LSE LSC: 15.4965 Media: 15.1016 LIC: 14.7068

Grafica 8.5. Control de Medias, variable Grasa

El proceso se encuentra totalmente fuera de control estadstico, considerando los lmites naturales del proceso durante los meses de junio de 2000 a Abril de 2001, mantenindose dentro de los lmites de control de Marzo de 2002 hasta Octubre de 2002 con solo un punto fuera de control, despus de lo cual se presentan dos puntos ms fuera del lmite inferior de control. Se nota tambin que dentro de los lmites de especificacin dados a la empresa se tiene un menor porcentaje de produccin disconforme, aunque aun un porcentaje considerable se encuentra fuera de estos lmites.

47

GRFICO 8.6 ANLISIS DE CAPACIDAD DEL PROCESO Variable: GRASA Media: 15.1016 Desv. Est.: 1.13241
Especificaciones: LIE: 14.0000 LC: 15.0000 LSE: 16.0000 -3.s 60 50
FRECUENCIA

LIE

LC

LSE

+3.s

40 30 20 10 0 10 11 12 13 14 15 16 17 18 19 % GRASA

Grfica 8.6. Anlisis de la capacidad del proceso, variable Grasa.

El anlisis de capacidad del proceso es Cp =0.29 <1. Por lo cual el proceso no es capaz de producir harina de carne entre 14 y 16 por ciento de grasa, el ndice Cpk=0.26, nos dice que la media del proceso no esta muy alejada de la media de las especificaciones. La probabilidad de que la planta produzca harina de carne fuera de 14 y 16 por ciento asciende a 48 por ciento. Funcin de densidad de Probabilidades para la variable Grasa bajo Distribucin Normal (Gaussiana). X ~ N (15.1016, 1.132412).
2 x 15.1016 1 1.13241 2

g( x ) =

1.13241 2

Resolver para
16

1 P(14 X 16) = g ( x ) dx = e 2 14 1.13241 2 14

16

1 x 15.1016 2 1.13241

= 1.100490845

= 0.620885472

48

8.3. Anlisis de la capacidad del proceso y grficas de control, variable Humedad

GRAFICO 8.7 CONTROL DE RANGOS VARIABLE: HUMEDAD

Media: .965000 Desv Est.: .297280 Promedio de N: 7.0000 2.2 2.0 1.8 RANGOS (HUMEDAD) 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIC:.073160 Media: .965000 LSC:1.85684

Grfica 8.7. Control de rangos, variable Humedad.

Se present una variabilidad grande con varios puntos muy cercanos a los lmites de especificacin pero mantenindose dentro de los limites de especificacin.
GRAFICO 8.8 CONTROL DE MEDIAS VARIABLE: HUMEDAD
Media: 4.52130 Desv. Est.: .356879 Promedio de N: 7.0000 5.1 5.0 4.9 4.8 4.7 4.6 4.5 4.4 4.3 4.2 4.1 4.0 3.9 3.8 3.7 LSE LSC: 4.92596

HUMEDAD

Media: 4.52130

LIC: 4.11664

Jun Sep 00 Dic 00 Grfica008.8. Control Mar 01 medias, variable Dic 02 de Mar 02 Jun 02 Sep 02 Humedad. MESES

El proceso presenta varios puntos fuera de control para los lmites naturales del proceso, durante los meses de Julio a Diciembre del 2000, en el mismo periodo que la protena y la grasa, estabilizndose y permaneciendo dentro de los limites de control durante los meses restantes a excepcin de abril de 2001 que muestra un comportamiento por debajo del limite inferior. Lo que garantiza o asegura que la Humedad no estar ms all de porcentajes permitidos es el lmite de especificacin dado, podemos notar que el proceso no tiene puntos por arriba de este 5% de humedad.

49

GRFICO 8.9 ANALISIS DE CAPACIDAD DEL PROCESO Variable: HUMEDAD Media: 4.52130 Desv. Est.: .508626
Especificaciones: LC 4.52130 LSE: 5.00000 -3.s 70 60 50 FRECUENCIA 40 30 20 10 0 2.5 LC LSE +3.s

3.0

3.5

4.0

4.5 % HUMEDAD

5.0

5.5

6.0

6.5

Grfica 8.9. Capacidad del proceso, variable Humedad.

La capacidad del proceso es de Cp=0.66<1, por lo cual el proceso no es capaz de producir harina de carne por debajo del 5 por ciento de humedad, el Cpk= 0.31 lo que nos dice que nuestro proceso esta un poco desfasada de la media de las especificaciones. La probabilidad de que la planta produzca harina de carne disconforme asciende a 18 por ciento, esto nos habla de una produccin aceptable de producto dentro de los lmites de calidad. Funcin de densidad de Probabilidades para la variable Humedad bajo Distribucin Normal (Gaussiana). X ~ N (4.52130, 0.5086262).
2 x 4.52130 1 .508626 2

h( x ) =

.508626 2

Resolver para

1 P( 2.99 X 5) = h(x ) dx = e 2 2.99 0.508626 2 2.99

1 x 4.52130 2 0.508626

= 1.462876084

= 0.825339449

50

8.4. Anlisis de la capacidad del proceso y grficas de control, variable Cenizas

GRAFICO 8.10 CONTROL DE RANGOS VARIABLE : CENIZAS
Media: 2.80182 Desv. Est.: .863134 Promedio de N: 7.0909 6.0 5.5 5.0 4.5 LSC: 5.39122

RANGOS (CENIZAS)

4.0 3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIC: .212416 Media:2.80182

Grfica 8.10. Control de rangos variable Cenizas.

Para Cenizas se observa un proceso con mucha variabilidad que va de 0.5 hasta 5.5 puntos porcentuales de cenizas pero sin salirse de los lmites de control estadstico, la tendencia se muestra creciente.
GRAFICO 8.11 CONTROL DE MEDIAS VARIABLE: CENIZAS
Media: 37.6344 Desv. Est.: 1.03618 Promedio de N: 7.0909 41 40 39 CENIZAS 38 Media: 37.6344 37 36 35 34 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIE: 37 LIC: 36.4671 LSE: 40 LSC: 38.8018

Grfica 8.11. Control de medias, Variable Cenizas.

Se aprecia de esta grafica que el proceso se estabiliza a partir del mes de diciembre de 2000 y permanece dentro de los lmites de control a excepcin de Abril, se puede ver tambin que la estabilizacin ocurre dentro de los lmites naturales de control. La tendencia de la curva en el periodo de observacin es decreciente. Si hacemos el mismo anlisis con los lmites de especificacin, notaremos que estos son ms amplios que los lmites de control naturales del proceso lo que garantiza una menor produccin de producto disconforme.

51

GRAFICO 8.12 ANALISIS DE CAPACIDAD DELPROCESO Variable: CENIZAS Media: 37.6344 Desv. Est.: 1.70052
Especificaciones: LIE: 37.0000 LC: 38.5000 LSE: 40.0000 -3.s 45 40 35 FRECUENCIA 30 25 20 15 10 5 0 31 32 33 34 35 36 37 38 39 40 41 42 43 % CENIZAS LIE LC LSE +3.s

Grfica 8.12. Anlisis de la capacidad del proceso, variable Cenizas.

La capacidad del proceso es de Cp=0.29 < 1 por lo cual el proceso no es capaz de producir harina de carne entre 37 y 40 por ciento de cenizas, el Cpk=0.12, que nos habla de un desfase en las medias del proceso y las medias de las especificaciones de calidad. La probabilidad de que la planta produzca harina de carne por fuera de estos lmites es 44 por ciento. Funcin de densidad de Probabilidades para la variable Cenizas bajo Distribucin Normal (Gaussiana). X ~ N(37.6344, 1.700522).

z( x ) =

2 x 37.6344 1 1.70052 2

1.70052 2

Resolver para
40 1 x 37.6344 2 1.70052

1 P(37 X 40) = z (x ) dx = e 2 37 1.70052 2 37

40

= 0.998515458

= 0.56335202

52

8.5. Anlisis de la capacidad del proceso y grficas de control, variable Calcio

GRAFICO 8.13 CONTROL DE RANGOS VARIABLE: CALCIO
Media: 1.01000 Desv. Est.: .337995 Promedio de N: 6.7727 3.0

2.5 LSC: 2.02399

RANGOS (CALCIO)

2.0

1.5 Media: 1.01000

1.0

0.5

0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MEDIA Jun 02 Sep 02 Dic 02

LIC: 0.00000

Grfica 8.13. Control de rangos, variable Calcio

La variabilidad del Calcio es muy grande ya que se mueve del lmite inferior al lmite superior, aunque mantenindose dentro de los lmites de control con un solo punto fuera de los lmites durante el mes de Noviembre de 2002, no se aprecia tendencia definida para esta variable.
GRAFICO 8.14 CONTROL DE MEDIAS VARIABLE: CALCIO
Media: 13.8883 Desv. Est.: .398579 Promedio de N: 6.7727 16.0 15.5 15.0 14.5 CALCIO 14.0 13.5 13.0 12.5 12.0 11.5 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LSE: 15 LSC: 14.3478 Media: 13.8883 LIC: 13.4289 LIE: 13

Grfica 8.14. Control de medias, variable Calcio

El proceso se observa fuera de control estadstico con varios puntos fuera del lmite superior de control, especialmente durante los primeros meses del periodo de estudio, estabilizndose en los meses siguientes, aunque con puntos fuera de control. La tendencia es ligeramente decreciente. Ahora si nos enfocamos a los lmites de especificacin pedidas para la empresa, notaremos que aunque hay mucha variabilidad un porcentaje importante de producto disconforme segn los lmites naturales de control, esta ahora dentro de estos lmites lo que garantiza una produccin con menor disconformidades.
53

GRFICO 8.15 ANALISIS DE LA CAPACIDAD DEL PROCESO Variable: CALCIO Media: 13.8883 Desv. Est.: .989277
Especificaciones: LIE: 13.0000 LC: 14.0000 LSE: 15.0000 -3.s 70 60 FRECUENCIA 50 40 30 20 10 0 10 11 12 13 % CALCIO 14 15 16 17 LIE LC LSE +3.s

Grfica 8.15. Anlisis de la capacidad del proceso, variable Calcio

La capacidad del proceso es de Cp=0.34<1 por lo cual el proceso no es capaz de producir harina de carne entre 13 y 15 por ciento de calcio, por otro lado el .Cpk= 0.30, indicndonos un ajuste en las medias del proceso y de las especificaciones muy bueno. La probabilidad de que la planta produzca harina de carne fuera de estos lmites asciende a 32 por ciento. Funcin de densidad de Probabilidades para la variable Calcio bajo Distribucin Normal (Gaussiana). X ~ N(13.8883, 0.9892772).
2 x 13.8883 1 .989277 2

c( x ) =

.989277 2

Resolver para
15 1 x 13.8883 2 0.989277

1 P(13 X 15) = c( x ) dx = e 2 13 0.989277 2 13

15

= 1.2138271

= 0.684828606

54

8.6. Anlisis de la capacidad del proceso y grficas de control, variable Fsforo

GRAFIC8.16 CONTROL DE RANGOS VARIABLE: FOSFORO

Media: .625000 Desv. Est.: .192539 Promedio de N: 7.0455 1.4 1.2 LSC: 1.20262

RANGOS (FOSFORO)

1.0 0.8 0.6 0.4 0.2 0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIC: .047384 Media: .625000

Grfica 8.16. Control de rangos, variable Fsforo.

En cuanto a la variabilidad de fsforo, esta es muy grande y se mueve en porcentajes muy cercanos al los limites superior e inferior de control aunque dentro de los lmites de control a excepcin del mes de febrero de 2001 el que se encuentra por abajo el limite inferior de control.
GRAFICO 8.17 CONTROL DE MEDIAS VARIABLE: FOSFORO
Media: 6.31645 Desv. Est.: .231139 Promedio de N: 7.0455 7.2 7.0 6.8 6.6 FOSFORO 6.4 Media: 6.31645 6.2 6.0 5.8 5.6 5.4 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIC: 6.05521 LSC: 6.57769 LIE: 7

Grfica 8.17. Control de medias, variable Fsforo.

El proceso se encuentra fuera de control tanto para los lmites naturales como para los lmites de especificacin durante los primeros meses de estudio, estabilizndose mas tarde y permaneciendo de esta manera hasta el mes de diciembre de 2002. La tendencia se aprecia decreciente. Puede notarse que

55

para el lmite de especificacin a la que esta sujeto el Fsforo, esta variable se encuentra totalmente fuera de los estndares pedidos., pues esta por debajo del lmite inferior de especificacin.

GRAFICO 8.18 ANALISIS DE LA CAPACIDAD DEL PROCESO Variable: FOSFORO Media: 6.31645 Desv. Est.: .440525
Especificaciones: LIE: 7.00000 LC: 7.50000 LSE: 8.00000 -3.s 80 70 60 FRECUENCIA 50 40 30 20 10 0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 LIE LC +3.s LSE

% FOSFORO

Grfica 8.18. Capacidad del proceso, variable Fsforo.

La capacidad del proceso es de Cp=0.38<1 por lo cual el proceso no es capaz de producir harina de carne entre 7 y 8 por ciento de Fsforo, el Cpk=-0.52, que habla de un alejamiento de la media del proceso y la media de las especificaciones de calidad. La probabilidad de que la planta produzca harina de carne fuera de los lmites especificados asciende a 94 por ciento, un porcentaje alto como puede observarse en la grfica. Funcin de densidad de Probabilidades para la variable Fsforo bajo Distribucin Normal (Gaussiana). X ~ N(6.31645, 0.4405252).
2 x 6.31645 1 .440525 2

f( x ) =

.440525 2

Resolver para

P(7 X 8) =

1 f (x ) dx = e 2 0.440525 2 7

1 x 6.31645 2 0.440525

= 0.106886369

= 0.060304176

56

8.7. Anlisis de la capacidad del proceso y grficas de control, variable Tamizado

GRAFIC 8.19 CONTROL DE RANGOS VARIABLE: TAMIZADO
Media: 1.57364 Desv. Est.: .484778 Promedio de N: 7.0455 3.5 3.0 LS: 3.02797

RANGOS (TAMIZADO)

2.5 2.0 1.5 1.0 0.5 0.0 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIC: .119303 Media: 1.57364

Grfica 8.19. Control de rangos, variable Tamizado.

La variabilidad del Tamizado es grande, y se mueve muy cerca de los lmites superior e inferior de control, con dos puntos fuera de los lmites durante los meses de julio y Agosto de 2000, permaneciendo el resto de los meses dentro de los lmites de control.
GRAFICA 8.20 CONTROL DE MEDIAS VARIABLE: TAMIZADO
Media: 94.3821 Desv. Est.: .581966 Promedio de N: 7.0455 98 97 96 95 94 TAMIZADO 93 92 91 90 89 88 87 Jun 00 Sep 00 Dic 00 Mar 01 Mar 02 MESES Jun 02 Sep 02 Dic 02 LIE: 91 LSC: 95.0398 Media: 94.3821 LIC. 93.7243 LSE: 97

Grfica 8.20. Control de medias, variable Tamizado.

El proceso se encuentra totalmente fuera de control, a excepcin de dos puntos todos los dems se encuentran fuera de los lmites de control ya sea por abajo o por arriba. La tendencia es creciente. Si lo analizamos ahora con respecto a los lmites de especificacin podemos notar que loas muestras correspondientes a los meses de marzo de 2001 a diciembre 2002 que se encuentran fuera de los lmites de control naturales del proceso, se encuentran dentro de los lmites de especificacin, garantizando de esta manera la aceptacin del producto.

57

GRFICO 8.21 ANLISIS DE LA CAPACIDAD DEL PROCESO Variable: TAMIZADO Media: 94.3821 Desv. Est.: 2.86756
Especificationes: LIE: 91.5145 LC: 94.3821 LSE: 97.2496 -3.s 110 100 90 80 FRECUENCIA 70 60 50 40 30 20 10 0 84 86 88 90 92 94 96 98 100 102 104 % TAMIZADO LIE LC LSE +3.s

Grfica 8.21. Anlisis de la capacidad del proceso, variable Tamizado.

La capacidad del proceso es de Cp=0.33<1 por lo cual el proceso no es capaz de producir harina de carne por arriba de 37 por ciento de protena, el Cpk=0.33 que no s habla de un centrado perfecto de las medias de los procesos, esto debido a que en el caso de esta variable se ha trabajado con las especificaciones propias del proceso. La probabilidad de que la planta produzca harina de carne fuera de los lmites de especificacin del Tamizado asciende a 42 por ciento. Funcin de densidad de Probabilidades para la variable Tamizado bajo Distribucin Normal (Gaussiana). X ~ N(94.3821, 2.867562).
2 x 94.3821 1 2.86756 2

t( x ) =

2.86756 2

Resolver para
97.25 1 x 94.3821 2 2.86756

1 P(91.51 X 97.25) = t (x ) dx = e 2 91.51 2.86756 2 91.51

97.25

= 1.210032628

= 0.682687804

58

8.8. Anlisis de correlaciones

Al realizar este anlisis observamos: La variable Protena esta fuertemente relacionada con la variable Cenizas [-0.82] en sentido negativo esto quiere decir; que cuando las concentraciones de cenizas aumentan en un uno por ciento disminuyen las concentraciones de protena en un 0.82 por ciento y viceversa. Con la variable Calcio tiene una correlacin de [-0.69] en sentido negativo, si aumenta en un uno por ciento las concentraciones de protenas bajan las de calcio en un 0.69 por ciento y viceversa. Se observa tambin una correlacin con el Tamizado [0.62] en sentido positivo, si se realiza un mejor tamizado aumentan tambin las concentraciones de protena y con la Grasa se observa cierta correlacin apenas arriba de [0.50]. La variable Grasa; adems de estar correlacionado con al Protena, lo esta tambin con el Tamizado [0.75] en sentido negativo esto es; si el tamizado sube un uno por ciento, bajan en un 0.75 por ciento las concentraciones de grasa. La variable Calcio esta correlacionada con la Protena como se menciono prrafos arriba y con Cenizas en un [0.67], la correlacin es positiva, esto es si suben las concentraciones de cenizas en un uno por ciento suben las concentraciones de calcio en un 0.67 por ciento. Las variables Humedad y fsforo no aparecen correlacionadas con variable alguna.

Tabla 8.2 Correlaciones de Pearson

PROTEINA 1 -0.5616 0.1672 -0.8274 -0.6916 -0.276 0.6207 GRASA HUMEDAD 0.1672 -0.5616 1 -0.3591 0.223 0.2925 0.1363 -0.7514 -0.3591 1 -0.1897 -0.0769 -0.0398 0.3644 CENIZAS -0.8274 0.223 -0.1897 1 0.6714 0.3094 -0.407 CALCIO -0.6916 0.2925 -0.0769 0.6714 1 0.3725 -0.3436 FOSFORO -0.276 0.1363 -0.0398 0.3094 0.3725 1 -0.1594 TAMIZADO 0.6207 -0.7514 0.3644 -0.407 -0.3436 -0.1594 1

PROTEINA GRASA HUMEDAD CENIZAS CALCIO FOSFORO TAMIZADO

Un resultado grfico de esta tabla se puede encontrar en el anexo 3.

59

9. CONCLUSIONES Y RECOMENDACIONES
CONCLUSIONES
1.- Con base en las grficas para cada una de las variables estudiadas podemos concluir que el proceso no es capaz de producir bajo las especificaciones de calidad que se le piden, dado que en ninguno de los tres tipos de grficas se pudo obtener un proceso bajo control estadstico dentro de los lmites naturales de control ni dentro de los lmites de especificacin pedidos al producto, aunque cabe aclarar que debido a que los lmites de especificacin son ms amplios se obtiene un menor porcentaje de produccin defectuosa. 2.- La variable Protena esta correlacionada de manera negativa con las variables, Grasa, Calcio y Ceniza, por lo cual al descender los niveles de estos aumenta la concentracin de Protena, esto es de especial relevancia, para tratar de encontrar un balance entre estas variables, dependiendo de la especificacin que se solicite. 3.-Pudimos notar que el tamizado tiene una incidencia directa en las concentraciones de Protena, a mejor Tamizado tenemos mayores concentraciones de Protena. 4.-Las caractersticas de calidad que ms se alejan de los lmites de especificacin son: el Fsforo con una probabilidad de entregar producto defectuoso de 94 por ciento, la Grasa con una probabilidad de entregar producto fuera de los lmites de especificacin de 48 por ciento y el Tamizado con un probabilidad de entregar producto defectuoso de 42 por ciento, todas estas probabilidades fueron estimados tomando los lmites naturales del proceso. 5.-.-Finalmente podemos observar la gran utilidad de las herramientas de control estadstico de la calidad como lo son los Diagramas de Control de Shewhart, ya que al ser herramientas visuales son fciles de entender y en cierta medida tambin de implementar.

60

RECOMENDACIONES
1.- Se recomienda la implantacin de un sistema de monitoreo de los procesos de manufactura, dado que solo se analiza la calidad en laboratorio, esto garantizar mejorar los parmetros de calidad motivo del presente estudio as como la operacin en general de la planta. 2.- Recomendamos detectar puntos crticos de control en el proceso de manufactura para observar el comportamiento de las caractersticas de calidad, principalmente en los que se observan distanciamientos grandes de los lmites naturales y de las especificaciones; como es el caso del Fsforo, la Grasa y el Tamizado, a fin de identificar las posibles causas que generan este estado de fuera de control para cumplir eficazmente con las especificaciones. 3.- Graficar, por medio de diagramas de Shewhart o cualquier otro tipo de grfica, los resultados del anlisis del producto terminado harina de carne para obtener una herramienta visual que identifique de manera eficaz cuando un parmetro sale de control y por ende, poder tomar decisiones operativas. 4.-Para mejorar los parmetros de operacin de la planta se recomienda realizar pruebas en los procesos de molturacin y coccin de la materia prima, ya que estos procesos son determinantes en al calidad del producto.

61

10. BIBLIOGRAFA
1. SANCHEZ-CRESPO, G; MANZANO, V, 2002. "Sobre la definicin de Estadstica." Boletn de la International Association of Statistical Education para Amrica Latina, (5 pp) (dpp) 2. Moore, D. S. (1992). Teaching statistics as a respectable subject. In F. Gordon & S. Gordon (Eds.), Statistics for the twenty-first century (pp. 14-25). Washington, DC: Mathematical Association of America. 3. Colunga Dvila, Carlos; Saldierna Gmez Arturo, 1994. Los costos de calidad, UASLP, Facultad de Ingeniera, San Luis Potos,.Mxico. Tesis de licenciatura. 4. Morgado Gonzlez, Aurora, 2001. Sistema de gestin de calidad basado en la norma ISO 9001: 200 para un agronegocio: vivero ornamental, Universidad Autnoma Chapingo, Mxico. Tesis de licenciatura. 5. Gutirrez Torrero, Mara del Lourdes, 1993. Calidad total en la empresa. UANL. Facultad de Agronoma. Nuevo Len. Tesis de licenciatura. 6. Castorena Garca, Jos Hugo, 1995. Control de calidad de quesos frescos rellenados con harina de trigo y grasa vegetal. UACH. Departamento de Ingeniera Agroindustrial, Mxico. Tesis de licenciatura. 7. Morales Ramos, Victorino, 1994. El control estadstico de calidad en el proceso de solubilizado del caf. UACH. Departamento de Ingeniera Agroindustrial. Mxico. Tesis de licenciatura. 8. Feigenbaum, Armand V. 1991. Control total de la calidad, McGraw-Hill, Mxico. 9. Taguchi, Genichi, 1986. Introduction to quality engineering : designing quality into products and processes. Asian Productivity Organization. Tokio, Japn. 10. FAO, 1995. Manual de control de la calidad de los alimentos: gestin de los programas de control de alimentos. Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin, Roma, Italia.

62

11. Instituto Superior de Estudios Empresariales. 1995. Calidad total. Instituto Superior de Estudios Empresariales. Madrid, Espaa. 12. UACh, Direccin General de Sanidad Vegeta, 1983. Manual de procedimientos de control de calidad. Chiapas, Mxico. 13. Weatherwax, J.;Martin P.G. 1986. Manuals of food quality control: the food control laboratory, Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin, Roma, Italia. 14. Refai, M.K., 1981. Manuales para el control de calidad de los alimentos: anlisis microbiolgico, FAO, Roma, Italia,133 p. 15. FAO, 1986. Manuals of food quality control: food analysis, general techniques, additives, contaminants and composition, 16. FAO, 1986. Manuals of food quality control: food analysis: quality adulteration and tests of indentity, FAO, Roma, Italia. 17. FAO, 1989. Manuales para el control de calidad de los alimentos: introduccin a la toma de muestras de alimentos. Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin, Roma, Italia. 18. FAO, 1988. Manuals of food quality control: introduction to food sampling, Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin, Roma, Italia. 19. FAO, 1992. Manuales para el control de calidad de los alimentos: la garanta de la calidad en el laboratorio microbiolgico de control de los alimentos. Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin, Roma, Italia. 20. FAO, 1993. Manuales de control de calidad de los alimentos: el laboratorio de control de los alimentos. Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin, Roma, Italia. 21. Juran J.M. and Gryna F.M. 1993,.Quality Planning and Analysis. McGraw Hill, Inc. USA 22. Montgomery,D.C. 1991. Control Estadstico de la Calidad. Grupo Editorial Iberoamericana. Mxico. 447 p.
63

23. Grant, Eugene, 1997. El Control estadstico de calidad Ed CECSA. 24. Joselyn, M. A., 1970. Control de calidad; objetivos, organizacin, mtodos, equipo. Universidad Autnoma Chapingo, ENA. Departamento de Industrias Agrcolas Mxico. Tesis de licenciatura. 25. Duncan, Acheson J., 1989. Quality control and industrial statistics. Ed. Homewood,Ilinois. 26. Said Infante Gil, Guillermo P. Zrate de Lara, 1990. Mtodos estadsticos, un enfoque interdisciplinario. Segunda Edicin. Ed. Trillas. 27. CANACINTRA, 2002. La industria alimenticia animal 2002.Consejo Nacional de Fabricantes de Alimentos Balanceados y de la Nutricin Animal (CONAFAB). Mxico 28. CANACINTRA, 2005. La industria alimenticia animal 2005.Consejo Nacional de Fabricantes de Alimentos Balanceados y de la Nutricin Animal (CONAFAB). Mxico

64

Anexo1: Tabla de datos muestrales

Tabla A1.1 Datos tomados por intervalos de tiempo
FECHA 23-30 JUNIO 2000 16-22 JUNIO 2000 09-15 JUNIO 2000 01-08 JUNIO 2000 25-31 JULIO 2000 18-24 JULIO 2000 10-17 JULIO 2000 01-09 JULIO 2000 24-31 AGOSTO 2000 17-23 AGOSTO 2000 09-16 AGOSTO 2000 01-08 AGOSTO 2000 25-30 SEPTIEMBRE 2000 18-23 SEPTIEMBRE 2000 09-15 SEPTIEMBRE 2000 01-08 SEPTIEMBRE 2000 25-31 OCTUBRE 2000 18-24 OCTUBRE 2000 11-17 OCTUBRE 2000 02-10 OCTUBRE 2000 24-30 NOVIEMBRE 2000 21-23 NOVIEMBRE 2000 10-18 NOVIEMBRE 2000 01-09 NOVIEMBRE 2000 26-30 DICIEMBRE 2000 18-23 DICIEMDRE 2000 09-16 DICIEMBRE 2000 02-08 DICIEMBRE 2000 24 31 ENERO 2001 17-23 ENERO 2001 10-16 ENERO 2001 02-09 ENERO 2001 22-28 FEBRERO 2001 15-21 FEBRERO 2001 08-14 FEBRERO 2001 01-07 FEBRERO 2001 26-31 MARZO 2001 19-24 MARZO 2001 10-17 MARZO 2001 01-09 MARZO 2001 PROTEINA GRASA HUMEDAD 37.00 16.30 4.25 37.10 16.00 4.23 37.00 15.7 4.36 37.10 16.00 3.87 37.00 16.20 3.57 37.30 16.40 3.47 37.30 16.80 4.20 37.35 16.40 4.41 36.90 16.40 4.25 36.90 16.30 3.67 37.90 16.50 3.58 38.33 16.00 3.93 37.19 16.50 4.00 37.60 16.27 4.25 38.27 16.31 3.88 37.30 16.50 3.79 37.28 16.50 3.83 38.00 16.50 4.52 38.48 16.40 4.14 38.24 16.50 3.54 37.75 16.50 3.88 36.60 16.50 4.03 38.51 16.50 4.26 37.57 16.50 3.89 42.20 16.50 4.88 39.92 16.50 5.24 38.55 16.50 4.77 38.45 16.60 5.05 39.64 16.50 4.50 38.55 16.70 4.26 38.32 16.50 4.39 38.66 16.60 4.41 38.50 16.50 4.36 38.42 16.50 4.04 39.25 16.50 4.62 39.45 16.50 4.95 38.31 16.50 4.00 38.00 16.50 4.68 38.00 16.50 4.26 38.70 16.50 4.98 CENIZAS 40.33 40.18 40.12 40.81 39.92 40.00 40.92 40.89 39.67 39.04 39.27 40.95 39.04 38.64 37.56 39.13 39.89 37.66 38.96 39.42 38.43 40.63 38.61 39.47 35.22 37.43 38.25 38.81 38.75 38.00 38.36 36.85 38.15 40.14 39.00 37.49 38.08 37.43 38.25 38.30 CALCIO 15.20 15.40 14.30 14.50 12.20 14.50 14.50 14.14 15.10 15.60 15.60 15.50 15.10 15.00 14.90 15.20 14.20 13.00 13.09 16.07 14.65 14.65 15.98 12.62 14.25 14.25 15.77 14.14 13.60 13.50 13.80 13.70 13.80 13.80 13.70 13.70 13.90 13.80 13.95 14.00 FOSFORO TAMIZADO 6.80 87.00 6.10 90.00 6.30 90.00 6.90 90.00 5.70 90.00 5.30 90.00 6.10 90.00 5.80 90.00 6.80 90.00 6.80 90.00 7.20 90.00 7.20 90.00 7.00 88.90 6.90 88.12 6.80 87.12 7.00 88.74 6.20 91.24 5.20 87.70 6.00 89.50 6.80 87.00 6.00 91.49 6.00 91.33 6.70 91.40 6.10 91.00 6.50 90.14 6.50 91.38 7.25 93.60 6.25 91.79 6.90 92.33 6.90 90.00 7.00 88.00 7.00 88.23 7.00 89.12 7.00 91.54 7.00 92.11 7.00 91.88 6.80 88.08 6.80 89.61 6.90 90.06 6.95 90.82

65

25-30 ABRIL 2001 18-24 ABRIL 2001 09-17 ABRIL 2001 08 FEBRERO 2002 14 FEBRERO 2002 20 FEBRERO 2002 27 FEBRERO 2002 20 FEBRERO 2002 26 FEBRERO 2002 15 MARZO 2002 02 ABRIL 2002 11 ABRIL 2002 16 ABRIL 2002 18 ABRIL 2002 23 ABRIL 2002 25 ABRIL 2002 26 ABRIL 2002 29 ABRIL 2002 02 MAYO 2002 09 MAYO 2002 13 MAYO 2002 17 MAYO 2002 24 MAYO 2002 27 MAYO 2002 29 MAYO 2002 05 JNIO 2002 06 JUNIO 2002 07 JUNIO 2002 11 JUNIO 2002 15 JUNIO 2002 17 JUNIO 2002 21 JUNIO 2002 24 JUNIO 2002 01 JULIO 2002 02 JULIO 2002 04 JULIO 2002 05 JULIO 2002 08 JULIO 2002 10 JULIO 2002 12 JULIO 2002 15 JULIO 2002 16 JULIO 2002 19 JULIO 2002 23 JULIO 2002 26 JULIO 2002 29 JULIO 2002 31 JULIO 2002

39.60 39.60 39.50 40.10 38.57 38.09 40.45 38.40 41.35 41.28 40.58 39.80 40.30 40.60 40.40 40.00 41.91 40.37 40.79 40.12 41.18 40.17 41.70 44.00 41.96 41.58 41.74 40.16 41.30 40.00 40.50 38.00 40.09 40.89 39.70 39.07 40.13 39.25 41.10 39.02 41.67 39.73 40.38 39.77 42.00 41.42 43.44

16.50 16.80 16.80 15.70 15.38 15.25 13.53 15.15 15.50 15.00 15.80 15.80 14.95 14.70 15.17 15.35 15.29 14.88 15.50 15.50 15.48 16.00 16.00 14.50 15.08 14.90 15.50 15.00 15.28 15.70 14.50 14.00 13.50 15.00 15.80 14.00 14.00 14.50 14.00 13.53 15.50 14.00 14.50 14.51 14.70 14.59 14.19

4.00 4.00 3.84 4.50 5.40 4.00 4.97 5.28 5.10 4.20 4.67 5.50 5.41 4.24 3.58 4.35 3.91 3.76 4.80 4.17 4.30 5.00 5.34 4.73 4.58 4.37 4.98 4.33 4.82 3.77 3.41 3.62 5.31 3.60 4.54 4.58 4.25 4.28 5.03 4.50 4.39 5.40 5.17 5.71 4.20 5.14 4.70

36.80 37.00 37.38 36.77 39.00 37.65 38.07 39.24 36.90 37.00 37.50 36.50 36.80 38.90 37.88 36.50 36.15 38.07 37.80 36.65 36.20 37.10 34.28 32.00 34.80 35.42 34.90 38.90 36.35 38.08 39.29 41.98 39.70 37.44 36.00 38.87 37.27 39.42 37.26 40.10 35.80 37.40 36.87 38.10 37.77 36.03 35.09

13.80 13.90 13.90 14.00 15.80 15.09 15.00 15.00 15.00 15.00 15.00 14.80 14.80 14.90 14.90 14.00 14.00 14.50 14.00 14.00 14.00 14.50 14.00 12.50 13.50 13.50 13.50 13.60 13.80 13.60 13.70 14.30 14.30 13.60 13.50 14.00 14.00 14.20 12.00 14.00 13.50 12.00 12.50 14.40 14.20 12.50 13.80

6.30 6.40 6.80 6.00 6.80 6.80 6.50 6.80 6.80 6.50 6.50 6.50 6.50 6.70 6.60 6.00 6.50 6.50 6.50 6.50 6.50 6.70 6.50 5.50 6.00 6.00 6.00 6.20 6.40 6.20 6.30 6.80 6.80 6.20 6.00 6.90 6.90 6.80 5.00 6.90 6.00 5.50 6.00 6.30 6.20 6.00 6.00

87.90 89.50 90.00 90.00 95.00 96.00 96.00 93.00 94.00 96.00 94.00 95.00 94.00 95.00 94.00 95.00 95.00 96.00 96.00 96.00 95.50 97.80 96.00 95.00 95.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00

66

02 AGOSTO 2002 05 AGOSTO 2002 06 AGOSTO 2002 12 AGOSTO 0202 13 AGOSTO 2002 14 AGOSTO 2002 16 AGOSTO 2002 22 AGOSTO 2002 23 AGOSTO 2002 28 AGOSTO 2002 02 SEPTIEMBRE 2002 03 SEPTIEMBRE 2002 04 SEPTIEMBRE 2002 06 SEPTIEMBRE 2002 07SEPTIEMBRE 2002 09 SEPTIEMBRE 2002 10 SEPTIEMBRE 2002 12 SEPTIEMBRE 2002 17 SEPTIEMBRE 2002 18 SEPTIEMBRE 2002 20 SEPTIEMBRE 2002 23 SEPTIEMBRE 2002 25 SEPTIEMBRE 2002 26 SEPTIEMBRE 2002 28 SEPTIEMBRE 2002 30 SEPTIEMBRE 2002 02 OCTUBRE 2002 08 OCTUBRE 2002 09 OCTUBRE 2002 10 OCTUBRE 2002 14 OCTUBRE 2002 17 OCTUBRE 2002 18 OCTUBRE 2002 19 OCTUBRE 2002 22 OCTUBRE 2002 23 OCTUBRE 2002 24 OCTUBRE 2002 25 OCTUBRE 2002 26 OCTUBRE 2002 28 OCTUBRE 2002 29 OCTUBRE 2002 30 OCTUBRE 2002 01 NOVIEMBRE 2002 04 NOVIEMBRE 2002 05 NOVIEMBRE 2002 06 NOVIEMBRE 2002 09 NOVIEMBRE 2002

41.20 38.00 41.01 38.46 38.00 38.03 39.44 39.57 38.85 40.78 40.18 38.82 40.50 39.85 39.82 39.82 38.78 39.04 40.05 39.05 40.73 40.62 38.96 39.03 41.00 41.74 41.74 42.24 41.71 40.80 41.50 40.73 40.13 39.16 41.50 42.22 38.53 40.20 39.10 39.80 40.70 41.30 41.3 41.3 40.96 39 41

15.00 14.22 15.80 12.65 15.80 13.50 15.80 14.54 14.30 14.16 14.67 13.62 14.94 13.50 15.05 15.05 15.02 14.36 14.86 15.80 15.00 13.50 14.00 14.89 14.00 15.30 15.30 15.18 15.88 14.16 14.50 14.12 15.30 14.17 13.50 13.06 14.50 14.70 14.70 13.50 14.00 13.13 13.13 14.2 14 14 13

4.47 4.54 4.47 3.70 3.68 5.70 4.76 4.39 4.22 4.68 4.78 4.90 4.93 4.92 4.46 4.46 4.92 4.59 5.01 5.41 4.45 5.63 5.30 4.61 5.79 4.44 4.44 4.80 4.60 4.66 4.54 5.46 5.06 5.19 4.80 5.26 4.73 5.07 4.93 5.36 4.94 4.24 4.24 4.85 4.46 4.9 5.05

36.76 39.06 34.95 40.87 38.00 40.00 37.37 37.58 39.67 36.74 37.51 40.29 37.51 39.14 38.49 38.49 39.09 39.15 36.84 37.37 38.21 38.00 39.41 37.93 37.55 35.57 35.57 36.99 36.20 38.55 37.00 36.90 36.43 37.18 37.53 37.11 39.30 37.00 38.00 38.63 37.58 38.61 38.61 36.6 38.79 39.9 37.46

12.50 14.00 12.90 15.90 14.20 15.80 14.10 14.10 14.30 13.30 13.60 15.70 13.60 15.50 15.40 15.40 15.50 15.50 13.30 13.60 13.60 14.00 15.50 14.00 14.00 13.30 13.30 13.20 13.20 14.00 13.20 13.20 13.10 13.10 13.20 13.10 14.50 13.10 13.60 14.00 14.00 14.40 14.4 13.1 14.4 14.4 14.2

6.00 6.50 5.60 6.90 6.20 6.90 6.10 6.10 7.00 6.00 6.20 6.70 6.20 6.70 6.40 6.70 6.70 6.70 6.00 6.20 6.20 6.20 6.80 6.20 6.20 6.00 6.00 6.00 6.00 16.20 6.00 6.00 6.00 6.00 6.00 6.00 6.70 6.00 6.20 6.20 6.10 6.20 6.2 6 6.2 6.2 6.1

96.00 96.00 96.00 96.00 97.00 96.00 96.00 96.00 96.00 96.00 95.00 95.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 95.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96.00 96 96 95 96 96

67

11 NOVIEMBRE 2002 13 NOVIEMBRE 2002 14 NOVIEMBRE 2002 15 NOVIEMBRE 2002 16 NOVIEMBRE 2002 18 NOVIEMBRE 2002 21 NOVIEMBRE 2002 23 NOVIEMBRE 2002 29 NOVIEMBRE 2002 02 DICIEMBRE 2002 03 DICIEMBRE 2002 05 DICIEMBRE 2002 06 DICIEMBRE 2002 07 DICIEMBRE 2002 10 DICIEMBRE 2002 13 DICIEMBRE 2002 14 DICIEMBRE 2002 16 DICIEMBRE 2002 17 DICIEMBRE 2002 18 DICIEMBRE 2002 19 DICIEMBRE 2002 21 DICIEMBRE 2002 24 DICIEMBRE 2002 27 DICIEMBRE 2002 28 DICIEMBRE 2002

40.79 42.75 41.98 39.45 39.8 40.9 40.91 39.2 45 45 45 45 45 45 46 45 45 46 45 45 45.5 45 45.5 45 45

14 12.4 12.5 12 14 13.5 14.5 14 13 12.6 12.8 13.61 13.7 14.5 13.5 14 14.5 14 14 14 14 14 14 14 13

4.41 5.27 6.13 5.14 4.94 5.27 4.56 4.36 4 4.3 4.5 4.59 4.46 4.7 3.93 4.45 4 4.9 4.7 4.5 4.5 4 4 4.2 5

37.86 36.78 36.67 39.2 37.86 37.77 38.16 40.2 34.9 34.5 34.7 36 36 35 33 34.5 35 34 34 34.7 35 35 34 35 35.5

14.2 13.1 13.1 14.4 14.2 14.2 14.2 14.5 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12

6.1 6 6 6.2 6.1 6.1 6.1 6.3 5.7 5.7 5.7 5.7 5.7 5.7 5.5 5.7 5.7 5.7 5.8 5.7 5.7 5.7 5.7 5.7 5.7

96 96 96 96 96 96 96 96 97 97 97 97 97 97 97 97 97 97 97 97 97 97 97 97 96

68

Anexo 2: Tabla Distribucin normal estndar y Kolmogorov-Smirnov

Tabla A2.1 Distribucin normal estandar.
Se tabula = 1- (z) = P(Z z); Z N(0, 1). z 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3 3.1 3.2 3.3 3.4 0 0.5000 0.4602 0.4207 0.3821 0.3446 0.3085 0.2743 0.2420 0.2119 0.1841 0.1587 0.1357 0.1151 0.0968 0.0808 0.0668 0.0548 0.0446 0.0359 0.0287 0.0228 0.0179 0.0139 0.0107 0.0082 0.0062 0.0047 0.0035 0.0026 0.0019 0.0013 0.0010 0.0007 0.0005 0.0003 0.01 0.4960 0.4562 0.4168 0.3783 0.3409 0.3050 0.2709 0.2389 0.2090 0.1814 0.1562 0.1335 0.1131 0.0951 0.0793 0.0655 0.0537 0.0436 0.0351 0.0281 0.0222 0.0174 0.0136 0.0104 0.0080 0.0060 0.0045 0.0034 0.0025 0.0018 0.0013 0.0009 0.0007 0.0005 0.0003 0.02 0.4920 0.4522 0.4129 0.3745 0.3372 0.3015 0.2676 0.2358 0.2061 0.1788 0.1539 0.1314 0.1112 0.0934 0.0778 0.0643 0.0526 0.0427 0.0344 0.0274 0.0217 0.0170 0.0132 0.0102 0.0078 0.0059 0.0044 0.0033 0.0024 0.0018 0.0013 0.0009 0.0006 0.0005 0.0003 0.03 0.4880 0.4483 0.4090 0.3707 0.3336 0.2981 0.2643 0.2327 0.2033 0.1762 0.1515 0.1292 0.1093 0.0918 0.0764 0.0630 0.0516 0.0418 0.0336 0.0268 0.0212 0.0166 0.0129 0.0099 0.0075 0.0057 0.0043 0.0032 0.0023 0.0017 0.0012 0.0009 0.0006 0.0004 0.0003 0.04 0.4840 0.4443 0.4052 0.3669 0.3300 0.2946 0.2611 0.2296 0.2005 0.1736 0.1492 0.1271 0.1075 0.0901 0.0749 0.0618 0.0505 0.0409 0.0329 0.0262 0.0207 0.0162 0.0125 0.0096 0.0073 0.0055 0.0041 0.0031 0.0023 0.0016 0.0012 0.0008 0.0006 0.0004 0.0003 0.05 0.4801 0.4404 0.4013 0.3632 0.3264 0.2912 0.2578 0.2266 0.1977 0.1711 0.1469 0.1251 0.1056 0.0885 0.0735 0.0606 0.0495 0.0401 0.0322 0.0256 0.0202 0.0158 0.0122 0.0094 0.0071 0.0054 0.0040 0.0030 0.0022 0.0016 0.0011 0.0008 0.0006 0.0004 0.0003 0.06 0.4761 0.4364 0.3974 0.3594 0.3228 0.2877 0.2546 0.2236 0.1949 0.1685 0.1446 0.1230 0.1038 0.0869 0.0721 0.0594 0.0485 0.0392 0.0314 0.0250 0.0197 0.0154 0.0119 0.0091 0.0069 0.0052 0.0039 0.0029 0.0021 0.0015 0.0011 0.0008 0.0006 0.0004 0.0003 0.07 0.4721 0.4325 0.3936 0.3557 0.3192 0.2843 0.2514 0.2206 0.1922 0.1660 0.1423 0.1210 0.1020 0.0853 0.0708 0.0582 0.0475 0.0384 0.0307 0.0244 0.0192 0.0150 0.0116 0.0089 0.0068 0.0051 0.0038 0.0028 0.0021 0.0015 0.0011 0.0008 0.0005 0.0004 0.0003 0.08 0.4681 0.4286 0.3897 0.3520 0.3156 0.2810 0.2483 0.2177 0.1894 0.1635 0.1401 0.1190 0.1003 0.0838 0.0694 0.0571 0.0465 0.0375 0.0301 0.0239 0.0188 0.0146 0.0113 0.0087 0.0066 0.0049 0.0037 0.0027 0.0020 0.0014 0.0010 0.0007 0.0005 0.0004 0.0003 0.09 0.4641 0.4247 0.3859 0.3483 0.3121 0.2776 0.2451 0.2148 0.1867 0.1611 0.1379 0.1170 0.0985 0.0823 0.0681 0.0559 0.0455 0.0367 0.0294 0.0233 0.0183 0.0143 0.0110 0.0084 0.0064 0.0048 0.0036 0.0026 0.0019 0.0014 0.0010 0.0007 0.0005 0.0003 0.0002

69

Tabla A2.2 Distribucin del estadstico de Kolmogorov-Smirnov (Dn).

Se tabula d tal que P(Dn >d) = .

n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0.2 0.900 0.684 0.565 0.493 0.447 0.410 0.381 0.358 0.339 0.323 0.308 0.296 0.285 0.275 0.266 0.258 0.250 0.244 0.237 0.232 0.1 0.950 0.776 0.636 0.565 0.509 0.468 0.436 0.410 0.387 0.369 0.352 0.338 0.325 0.314 0.304 0.295 0.286 0.279 0.271 0.265 0.05 0.975 0.842 0.780 0.624 0.563 0.519 0.483 0.454 0.430 0.409 0.391 0.375 0.361 0.349 0.338 0.327 0.318 0.309 0.301 0.294 0.02 0.990 0.900 0.785 0.689 0.627 0.577 0.538 0.507 0.480 0.457 0.437 0.419 0.404 0.390 0.377 0.366 0.355 0.346 0.337 0.329 0.01 0.995 0.929 0.829 0.734 0.669 0.617 0.576 0.542 0.513 0.489 0.468 0.449 0.432 0.418 0.404 0.392 0.381 0.371 0.361 0.352 n 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 >40 0.2 0.226 0.221 0.216 0.212 0.208 0.204 0.200 0.197 0.193 0.190 0.187 0.184 0.182 0.179 0.177 0.174 0.172 0.170 0.168 0.165 1.07 n 0.1 0.259 0.253 0.247 0.242 0.238 0.233 0.229 0.225 0.221 0.218 0.214 0.211 0.208 0.205 0.202 0.199 0.196 0.194 0.191 0.189 1.22 n 0.05 0.287 0.281 0.275 0.269 0.264 0.259 0.254 0.250 0.246 0.242 0.238 0.234 0.231 0.227 0.224 0.221 0.218 0.215 0.213 0.21 1.36 n 0.02 0.321 0.314 0.307 0.301 0.295 0.290 0.284 0.279 0.275 0.270 0.266 0.262 0.258 0.254 0.251 0.247 0.244 0.241 0.238 0.235 1.52 n 0.01 0.344 0.337 0.330 0.323 0.317 0.311 0.305 0.300 0.295 0.290 0.285 0.281 0.277 0.273 0.269 0.265 0.262 0.258 0.255 0.252 1.63 n

70

Anexo 3: Graficas de Probabilidad Normal

GRFICO A3.1 DE PROBABILIDAD NORMAL VARIABLE: PROTEINA
3.5

2.5

1.5 Expected Normal Value

0.5

-0.5

-1.5

-2.5

-3.5 33

35

37

39 Value

41

43

45

Grfica A3.1 de Probabilidad Normal, variable Protena

Puede observarse, de esta grfica, para el caso de la PROTENA, que se aprecia una distribucin normal de los datos esta conclusin es reforzada por la prueba de Kolmogorov-Smirnov. Con base en estas dos pruebas concluimos que nuestros datos se distribuyen aproximadamente normal.
GRFICO A3.2 DE PROBABILIDAD NORMAL VARIABLE: GRASA
3.5

2.5

1.5 Expected Normal Value

0.5

-0.5

-1.5

-2.5

-3.5 11.5

12.5

13.5

14.5 Value

15.5

16.5

17.5

Grfica A3.2 de Probabilidad Normal, variable Grasa

La grfica, para la variable GRASA, nos muestra que los datos siguen una distribucin normal a excepcin de un outlayer cercano al valor 17.Esta conclusin es reforzada por la prueba de Kolmogorov-Smirnov. Con base en estas dos pruebas concluimos que nuestros datos se distribuyen aproximadamente normal.

71

GRFICO A3.3 DE PROBABILIDAD NORMAL VARIABLE: HUMEDAD

3.5

2.5

1.5 Expected Normal Value

0.5

-0.5

-1.5

-2.5

-3.5 3.2

3.6

4.0

4.4 Value

4.8

5.2

5.6

6.0

Grfica A3.3 de Probabilidad Normal, variable Humedad

La variable HUMEDAD, tiene datos que se distribuyen alrededor del valor esperado, esta conclusin es reforzada por la prueba de Kolmogorov-Smirnov. Con base en estas dos pruebas concluimos que nuestros datos se distribuyen aproximadamente normal.

GRFICO A3.4 DE PROBABILIDAD NORMAL VARIABLE: CENIZAS

3.5

2.5

1.5 Expected Normal Value

0.5

-0.5

-1.5

-2.5

-3.5 32

34

36 Value

38

40

42

Grfica A3.4 de Probabilidad Normal, variable Cenizas

Puede observarse para el caso de la variable CENIZAS que los datos siguen una distribucin normal esta conclusin es reforzada por la prueba de Kolmogorov-Smirnov. Con base en estas dos pruebas concluimos que nuestros datos se distribuyen aproximadamente normal.

72

GRFICO A3.5 DE PROBABILIDAD NORMAL VARIABLE: CALCIO

3

Expected Normal Value

-1

-2 11.5

12.5

13.5 Value

14.5

15.5

16.5

Grfica A3.5 de Probabilidad Normal, variable Calcio

Los datos de la variable CALCIO, se muestran un poco dispersos pero todos se acercan al valor esperado de una distribucin normal. Por lo tanto tenemos suficiente evidencia para concluir la muestra proviene de una distribucin aproximadamente normal.

GRFICO A3.6 DE PROBABILIDAD NORMAL VARIABLE: FOSFORO

3.5

2.5

1.5 Expected Normal Value

0.5

-0.5

-1.5

-2.5

-3.5 5.0

5.4

5.8

6.2 Value

6.6

7.0

7.4

Grfica A3.6 de Probabilidad Normal, variable Fsforo

De grfica de la variable FOSFORO, podemos apreciar que los datos se muestran dispersos, aunque podramos argumentar que, a pesar de esta dispersin los datos se distribuyen normal dado el acercamiento que se observa al valor normal real, aunque la prueba de Kolmogorov-smirnov, nos dice lo contrario.

73

GRFICO A3.7 DE PROBABILIDAD NORMAL VARIABLE: TAMIZADO

3.5

2.5

1.5 Expected Normal Value

0.5

-0.5

-1.5

-2.5

-3.5 86

88

90

92 Value

94

96

98

100

Grfica A3.7 de Probabilidad Normal, variable Tamizado

Puede observarse de esta grfica para el caso de la variable TAMIZADO que se aprecia una gran dispersin de los datos, en especial en la cola izquierda de la distribucin. La evidencia nos sugiere que esta muestra no proviene de una distribucin normal.

74

Anexo 4: Test de Kolmogorov-Sminrnov

Tabla A4.1 Test de Kolmogorov-Smirnov. Variable: Proteina K-S d=.06974, p> .20 Cumul. Percent Cumul % % of all Cumul. % Expected of Valid Cases of All Count Count Count of Valid 0 0 0 0 0 0 0.01616884 1 1 0.62893082 0.62893082 0.625 0.625 0.16814534 2 3 1.25786164 1.88679245 1.25 1.875 1.20180908 4 7 2.51572327 4.40251572 2.5 4.375 5.57064949 21 28 13.2075472 17.6100629 13.125 17.5 16.7609959 32 60 20.1257862 37.7358491 20 37.5 32.7593314 38 98 23.8993711 61.6352201 23.75 61.25 41.6118222 33 131 20.754717 82.3899371 20.625 81.875 34.3574344 24 155 15.0943396 97.4842767 15 96.875 18.4368276 4 159 2.51572327 100 2.5 99.375 6.42719533 1 160 0.62893082 0.625 100 Cumul. Expected 0.01616884 0.18431418 1.38612326 6.95677275 23.7177687 56.4771001 98.0889223 132.446357 150.883184 157.31038 Percent Cumul. % Expected Expected 0.01016908 0.01016908 0.10575178 0.11592087 0.75585477 0.87177563 3.50355314 4.37532877 10.5415069 14.9168356 20.6033531 35.5201888 26.1709574 61.6911461 21.6084493 83.2995954 11.5954891 94.8950844 4.04226121 98.9373457

33.000 < x <= 34.000 34.000 < x <= 35.000 35.000 < x <= 36.000 36.000 < x <= 37.000 37.000 < x <= 38.000 38.000 < x <= 39.000 39.000 < x <= 40.000 40.000 < x <= 41.000 41.000 < x <= 42.000 42.000 < x <= 43.000 Missing

Tabla A4.2 Test de Kolmogorov-Smirnov. Variable: Grasa K-S d=.10344, p<.10 Cumul. Percent Count Count of Valid 1 1 0.62893082 7 8 4.40251572 26 34 16.3522013 47 81 29.5597484 39 120 24.5283019 39 159 24.5283019 1 160 0.62893082 Cumul % % of all Cumul. % Expected Cumul. Percent Cumul. % of Valid Cases of All Count Expected Expected Expected 0.62893082 0.625 0.625 0.37471989 0.37471989 0.23567289 0.23567289 5.03144654 4.375 5 4.12450133 4.49922122 2.594026 2.82969888 21.3836478 16.25 21.25 21.2351976 25.7344189 13.3554702 16.1851691 50.9433962 29.375 50.625 49.4986657 75.2330846 31.1312363 47.3164054 75.4716981 24.375 75 52.4374394 127.670524 32.9795216 80.2959271 100 24.375 99.375 25.2534222 152.923946 15.8826555 96.1785825 0.625 100

11.000 < x <= 12.000 12.000 < x <= 13.000 13.000 < x <= 14.000 14.000 < x <= 15.000 15.000 < x <= 16.000 16.000 < x <= 17.000 Missing

75

Tabla A4.3 Test de Kolmogorov-Smirnov. Variable: Humedad K-S d=.05210, p> .20 Count 2 31 52 47 24 3 1 Cumul. Percent Cumul % % of all Cumul. % Expected Cumul. Count of Valid of Valid Cases of All Count Expected 2 1.25786164 1.25786164 1.25 1.25 3.64134002 3.64134002 33 19.4968553 20.754717 19.375 20.625 21.0754416 24.7167817 85 32.7044025 53.4591195 32.5 53.125 52.9151442 77.6319259 132 29.5597484 83.0188679 29.375 82.5 54.3483439 131.98027 156 15.0943396 98.1132075 15 97.5 22.8390477 154.819318 159 1.88679245 100 1.875 99.375 3.90433926 158.723657 160 0.62893082 0.625 100 Percent Expected 2.29015096 13.2549947 33.2799649 34.1813484 14.3641809 2.45555928 Cumul. % Expected 2.29015096 15.5451457 48.8251106 83.006459 97.3706399 99.8261992

3.0000 < x <= 3.5000 3.5000 < x <= 4.0000 4.0000 < x <= 4.5000 4.5000 < x <= 5.0000 5.0000 < x <= 5.5000 5.5000 < x <= 6.0000 Missing

Tabla A4.4 Test de Kolmogorov-Smirnov. Variable: Cenizas K-S d=.05624, p> .20 Cumul. Percent Cumul % % of all Cumul. % Expected Cumul. Percent Cumul. % of Valid of Valid Cases of All Count Expected Expected Expected Count Count 1 1 0.62893082 0.62893082 0.625 0.625 0.55768903 0.55768903 0.35074782 0.35074782 3 4 1.88679245 2.51572327 1.875 2.5 2.19939188 2.75708091 1.38326533 1.73401315 15 19 9.43396226 11.9496855 9.375 11.875 7.30045184 10.0575328 4.59147914 6.3254923 11 30 6.91823899 18.8679245 6.875 18.75 17.3855018 27.4430345 10.9342778 17.2597701 27 57 16.9811321 35.8490566 16.875 35.625 29.7119541 57.1549886 18.6867636 35.9465337 35 92 22.0125786 57.8616352 21.875 57.5 36.4465082 93.6014968 22.9223322 58.8688659 30 122 18.8679245 76.7295597 18.75 76.25 32.0915248 125.693022 20.1833489 79.0522149 25 147 15.7232704 92.4528302 15.625 91.875 20.2822619 145.975283 12.7561395 91.8083544 12 159 7.54716981 100 7.5 99.375 9.19962379 155.174907 5.78592691 97.5942813 1 160 0.62893082 0.625 100

32.000 < x <= 33.000 33.000 < x <= 34.000 34.000 < x <= 35.000 35.000 < x <= 36.000 36.000 < x <= 37.000 37.000 < x <= 38.000 38.000 < x <= 39.000 39.000 < x <= 40.000 40.000 < x <= 41.000 Missing

76

Tabla A4.5 Test de Kolmogorov-Smirnov. Variable: Calcio K-S d=.09451, p<.15 Count 17 4 3 22 47 35 13 13 5 1 Cumul. Count 17 21 24 46 93 128 141 154 159 160 Percent of Valid 10.6918239 2.51572327 1.88679245 13.836478 29.5597484 22.0125786 8.17610063 8.17610063 3.14465409 0.62893082 Cumul % % of all Cumul. % Expected Cumul. Percent Cumul. % of Valid Cases of All Count Expected Expected Expected 10.6918239 10.625 10.625 4.02364319 4.02364319 2.5305932 2.5305932 13.2075472 2.5 13.125 7.97355696 11.9972002 5.0148157 7.5454089 15.0943396 1.875 15 16.5169151 28.5141153 10.3879969 17.9334058 28.9308176 13.75 28.75 26.3042329 54.8183482 16.5435427 34.4769486 58.490566 29.375 58.125 32.2087547 87.0271029 20.2570784 54.734027 80.5031447 21.875 80 30.3241018 117.351205 19.0717622 73.8057892 88.6792453 8.125 88.125 21.9514633 139.302668 13.8059518 87.6117409 96.8553459 8.125 96.25 12.2173805 151.520049 7.68388712 95.2956281 100 3.125 99.375 5.22747921 156.747528 3.28772277 98.5833508 0.625 100

11.500 < x <= 12.000 12.000 < x <= 12.500 12.500 < x <= 13.000 13.000 < x <= 13.500 13.500 < x <= 14.000 14.000 < x <= 14.500 14.500 < x <= 15.000 15.000 < x <= 15.500 15.500 < x <= 16.000 Missing

Tabla A4.6 Test de Kolmogorov-Smirnov. Variable: Fosforo K-S d=.14674, p<.01 Cumul. Percent Count Count of Valid 0 0 0 4 4 2.51572327 50 54 31.4465409 55 109 34.591195 47 156 29.5597484 3 159 1.88679245 1 160 0.62893082 Cumul % of Valid 0 2.51572327 33.9622642 68.5534591 98.1132075 100 % of all Cases 0 2.5 31.25 34.375 29.375 1.875 0.625 Cumul. % of All 0 2.5 33.75 68.125 97.5 99.375 100 Expected Count 0.21372437 4.75594957 32.3207794 67.7762084 44.3650529 9.00351126 Cumul. Expected 0.21372437 4.96967394 37.2904534 105.066662 149.431715 158.435226 Percent Cumul. % Expected Expected 0.13441784 0.13441784 2.99116325 3.12558109 20.3275342 23.4531153 42.6265461 66.0796615 27.902549 93.9822105 5.6625857 99.6447962

4.5000 < x <= 5.0000 5.0000 < x <= 5.5000 5.5000 < x <= 6.0000 6.0000 < x <= 6.5000 6.5000 < x <= 7.0000 7.0000 < x <= 7.5000 Missing

77

Tabla A4.7 Test de Kolmogorov-Smirnov. Variable: Tamizado K-S d=.33836, p<.01 Cumul. Percent Cumul % % of all Cumul. % Expected Cumul. Percent Cumul. % of Valid of Valid Cases of All Count Expected Expected Expected Count Count 0 0 0 0 0 0 0.3070566 0.3070566 0.19311736 0.19311736 7 7 4.40251572 4.40251572 4.375 4.375 1.93999971 2.24705631 1.2201256 1.41324296 22 29 13.836478 18.2389937 13.75 18.125 8.41673672 10.663793 5.29354511 6.70678807 11 40 6.91823899 25.1572327 6.875 25 22.911227 33.57502 14.4095767 21.1163648 9 49 5.66037736 30.8176101 5.625 30.625 39.1639521 72.7389721 24.6314164 45.7477812 92 141 57.8616352 88.6792453 57.5 88.125 42.0599381 114.79891 26.4527913 72.2005725 18 159 11.3207547 100 11.25 99.375 28.3807187 143.179629 17.8495086 90.0500811 1 160 0.62893082 0.625 100

84.000 < x <= 86.000 86.000 < x <= 88.000 88.000 < x <= 90.000 90.000 < x <= 92.000 92.000 < x <= 94.000 94.000 < x <= 96.000 96.000 < x <= 98.000 Missing

78

Anexo 5: Grficas de correlaciones de Pearson

PROTEINA GRASA HUMEDAD CENIZAS CALCIO FOSFORO TAMIZADO

PROTEINA

GRASA

HUMEDAD

CENIZAS

CALCIO

FOSFORO

T AMIZADO

79