Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MECNICA DE
PRODUCCIN
FASCCULO DE APRENDIZAJE
ESTADSTICA APLICADA
Tcnico de
Nivel Medio.
AUTORIZACIN Y DIFUSIN
FAM. OCUPACIONAL :
METALMECNICA.
ESPECIALIDAD
MECNICA DE PRODUCCIN.
NIVEL
TCNICO MEDIO.
N D I C E
Introduccin
Introduccin a la estadstica
Prctica N 1
11
13
Prctica N 2
20
22
Calidad Total
28
Control de calidad
40
46
51
52
53
Prctica N 3
77
La Media
79
La Mediana
83
La Moda
86
Evaluacin Parcial I
88
89
Prctica N 4
93
Histograma
94
Prctica N 5
105
110
117
Prctica N 6
124
Diagrama de dispersin
125
131
Diagrama de pareto
133
Prctica N 7
139
Diagrama de control
140
Evaluacin parcial
144
La ruta a la calidad
145
Bibliografa
ESTADSTICA APLICADA
INTRODUCCIN A LA ESTADSTICA
La palabra "estadstica" como muchas otras palabras tienen varios
significados.
En lenguaje comn, el trmino "estadstica" significa un poco ms que
datos o informaciones numricas y se emplea generalmente en plural. Por
ejemplo, el cronista deportivo, mientras comenta las incidencias de la
primera etapa de un partido de ftbol puede decir, estas son las
estadsticas para la primera etapa; equipo A: disparos al arco diez, errados
nueve y acertado uno, tiros de esquina seis, etc., equipo B: disparos al
arco ocho todos errados, tiros de esquina siete, etc. Los comentaristas de
radio o televisin conforman diciendo: las estadsticas del Producto Bruto
Interno (PBI) de la Industria Manufacturera pasaron de un 15.3% en 1988
a un 11.7% en 1990.
Entre Marzo del 88 a Agosto del 90 los sueldos han tenido una cada del
60%. Segn el Instituto Nacional de Estadstica e Informtica (INEI), el
nivel acumulado de inflacin durante el primer semestre del presente ao
lleg a 230.5%. Una persona cualquiera puede preguntar: has puesto las
ltimas estadsticas acerca del empleo?, etc. Naturalmente, en cada uno
de estos comentarios, las personas estn usando la palabra "estadstica"
en forma correcta, sin embargo, cada uno la usa en una forma diferente
para un propsito tambin diferente trmino "estadstica" tambin se
emplea para designar un rea de estudio. Una disciplina; por ejemplo,
cuando se emplea esta palabra en el ttulo de un libro o cuando nos
referimos a los cursos de estadstica de la currcula de una profesin, etc.
Sin embargo ambos significados de "estadstica" estn muy relacionados
debido a que las estadsticas" consideradas como datos numricos en
gran parte son la "materia prima".
La evolucin y desarrollo de la "Estadstica" en el mundo actual, es tal que
sera difcil dar una definicin precisa de este concepto. A riesgo de
agregar una ms a las tantas existentes daremos la siguiente.
1. Definicin: La Estadstica es una ciencia que proporciona un conjunto
de mtodos que se utilizan para recolectar, resumir, clasificar, analizar e
interpretar el como comportamiento de los "datos" con respecto a una
caracterstica materia de estudio o investigacin. En primera instancia se
encarga de obtener informacin, describirla y luego usa esta informacin a
fin de predecir "algo" respecto a la fuente de informacin.
La Estadstica actual es el resultado de la unin de las disciplinas que
evolucionaron independientemente hasta confluir en el siglo XIX: la
primera es el "clculo de las probabilidades", que nace aproximadamente
en el siglo XVII como teora matemtica, de los juegos de azar; la segunda
es la "Estadstica" o ciencia del estado, del latn status (aunque sobre este
significado etimolgico de estadstica no hay un criterio nico de lo
autores, pues para unos se deriva del griego statera que significa
balanza, para otros se deriva del alemn staat que significa estado) que
estudia la descripcin de los datos y tiene races ms antiguas.
La integracin de ambas lneas de pensamiento da lugar a esta nueva
ciencia.
MECNICA DE PRODUCCIN
1/147
ESTADSTICA APLICADA
RETIRA
2. Divisin de la estadstica
El campo de la Estadstica generalmente est dividido en dos grandes
reas.
Estadstica Descriptiva y Estadstica Inferencial.
2.1 Estadstica Descriptiva
De la definicin de Estadstica, el lector notar dos aspectos bien
remarcados, primero: obtener informacin, procesada y describirla, es
lo que constituye la Estadstica Descriptiva.
Estadstica Descriptiva es el conjunto de mtodos que implica la
recoleccin, presentacin y caracterizacin de un conjunto de datos a fin
de describir en forma apropiada las diversas caractersticas de estas. Es
decir, un estudio estadstico se considera "descriptivo" cuando slo se
analiza y describe los datos.
Ejemplo: Un gerente de personal desea conocer las aptitudes de cinco
secretarias que trabajan en una dependencia particular de una compaa.
Se aplica una prueba de aptitudes a las cinco secretarias y las
calificaciones son 85, 90, 93, 82 y 95 puntos.
Supongamos que la medida estadstica que emplea el gerente de
personal es la aptitud.
Promedio o media aritmtica, la cual es la suma de los valores
observados dividida entre el nmero de observaciones. Entonces, la
calificacin promedio es:
85 + 90 + 93 + 82 + 95 = 445 = 89 puntos
5
5
El resultado se limita a los datos obtenidos en este caso particular y no
implica ninguna generalizacin acerca de las aptitudes de las secretarias
de otras oficinas de la misma compaa. Es decir. el gerente est usando
estadstica para describir aptitudes de las secretarias de esa oficina. Este
mtodo es de naturaleza descriptiva, debido a que el promedio condensa
y describe la informacin obtenida.
Los grficos, tablas y mapas que muestra datos de tal forma que sean ms
fciles de entender son todos ejemplos del uso de Estadstica Descriptiva.
2.2 Estadstica inferencial
El segundo aspecto de la definicin de Estadstica es: predecir "algo"
con respecto a la fuente de informacin, es lo que constituye la
Estadstica Inferencial o Inferencia estadstica, la definicin es la
siguiente.
La Inferencia Estadstica es el conjunto de mtodos o tcnicas que
posibilitan la generalizacin o toma de las decisiones en base a una
informacin parcial tenida mediante tcnicas descriptivas.
Es decir, un estudio estadstico, se considera inferencial cuando se
pretende inferir y predecir conclusiones que ataen a toda la fuente de
informacin de donde proviene los datos.
MECNICA DE PRODUCCIN
2/147
ESTADSTICA APLICADA
Ahora bien esta prediccin se hace con un cierto grado de confianza; este
grado de confianza se mide por la "probabilidad". Por tanto, el clculo de
probabilidades, piedra angular de la inferencia estadstica est como
puente entre las dos partes de la estadstica.
TIRA
MECNICA DE PRODUCCIN
3/147
ESTADSTICA APLICADA
a. La duracin promedio de las cuatro bombillas marca A es de 1000 hs,
mientras que la duracin promedio de las cinco bombillas marca B es
de 980 hs.
b. La duracin promedio de todas las bombillas marca A es mayor que la
de todas las bombillas marca B.
c. La diferencia entre los dos promedios es de 20 hs.
d. La diferencia entre los dos promedios es demasiado pequeo para
llegar a conclusin de que las bombillas marca A son mejores que las
bombillas marca B.
e. Si se selecciona y prueba otra bombilla marca A, probablemente durar
ms que el promedio de las bombillas marca B.
f. Ud. decide comprar bombillas marca A en vez de bombillas marca B.
Cules de las conclusiones provienen de la Estadstica Descriptiva y
cules de Inferencia Estadstica?
a. La duracin promedio de las cuatro bombillas marca A es
1100 + 900 + 980 + 1020 = 4000 = 1000 hs.
4
4
La duracin promedio de las cinco bombillas marca B es
1050 + 960 + 1065 + 845 + 980 = 4900 = 980 hs.
4
4
Como se est usando Estadstica para describir el comportamiento slo
de los datos observados y no para una generalizacin, la conclusin
proviene de Estadstica Descriptiva.
b. Puesto que se est generalizando, que la duracin promedio de todas
las bombillas marca A es mayor que todas las bombillas marca B, la
conclusin proviene de la Estadstica Inferencial.
c. Vemos que: 1000 - 980 = 20 hs, es decir la conclusin proviene de la
Estadstica Descriptiva.
d. Se est usando los promedios de los datos observados para inferir
sobre la diferencia de todas las bombillas. Por lo tanto, es Inferencia
Estadstica.
e. Se hace una generalizacin de que cualquier bombilla marca A durar
ms que el promedio de las bombillas marca B, proviene de Inferencia
Estadstica.
f. Ud. est generalizando que las bombillas marca A duran ms que las
bombillas marca B. Por lo tanto, es Inferencia Estadstica.
MECNICA DE PRODUCCIN
4/147
ESTADSTICA APLICADA
Problemas:
TIRA
MECNICA DE PRODUCCIN
5/147
ESTADSTICA APLICADA
4. En qu contexto se emplea generalmente la palabra "estadstica" en
radio que en televisin?
RETIRA
3. Poblacin y muestra
a.
b.
c.
d.
MECNICA DE PRODUCCIN
6/147
TIRA
ESTADSTICA APLICADA
MECNICA DE PRODUCCIN
7/147
RETIRA
ESTADSTICA APLICADA
Por ejemplo, la edad promedio de los escolares del primer ao de
secundaria de los colegios del Per, es una caracterstica medible (por
tanto un parmetro) de la poblacin formada por las edades de todos los
escolares del primer ao de secundaria del pas; es pus media de la
poblacin.
Similarmente, la proporcin de todos los telespectadores que ven un
cierto programa dominical a cierta hora, es una caracterstica medible (por
tanto un parmetro) de la poblacin formada por todos los telespectadores
de ese programa dominical; es la proporcin de la poblacin.
Los parmetros ms usados son:
- La media poblacional = m (que se lee mn)
- Proporcin poblacional = r (que se lee pe)
- Desviacin tpica poblacional = s (que se lee sigma)
Obviamente es imposible calcular el verdadero valor de cualquier
parmetro de una poblacin infinita. En la mayor parte de los casos
tampoco resulta prctico (o econmico) calcular el verdadero valor de
cualquier parmetro de una poblacin finita. Por tanto, resulta necesario
realizar inferencias acerca de los parmetros de la poblacin, a partir de la
informacin contenida en una parte de la poblacin.
Muestra: Es una parte o un subconjunto representativo de la poblacin. Y
al proceso de obtener la muestra se llama muestreo.
Notacin: El nmero de observaciones (o tamao) de la muestra se
denota por "n".
Desde luego, el nmero de observaciones en una muestra es menor que
el nmero de observaciones posibles en la poblacin, de otra forma, la
muestra sera la poblacin misma.
La seleccin y el estudio de una muestra, tiene por objeto la extraccin de
conclusiones que sean vlidas para la poblacin del cual se obtuvo dicha
muestra. En otras palabras, nuestro propsito es conocer la poblacin,
para lo cual se extrae una muestra de sta.
Por ejemplo, si se-desea estimar el gasto promedio anual de los
estudiantes universitarios del Per, se extraera una muestra formada por
cierto nmero de estudiantes, en seguida se determinara el gasto anual
correspondiente a cada uno de ellos y despus se obtendra el promedio
de estos gastos.
Se utiliza una muestra debido a.que simplemente no se tiene el tiempo y
los recursos para establecer contacto con todos los estudiantes
universitarios del pas, aun cuando es posible hacerla.
En base al promedio de la muestra (promedio muestral) obtenido de esta
forma, se realiza una inferencia acerca del gasto promedio de todos los
estudiantes universitarios del Per.
MECNICA DE PRODUCCIN
10
8/147
ESTADSTICA APLICADA
MECNICA DE PRODUCCIN
11
TIRA
9/147
RETIRA
ESTADSTICA APLICADA
b. Tambin puede haber varias circunstancias. Por ejemplo, si se desea
conocer la calificacin promedio de todos los ingresantes a su
universidad. La poblacin estara compuesta por las calificaciones de
todos los ingresantes a su universidad. Tendremos as, una circunstancia
en la cual las calificaciones recibidas por los estudiantes ingresantes a
primer ao de su universidad se consideran como poblacin.
Ejemplo: Se realiza una votacin preliminar para determinar las
preferencias de los electores en una eleccin presidencial. Con este fin se
entrevistan 1500 electores registrados y entre ellos 860 estn a favor del
candidato A. Responda lo siguiente:
a. Qu constituye la muestra?
b. Qu constituye la poblacin?
c. La poblacin es finita o infinita?
d. Cul es el parmetro de la poblacin?
e. Cul es el estadstico de la muestra?
Solucin:
a. La muestra est constituida por las respuestas de 1 500 electores
registrados.
b. La poblacin est constituida por las respuestas de todos los
electores registrados.
c. La poblacin es finita.
d. El parmetro de la poblacin ser la proporcin de todos los electores
registrados que estn a favor del candidato A.
e. El estadstico de la muestra es la proporcin de los 1500 electores
registrados que estn a favor del candidato A.
Es decir 860/1 500 0.57 (57%).
MECNICA DE PRODUCCIN
12
10/147
ESTADSTICA APLICADA
PRCTICA N 01
Ejercicios de repaso relacionados a la estadstica descriptiva bsica
1. Durante cierta semana, en un restaurante se atendi a 2 300 clientes.
Explique las circunstancias bajo las cuales estos 2300 clientes pueden
considerarse como: a. una muestra y b. una poblacin.
2. Supngase que el 60% de todos los electores registrados en un pas
son integrantes de un partido A y el 40% no. A partir de una muestra de
500 electores, se encuentra que 250 pertenecen al partido A. Responda
lo siguiente:
a. Cul es la proporcin de electores en la muestra que pertenecen al
partido A?
b. Cul es la proporcin de electores en la poblacin que pertenecen
al partido A?
c. Cul es la poblacin? Es finita o infinita?
d. Cul es el parmetro de la poblacin?
e. Cul es el estadstico de la muestra?
3. Establezca la veracidad o falsedad de cada una de las proposiciones
siguientes. Reemplace cada enunciado falso por la proposicin
verdadera correspondiente.
a. La poblacin es una coleccin de todos los elementos que estamos
estudiando.
b. Un estadstico es una caracterstica de la poblacin.
c. La Inferencia Estadstica, formula inferencias con respecto a una
muestra.
4. Se realiza un muestreo de opinin para determinar si las amas de casa
de Lima, prefieren un detergente de una marca A con respecto a otra.
Con este fin se entrevistan 2000 amas de casa y entre ellas 1500
prefieren la marca A. Responda lo siguiente:
a. Qu constituye a la muestra?
b. Qu constituye a la poblacin?
c. La poblacin es finita o infinita?
d. Cul es el parmetro de la poblacin?
e. Cul es el estadstico de la muestra?
MECNICA DE PRODUCCIN
13
11/147
ESTADSTICA APLICADA
MECNICA DE PRODUCCIN
14
12/147
ESTADSTICA APLICADA
VARIABLES Y TOMAS DE DATOS
1. Toma de datos
A) Algunos procedimientos y mtodos para recolectar datos
Existen tres mtodos bsicos con los cuales el investigador puede
obtener los datos deseados: en primer lugar, el investigador puede
recurrir a datos ya publicados por fuentes gubernamentales,
industriales o individuales; en segundo lugar, puede disear un
experimento para obtener los datos necesarios, y en tercer lugar,
puede efectuar una encuesta.
Fuentes de informacin: Es el lugar, la institucin, la persona donde
estn los datos que se necesitan para cada una de las variables o
aspectos de la investigacin. Las fuentes de datos pueden ser:
Fuente de datos internos: Es la informacin recopilada por la empresa (o
la institucin) de los resultados de su propia gestin. Son pues las
observaciones que constantemente realizan los departamentos,
administrativos, contables, comerciales, tcnicos, etc. Estas pueden ser
por ejemplo:
a. Reportes financieros.
b. Reportes de operaciones, que estn dadas por la informacin de la
produccin, ventas, compras, estados de prdidas y ganancias.
c. Reportes especiales, es informacin adicional para anlisis
especfico.
a. Fuente de datos externos: Son informaciones estadsticas
elaboradas por instituciones de investigacin, ya sean pblicos o
privados, o dependencias especializadas, generalmente requeridos a
nivel nacional o sectorial.
b. Fuentes primarias: Cuando la informacin estadstica es obtenida
directamente de la unidad de observacin. Por ejemplo, los resultados de
los censos de poblacin y vivienda, ndices de precios al consumidor, etc.
c. Fuentes secundarias: Cuando se obtiene informacin estadstica
elaborada a base de los datos de fuentes primarias.
El organismo oficial fundamental de datos estadsticos es el Instituto
Nacional de Estadstica e Informtica (INEI). Se encarga de formular y
desarrollar el sistema Estadstico Nacional, levanta los censos nacionales
de poblacin y vivienda cada 10 aos y los censos econmicos cada diez
aos, etc.
El Ministerio de Industria Turismo e Integracin, elabora estadstica como:
ndice de volumen fsico de produccin, producto bruto interno, etc.
El Ministerio de Economa y Finanzas, a travs de sus organismos
especializados lleva y elabora estadstica de comercio al por mayor y al
por menor, comercio exterior (importacin y exportacin), etc.
En general todos los ministerios tienen una oficina especializada de
Estadstica.
MECNICA DE PRODUCCIN
15
13/147
ESTADSTICA APLICADA
Diseo de experimento: Un segundo mtodo de recoleccin de la
informacin es con un diseo de experimentos. Los diseos
experimentales deben utilizarse siempre que sea posible cuando se
desee construir modelos explicativos, y sus estudios suelen ser materia
de textos ms avanzados, ya que implican procedimientos estadsticos
complejos.
Encuestas: Es el proceso de recopilar informacin a travs de una
muestra.
Principales procedimientos para recolectar informacin en ciencias
sociales, salud, educacin, etc.
Toda informacin tiene dos aspectos fundamentales: Fuente de
obtencin, y
mtodos para su recoleccin.
Fuente de obtencin: La fuente de obtencin puede ser: primarios y
secundarios.
Primarios: Como ya hemos dicho, se recogen directamente de su origen.
Secundarios: Cuando no se recogen directamente de su fuente de
origen.
Mtodos de recoleccin: Cuando es utilizada una fuente primaria para
recolectar informacin se distinguen dos procedimientos fundamentales a
saber: la observacin y el interrogatorio.
Desventajas de la observacin
-
MECNICA DE PRODUCCIN
16
14/147
ESTADSTICA APLICADA
Para evitar errores en la segunda desventaja debe observarse los
siguientes aspectos:
-
Mtodos de interrogatorios
El interrogatorio puede hacerse mediante dos mtodos:
Mtodo directo (se efecta por medio de entrevistas)
Mtodo indirecto (se efecta por medio de cuestionarios)
La entrevista tiene una ventaja principal que la acenta, y es que puede
completarse con la observacin directa, tambin tiene como principal
desventaja el hecho que la personalidad, posicin social, la inflexin de la
voz, la manera de hacer las preguntas, etc. pueden hacer variar las
respuestas.
El cuestionario tiene como ventaja principal el ser ms barato. Como
desventaja solo es posible para preguntas sencillas y tambin en
ocasiones no es devuelto por el individuo encuestado, o no llena con todos
los requisitos adecuadamente.
Frecuencia para la recoleccin de los datos
Los procedimientos para recoger la informacin, por su frecuencia,
pueden clasificarse en:
- Mtodos de recoleccin ocasional: las encuestas.
- Mtodos de recoleccin peridicas: los censos.
- Mtodos de recoleccin continuas: los registros.
Estos mtodos se diferencian entre s en una serie de aspectos
importantes y que son:
- Frecuencia de recoleccin.
- Los aspectos de cobertura.
- Los aspectos de temporalidad.
- Los aspectos de propsitos.
Veremos que la encuesta tiene una amplitud parcial, mientras que el
censo y el registro la tienen universal. Otro aspecto muy importante es que
el censo y la encuesta tienen un carcter transversal, es decir se realiza en
un determinado momento, mientras que el registro tiene un carcter
longitudinal, o sea, se recoge la informacin a lo largo del tiempo.
Finalmente diremos, que el censo es un procedimiento que tiene objetivos
generales, mientras que el registro y la encuesta tienen objetivos
especficos.
MECNICA DE PRODUCCIN
17
15/147
ESTADSTICA APLICADA
Encuesta: Es el procedimiento de obtencin de informacin estructurada
segn criterios previos de sistematizacin, que se efecta con un
propsito especfico (y que tiene alcance restringido) en un sector de la
poblacin.
Ejemplo: Encuesta nacional de propsitos mltiples (ENAPROM)
realizada por el INEI en 1977 y 1978, Y publicadas en 13 fascculos por
sta institucin.
Tipos de encuestas: Encuesta retrospectiva, encuesta prospectiva.
Encuesta retrospectiva: En este tipo de encuestas se parte de datos que
se conoce y la investigacin consiste en descubrir caractersticas de su
historia. Por ejemplo, se coge un grupo de personas afectadas con cncer
en el pulmn y vamos a recoger en su historia retrospectivamente si tiene
antecedentes de: hbito de fumar, riesgos industriales, etc.
Encuesta prospectiva: Comienza con una muestra de la poblacin
estudiando una o ms caractersticas a travs del tiempo. Por ejemplo, se
coge un grupo de personas, y vemos la caracterstica de hbito de fumar:
observamos si en el transcurso del tiempo se desarrolla cncer al pulmn.
Censo de poblacin: Se lIama al proceso de recolectar, completar y
publicar datos demogrficos, econmicos y sociales pertenecientes a un
tiempo especfico y datos de todas las personas en un pas o un territorio
determinado.
El propsito principal de un censo de poblacin nacional consiste en
satisfacer ciertas necesidades de informacin estadstica concernientes a
la totalidad de los habitantes de un pas con vistas a: planificacin de una
serie de aspectos como son los requerimientos de alimento, los nmeros
de escuelas y hospitales, as como su ubicacin, etc.
Registros: Son los procedimientos que se siguen para conocer
adecuadamente los cambios y las estructuras de:
- Cambios en el nmero de la poblacin.
- Aumento de la poblacin por nacimiento.
- Aumento de la poblacin por inmigracin.
- Reduccin de la poblacin por emigracin.
- Reduccin de la poblacin por fallecidos.
Mediante los sistemas de registros se establecen as, un proceso continuo
que sigue sin pausa los movimientos de cambio en la poblacin.
MECNICA DE PRODUCCIN
18
16/147
ESTADSTICA APLICADA
2. Identificacin de variables
Sea cual fuere la fuente de la que obtenemos la informacin, esta
puede estar referida a caractersticas cualitativas o cuantitativas. Las
primeras se refieren a cualidades tales como, color: blanco, azul, etc.;
estado civil: casado, soltero, etc.; profesin: economista, ingeniero,
etc.; calidad de un producto: bueno, regular, etc. Los segundos se
refieren a cantidades tales como: estatura en cm., salario en soles,
nmero de hijos de una familia, nmero de dormitorios por vivienda, etc.
Con cada caracterstica materia de investigacin, asociamos una
variable; as, podemos dar la definicin siguiente.
Variable: Es una caracterstica de la poblacin que se va investigar y que
puede tomar diferentes valores.
As, por ejemplo una variable sera, las horas extras trabajadas por los
trabajadores de una empresa y los valores de esta variable vendran
dadas por las diferentes horas trabajados por cada trabajador fuera de la
jornada normal: ninguna, una, dos, tres,
Notacin: Las variables se denotarn por X, Y, etc.
Las variables se clasifican en: cualitativas y cuantitativas.
Variable cualitativa: Se llama as, cuando la variable est asociada a una
caracterstica cualitativa. Es decir, son variables cuyos valores son
cualidades que presenta la poblacin.
Por ejemplo, la variable "profesin" puede adoptar las modalidades:
Ingeniero,
Mdico, Bilogo, Economista, etc.
Las variables cualitativas se clasifican en: nominales y ordinales.
Variable cualitativa nominal: Son aquellas que establecen la distincin
de los elementos en las categoras sin implicar orden entre ellas.
Ejemplo: Clasificar un grupo de individuos por sexo: masculino,
femenino; por su estado civil: soltero, casado, viudo, etc.
Variable cualitativa ordinal: Son aquellas que agrupan a los objetos,
individuos, en categoras ordenadas, para establecer relaciones
comparativas. Es decir, son susceptibles de ordenacin pero no de
medicin cuantitativas.
Ejemplo:
a. Clasificar a un grupo de personas por su hbito de fumar. Se procede
as:
- No fumadores
- Fumadores leves
- Fumadores moderados
- Fumadores severos
MECNICA DE PRODUCCIN
19
17/147
ESTADSTICA APLICADA
RETIRA
MECNICA DE PRODUCCIN
20
18/147
ESTADSTICA APLICADA
Solucin:
a. El tiempo que cualquier persona presta servicios a una empresa esta
comprendida generalmente de acuerdo a ciertas leyes entre 0 y 30
aos. Es decir, puede ser cualquier punto del intervalo [0, 30], al menos
en teora. Por tanto es una variable cuantitativa continua.
b. El nmero de cheques girados diariamente en un mes, puede ser:
ninguno, uno, dos. Es decir, es una variable cuantitativa discreta.
c. Tambin es una variable cuantitativa discreta.
d. Las personas que viven en Lima. pueden haber nacido en cualquier
distrito o lugar del pas o del extranjero. Por tanto, es una variable
cualitativa.
e. El nivel educacional es una caracterstica cualitativa ordinal y la religin
es cualitativa nominal. Por tanto, las limeas son clasificadas por las
variables cualitativas, nivel educacional y religin.
f. La temperatura y la humedad son variables cuantitativas continuas.
Luego, Lima es clasificada por las variables temperatura y humedad
ser una variable continua.
g. Nivel educacional y color de los ojos son variables cualitativas; la
estatura es una variable cuantitativa continua. Por tanto, las
cajamarquinas son clasificadas por las caractersticas cualitativas:
nivel educacional y color de sus ojos, y la variable continua estatura.
Unidad estadstica: Es el elemento u objeto indivisible de la poblacin
que ser analizado.
Por ejemplo, si se quiere estudiar la demanda del detergente X en Lima
Metropolitana, la unidad estadstica sern las familias.
Datos: Son los valores recopilados como resultado de las observaciones
de una caracterstica o variable. Llamados tambin series
estadsticas.
Como hay dos tipos de variables: cualitativas y cuantitativas, diremos
tambin que hay dos tipos de datos: datos cualitativos y cuantitativos. Los
datos cuantitativos, se pueden considerar tambin como datos discretos y
datos continuos.
MECNICA DE PRODUCCIN
21
19/147
ESTADSTICA APLICADA
PRCTICA N 2
1. Puede ordenar a las personas por su estado civil: soltero (a), casado
(a), viudo (a), divorciado "(a)? Justifique su respuesta.
2. En una carrera de caballos, Saltarn lleg primero, Pintado, segundo y
Ronco, tercero. Puede encontrar la distancia entre los caballos?
Justifique su respuesta.
3. Clasifique las siguientes caractersticas, en variables cualitativas,
cuantitativas continuas y discretas.
a. Consumo de corriente (kw) mensual en un ao.
b. El nmero de tornillos de cada caja producidos en un mes.
c. Estado civil, opinin pblica, lugar de nacimiento de las personas que
viven en el Callao.
d. Marca y pas de procedencia de los automviles vendidos durante el
ao en el Per.
4. Si los nicos valores posibles para una variable X son: , 1/3, 1/4,,
entonces X es una variable continua.
5. En cada aparato que produce una empresa de equipos elctricos se
incluye una pliza de garanta para el cliente. Adems de validar la
garanta y proporcionar a la compaa el nombre y domicilio del cliente,
la pliza pide otra informaci6n complementaria que se emplea en los
estudios de mercado. Para cada uno de los blancos numerados de la
pliza, determine las caractersticas ms probables de las categoras
que utilizar la compaa para registrar la informacin. En particular:
a. Sern cuantitativas o cualitativas?
b. Contnuas o discretas?
Nombre
Estado civil
Domicilio
Ciudad
Estado
Cdigo postal
1
Edad
Ingreso anual
MECNICA DE PRODUCCIN
22
20/147
ESTADSTICA APLICADA
MECNICA DE PRODUCCIN
23
21/147
ESTADSTICA APLICADA
INTRODUCCIN A LA ESTADSTICA APLICADA A PROCESOS PARA
MEJORAMIENTO DE LA CALIDAD
En los das de Taylor, todas las plantas, salvo algunas excepciones, tenan
un departamento de inspeccin. La funcin de ste consista en eliminar
los materiales inaceptables del proceso de produccin, desde el material
de entrada hasta el producto acabado. En aquella poca el muestreo
estadstico era eminentemente desconocido en la manufactura, por lo que
con frecuencia se escogan puntos clave del proceso en los cuales se
realizaba 100% de la inspeccin.
Como a los empleados se les pagaba a menudo con base en el nmero de
unidades buenas producidas y se evaluaba a los gerentes de produccin
segn el nmero de unidades embarcadas, tradicionalmente los
empleados y gerentes de los departamentos de inspeccin vivan en
ambientes que solan ser poco amistosos y a veces hostiles.
El control de calidad como una subdisciplina de la ingeniera industrial
tiene dos componentes bsicos. Un componente implica el uso tcnico de
estadsticas aplicadas y se le conoce como control estadstico de calidad
(SQC) o control estadstico de proceso (SPC). El otro componente implica
el desarrollo y la administracin cotidiana de una base programtica y
administrativa para el logro de objetivos de control de calidad en una
organizacin.
Corno se dijo antes, ningn curso en un programa de estudios tpico de
ingeniera industrial es ms importante que un curso en probabilidad y
estadstica. Esto es especialmente cierto en el rea de control estadstico
de calidad. El control estadstico de calidad, en trminos de contenido
tcnico, es sencillamente la aplicacin de la estadstica y la teora de
muestreo en un ambiente industrial o productivo.
Con toda la importancia que tienen la probabilidad y la estadstica para la
educacin de un ingeniero industrial, en este texto no se intentar
describir el contenido de tales cursos. Damos por sentado que un curso en
estadstica es un requisito esencial para el estudio del control estadstico
de la calidad.
Control estadstico de procesos: grficas X y R
Probablemente la tcnica ms conocida, y tal vez la ms antigua, en el
control estadstico de calidad (SQC) sea la grfica de X y R. Fue
desarrollada originalmente por Shewhart [14] en la dcada de los veinte.
La grfica se usa cuando la meta consiste en mantener control estadstico
de una variable aislada de inters (por ejemplo, una dimensin para un
componente o armado).
En la figura 1 se describe una operacin de corte sobre un torno, con la
dimensin A de inters. La operacin podra ejecutarse, por ejemplo,
como preparacin para cortar roscas para unir dos tubos en un campo
petrolero (por ejemplo, en el oeste de Texas).
MECNICA DE PRODUCCIN
24
22/147
ESTADSTICA APLICADA
Dimetro externo
a final deseado
Dimetro inicial
de la varilla
Mquina
tornilladora
Movimiento
de la herramienta
Fig. 1 Dimetro externo final A en mquina
tornilladora.
Aqu se corta
la pieza
1
2
3
4
Total
X
Valor alto
Valor bajo
Rango
3.50
3.50
3.60
3.50
3.60
3.50
3.50
3.60
3.60
3.70
3.50
3.60
3.60
3.70
3.60
3.60
3.50
3.50
3.60
3.60
3.70
3.80
3.90
3.90
3.70
4.00
4.20
4.10
14.1
3.525
3.60
3.50
0.10
14.3
14.4
3.55
3.60
3.50
0.10
14.5
3.60
3.60
3.50
0.20
3.625
3.60
3.50
0.10
14.2
3.55
3.60
3.50
0.10
15.3
3.55
3.60
3.50
0.10
16.0
4.0
3.60
3.50
0.50
8
4.00
4.40
4.50
4.20
17.1
4.275
3.60
3.50
0.50
10
11
12
4.50
4.60
4.20
4.10
3.50
3.60
3.60
3.60
3.70
3.70
3.60
3.60
3.70
3.60
3.80
3.80
17.4
4.35
3.60
3.50
0.50
14.2
4.55
3.60
3.50
0.10
14.6
4.65
3.60
3.50
0.10
14.9
4.725
3.50
3.50
0.20
X=
R=
LCSX =
LClX =
LCSR =
LClR =
Xi l n = 45.225/12 = 3.769
Ri l n = 2.7/12 = 0.225
X + A2R = 3.769 + 0.73(0.225) = 3.93
X - A2R = 3.769 - 0.73(0.225) = 3.60
D4R = 2.28(0.225) = 0.51
D3R = 0(0.225) = 0
MECNICA DE PRODUCCIN
25
23/147
ESTADSTICA APLICADA
Los valores para estos factores, para varios tamaos de muestra, se dan
en la tabla 2.
Tamao de la muestra
A2
2
3
4
5
6
1.88
1.02
0.73
0.58
0.48
D3
D4
0
0
0
0
0
3.27
2.57
2.28
2.11
2.00
Tabla 2. Factores para determinar lmites de control superior e inferior para grficas
X y R a partir de R
Al analizar las medias graficadas para los valores del dimetro A para las
primeras 48 piezas cortadas (Fig. 2) resulta evidente que este proceso
parece estar "fuera de control", lo cual significa que demasiados (es decir,
ms de 1 en 100) valores de medias de la muestra caen fuera de los lmites
de control. Esto sugiere que hay una causa especial subyacente para el
grado desplegado de variabilidad de la media de la muestra. La sospecha
aqu es que algo est mal en la forma como se realiza esta operacin.
La habilidad subyacente de la operacin de corte para mantener las
dimensiones del valor del dimetro es muy superior a la informada en los
valores de la media de la muestra. Se deben considerar numerosas
preguntas acerca del proceso. Por ejemplo, el carrusel en el tomo
sostiene firmemente a la pieza? No tiene punta la herramienta y causa
por tanto un corte disparejo que desequilibra el dimetro para alguna
porcin del tubo? Hay inconsistencia del material a lo largo del tubo?
Torno
3058
Departamento
No. de parte
Operacin
Gran media
Rango medio
Cortar dimetro
=
3.768750
LCl x Barra
3.604725
0.225000
LCS Rango
0.513000
x Grfica de barra
Nombre de la pieza
Mquina
Variable
LCS x Barra
=
eje
Browne & Sharpe
dimetro
3.932775
4.35
4.185
4.02
UCLx
3.855
MEDIAx
3.69
LCLx
3.525
GRFICA R
0.513
UCLr
0.38475
0.2565
MEDIAr
0.12825
0.00
Fig. 2 Medidas graficadas para los valores de dimetro A
MECNICA DE PRODUCCIN
26
24/147
ESTADSTICA APLICADA
Considrese otro ejemplo, que se muestra en la tabla 3, acerca del
dimetro de paso de roscas en guarniciones de aviones.
Tabla 3 Dimetro de pasos de roscas en guarniciones de aviones
Mediciones del dimetro de paso de roscas en guarniciones de aviones.
Los valores se expresan en unidades de 0.0001 pulgadas en exceso de 0.4000
pulgadas. La dimensin se especifica como 0.4037 +
- 0.0013 pulgadas
Nmero de
la muestra
Promedio
X
Rango
R
1
2
3
4
5
36
31
30
32
32
35
31
30
33
34
34
34
32
33
37
33
32
30
32
37
32
30
32
35
35
34.0
31.6
30.8
33.0
35.0
4
4
2
3
5
6
7
8
9
10
32
33
23
43
36
32
33
33
36
35
31
36
36
35
36
33
32
35
24
41
33
31
36
31
41
32.2
33.0
32.6
33.8
37.8
2
5
13
19
6
11
12
13
14
15
34
36
36
36
30
38
38
40
35
37
35
39
35
37
33
34
39
26
34
34
38
40
33
33
35
35.8
38.4
34.0
35.0
33.8
4
4
14
4
7
16
17
18
19
20
28
33
27
35
33
31
30
28
36
35
33
34
29
29
35
33
33
27
27
39
33
35
30
32
36
31.6
33.0
28.2
31.8
35.6
5
5
3
9
6
Totales
...
...
...
...
...
671.0
124
27
25/147
ESTADSTICA APLICADA
0.4050
0.4040
Dimensin nominal
= 0.4037
0.4030
Lmite de
tolerancia inferior
0.4020
0
10
Nmero de muestra
15
20
0.4040
X promedio (pulgadas)
0.4030
Lmite de control inferior
0.4020
5
10
15
20
Nmero de muestra
0.0020
Rango R (pulgadas)
0.0010
X
X
X
X
X
X
X
X
X
X
X
X
X
0
5
10
15
20
Nmero de muestra
Fig. 4 Grficas de control X y R para dimetro de avance
MECNICA DE PRODUCCIN
28
26/147
ESTADSTICA APLICADA
Dicho de modo sencillo, el rango de aceptabilidad de la dimensin de la
parte, en trminos de uso, es tan amplio que aun cuando el proceso est
"fuera de control" todava es capaz de producir partes aceptables (99 de
cada 100 veces). Con un mejor control del proceso (recuerde: hay razn
para creer que algo puede estar produciendo una variabilidad indebida)
este proceso tendra una mayor capacidad para producir la parte con
xito.
Un ajuste comn para un proceso basado en la informacin de tales
grficas consiste en alterar la frecuencia y el grado de centrado o
posicionamiento del proceso (por ejemplo, volverlo a montar tan cerca de
0.4037 pulgadas como sea posible, con la frecuencia que sea necesaria,
si se est desviando de la posicin central; o desplazarlo hacia abajo
dentro del rango aceptable conforme la herramienta se desgasta).
La razn para graficar medias de las muestras en vez de valores
individuales se remonta a las propiedades deseables del teorema del
lmite central, que se examinar. Baste decir que la determinacin confiable
de los lmites de control depende de la suposicin de que las medias de las
muestras se distribuyen de modo normal, independientemente de la
distribucin de los valores individuales de los cuales se obtuvieron las
muestras.
Las grficas X y R se han usado en el control estadstico de calidad desde
que Shewhart [14] present estos conceptos, a comienzos de los aos
veinte. Durante medio siglo y hasta la dcada de los ochenta, el control
estadstico de calidad se desarroll hasta incluir una considerable
diversidad de tcnicas estadsticas para el manejo de problemas de
calidad de productos manufacturados. Encontrar la fuente de problemas
de calidad fue una parte de la historia, pero generalmente se supona que
tales problemas en el proceso de fabricacin podran resolverse una vez
que se descubrieran.
El uso de grficas X y R y de otros enfoques estadsticos relacionados
para encontrar las causas de problemas de calidad en el piso de
produccin fue, desafortunadamente, un caso de "demasiado poco,
demasiado tarde".
Hay que resaltar un punto importante. Mucho ms importantes que las
formulaciones matemticas ms complejas que podamos concebir, o los
clculos que podamos realizar (hazaas con las cuales los estudiantes se
han asociado ntimamente durante sus estudios de ingeniera), son los
principios, conceptos o premisas orientadoras que se encuentran en el
meollo de la prctica de una profesin. El control de calidad como se
practic desde 1920 hasta 1980 tena una base estadstica muy alta, si no
en la prctica, al menos en teora.
En retrospectiva, hoy da es claro que aunque se logr mucho, se podra
haber logrado mucho ms con una mejor comprensin de la verdadera
fuente subyacente de problemas de calidad en la industria. Una revisin
de las definiciones deducidas de la calidad brinda cierta comprensin de
este cambio gradual en el enfoque para hacer frente ms exitosamente al
reto de mejorar la calidad en el futuro.
MECNICA DE PRODUCCIN
29
27/147
ESTADSTICA APLICADA
CALIDAD TOTAL
Filosofia basica de la calidad
1.1 Introduccion
Estamos prcticamente en la mitad del ltimo lustro del siglo XX y los
tiempos que corren son ciertamente cada vez ms difciles para toda
organizacin, a medida que nos aproximamos al tercer milenio, debido al
proceso de cambio acelerado y de competitividad global que vive el
mundo, donde la liberalizacin de las economas y la libre competencia
vienen a caracterizar el entorno de inexorable convivencia para el sector
empresarial.
En este contexto las empresas tienen que continuar asumiendo el
protagonismo que les corresponde para contribuir al crecimiento y
desarrollo del pas, logrando mayor eficiencia y brindando productos y
servicios de calidad. Hoy ms que nunca parece existir un amplsimo
consenso respecto de la urgente necesidad de que las empresas
funcionen bien competitivamente.
Hasta hace unos aos el sistema proteccionista en nuestro pas, como en
otros pases de Latinoamrica, haba impedido valorar las duras
condiciones de la competencia internacional y los mayores niveles de
exigencia de los clientes y consumidores, quienes exigen mayor calidad
en los productos, oportunidad en las entregas, precios razonables y
excelencia en la atencin. La cruda realidad iniciada en los anos ochenta y
los efectos de la globalizacin de los aos 90, esta despertando
bruscamente a todas las organizaciones y las obliga a buscar
afanosamente nuevas estrategias para adaptarse con xito a la creciente
competencia.
Es precisamente en este entorno en el que la Calidad Total se proyecta
vigorosa y revolucionariamente como un nuevo sistema de gestin
empresarial y factor de primer orden para la competitividad de las
empresas. El concepto de calidad, tradicionalmente relacionado con la
calidad del producto, se identifica ahora como aplicable a toda la actividad
empresarial y a todo tipo de organizacin.
Las empresas exitosas en el Per y el mundo son aquellas que vienen
aplicando de una u otra forma la estrategia de la Calidad Total; y muchas
otras con base a esta estrategia estan cambiando su forma de pensar y
por tanto de actuar; de hecho estan rediseando toda la organizacin
tanto en el aspecto fsico como espiritual prara enfocarla hacia los
clientes, y hacerla eficiente para cumplirles y satisfacerles.
Muchas de nuestras empresas, si bien reconocen la importancia de la
calidad, no se encuentran suficientemente preparadas para aceptar los
nuevos retos que trae consigo y para poner en prctica sus principios y
tcnicas. Tal vez uno de los principales inconvenientes sea el de carecer
de una metologa prctica que les sirva de soporte.
En la sesin correspondiente a esta primera jornada de trabajo
presentaremos un repaso de los conceptos generales y de los principios
en que se sustenta la filosofa de la Calidad Total.
MECNICA DE PRODUCCIN
30
28/147
ESTADSTICA APLICADA
Esperamos que el discurso inicial complementado con el instrumental
teorico-practico de las siguientes jornadas habra de orientar en la manera
de pensar del lector, y que en la medida que este discurso penetre en su
mente se hara posible la aplicacion a su realidad concreta, o coadyuvara a
encaminar procesos de calidad total ya iniciados.
1.2 Concepto y evolucion de la calidad
Concepto:
Una condicion indispensable para asegurar la implantacin de una
estrategia de Calidad Total consiste en definir y entender con claridad lo
que significa este concepto.
Es decir, los directivos de una organizacin que se proponen implantar la
Calidad Total como estrategia para competir tienen que saber
exactamente lo que quieren decir cuando hablan de calidad, o de mejorar
la calidad del producto o servicio, tienen que saber como dividir la calidad
global de proyectos de mejora manejables y como medir la calidad del
producto.
En la prctica, como lo refiere Ricchard J. Schonberger, uno de los
expertos en esta materia, "... la calidad es como el arte. Todos la alaban,
todos la reconocen cuando la ven, pero cada uno tiene su propia definicin
de lo que es".
Los diccionarios, nos brindan una primera base para la formacin de este
marco teorico. Una de las definiciones que encontramos en el Pequeo
Larouse Ilustrado nos dice que Calidad es la cualidad de una cosa. Otra
acepcin recogida del diccionario es que calidad significa una manera de
ser de una persona o cosa.
En estas definiciones implicitamente se esta concibiendo a la calidad
como un atributo, propiedad o caracter stica que distingue a las personas,
a bienes y a servicios, lo cual resulta ya una interesante aproximacin al
concepto de calidad aplicado a las organizaciones.
El organismo internacional de normalizacion, ISO, en su norma 8402, ha
definido a la calidad como la totalidad de caractersticas de una entidad
que le confiere la capacidad para satisfacer necesidades explicitas e
implicitas.
La norma precisa que entidad es una organizacin, llamese empresa o
institucin, producto o proceso. Complementando esta definicin,
diremos que las necesidades explicitas se definen mediante una relacin
contractual entre Clientes y Proveedores; mientras las necesidades
implcitas se definen segn las condiciones que imperan en el mercado.
Los elementos que conforman las necesidaes son basicamente: la
seguridad, la disponibilidad, la mantenibilidad, la confiabilidad, la facilidad
de uso, la economa (precio) y el ambiente. Estas necesidades, excepto el
precio, se definen traduciendo aspectos y caractersticas necesarios para
la fabricacin de un buen producto.
MECNICA DE PRODUCCIN
31
29/147
ESTADSTICA APLICADA
Evolucin de la Calidad
De manera general, puede decirse que el concepto de calidad y su
aplicacin, hasta llegar al estado actual, ha tenido la siguiente evolucin:
a) Control de calidad enfocada hacia los productos terminados.
b) Control Estadstico de procesos.
c) Control Total de Calidad o Calidad Total.
La primera etapa iniciada con la revolucin industrial consisti en la
inspeccin a los productos terminados, clasificndolos como aprobados o
rechazados. Estos ltimos deban ser sometidos a un reprocesamiento en
caso de ser posible o simplemente eliminados.
En esta concepcin tradicional, la calidad normalmente se asocia con una
cadena de produccin y a menudo se ve como competidora de otras
prioridades empresariales como la reduccin de costos y de la
productividad. Para aumentar la productividad se tena que sacrificar la
calidad.
Otro problema con este concepto tradicional de la calidad es el de
centrarse en la correccin de errores despus de hechos; esta filosofa de
comprobar y arreglar despus no slo permite la existencia de errores sino
que adems los incorpora al sistema. Nuestra experiencia como Clientes
es que demasiadas veces terminamos comprando los errores que resulta
de comprobar y arreglar luego. Muchas veces existen ms posibilidades
de comprar bienes y servicios defectuosos que perfectos. Pero si eso nos
pasa a nosotros como Clientes, la pregunta es Que dirn los nuestros?.
El ltimo problema de este enfoque, es que resulta muy caro arreglar las
cosas que han salido mal. Pues cuanto ms se intenta mejorar con la
calidad tradicional mas caro resulta. La calidad tradicional es algo
impreciso, todos pensamos en ella de formas distintas, ocupa un lugar
secundario ante otros objetivos como la productividad. No slo permite
errores sino, que los incorpora al sistema a travs de la filosofa de
comprobar y arreglar luego. Esta forma de hacer las cosas cuesta a las
empresa muchsimo dinero y les hace perder Clientes.
La segunda etapa, iniciada en la primera mitad de este siglo, consisti en
el desarrollo y aplicacin de tcnicas estadsticas para disminuir los
costos de inspeccin. Con este enfoque se logro extender el concepto de
calidad a todo el proceso de produccin, logrndose mejoras significativas
en terminos de calidad, reduccin de costos y de productividad. Las
ventajas que ofreca el Control Estadstico permiti ampliar su aplicacin a
otras areas de la organizacion; sin embargo se advirtio que si bien este
metodo mejoraba tremendamente los resultados de la empresa resultaba
insuficiente para enfrentar la creciente competitividad.
Es as como nace el Control Total de Calidad y la idea del Mejoramiento
Contnuo, como una manera de tener xito en el viaje hacia la excelencia,
es decir para lograr la Calidad Total.
MECNICA DE PRODUCCIN
32
30/147
ESTADSTICA APLICADA
Este concepto naci en la decada de los cincuenta en los Estados Unidos,
pero fue en Japn donde se desarrolla y aplica a plenitud, introduciendose
importantes y novedosos conceptos tales como :
La calidad significa satisfaccin de las necesidades y expectativas
del cliente.
La concepcin de clentes internos y clientes externos.
La responsabilidad de la direccin en la calidad.
La calidad no solo debe buscarse en el producto sino en todas las
funciones de la organizacin.
La participacin del personal en el mejoramiento permanente de la
calidad.
La aplicacin de principios y herramientas para el mejoramiento
contnuo de los productos y servicios.
1.3 Comprension del significado de la calidad total
El concepto de Calidad Total, originado a partir del concepto ampliado de
control de calidad (Control Total de Calidad), y que el Japn ha hecho de el
uno de los pilares de su renacimiento industrial, ha permitido uniformizar el
concepto de calidad definiendola en funcin del cliente y evitando asi
diversidad de puntos de vista como sucedia en la concepcin tradicional.
Es as pues como la Calidad se hace total.
La Calidad es total porque comprende todos y cada uno, de los aspectos
de la organizacin, porque involucra y compromete a todas y cada una de
las personas de la organizacin. La calidad tradicional trataba de arreglar
la calidad despus de cometer errores. Pero la Calidad Total se centra en
conseguir que las cosas se hagan bien a la primera . La calidad se
incorpora al sistema. No es ocurrencia tarda y los llamados niveles de
calidad aceptables se vuelven cada dia ms inaceptables.
Complementando lo ya mencionado, debemos decir que la Calidad Total
es reunir los requisitos convenidos con el cliente y superarlos, ahora y en
el futuro, debemos partir por ser exactos con los requisitos o
especificaciones. Con esta concepcin de Calidad Total se supera la
imprecisin del pasado, no solo tiende a ser exacta sino adems medible.
Otro cambio que se obtiene como resultado de esta concepcin es la
palabra Cliente.
Los clientes ya no son slo los Usuarios ltimos de los bienes y servicios
que vendemos, ahora el termino se amplia para incluir la idea de Cliente
Interno, las personas de la organizacin a quienes pasamos nuestro
trabajo. Con este concepto obviamente todo el mundo en la organizacin
se convierte en cliente de alguien; es mas adquiere un caracter dual de ser
Cliente y Proveedor a la vez.
Tal vez para entender mejor el concepto de Calidad Total conviene
comenzar diciendo que el objetivo de toda organizacin, grupo de trabajo,
area o puesto de trabajo o inclusive el individuo, es generar un producto o
servicio que va a recibir otra organizacin, otra area u otro individuo, a
quien denominamos, tambin llamado Usuario o Consumidor.
MECNICA DE PRODUCCIN
33
31/147
ESTADSTICA APLICADA
Algunos prefieren llamar Cliente cuando se trata de un producto tangible
como por ejemplo un automvil y Usuario cuando se trata de un servicio,
como por ejemplo la salud o el servicio de reparaciones. En nuestro caso
denominaremos Cliente, sea que se trate de producto o servicio.
Conviene precisar que el termino producto se refiere al resultado que se
obtiene de un proceso o de una actividad. Por consiguiente, en terminos
generales, este resultado puede ser un producto tangible (por ejemplo,
materiales ensamblados o procesados), o intangible (por ejemplo,
conocimientos o conceptos) o una combinacin de estos; producto es el
trabajo realizado por un puesto o estacin de trabajo. Tambin es producto
el resultado de una asesora, o un servicio educativo, etc., en general de
todas aquellas actividades donde el resultado obtenido no se percibe
como un producto tangible.
Sin embargo, para los fines de la Calidad Total se ha definido al termino
servicio como el resultado generado por actividades en la interfaz entre el
proveedor y el cliente y por actividades internas del proveedor, con el fin de
conocer las necesidades del cliente.
Veamos por ejemplo, en el caso de la Compna Toyota la satisfaccin del
cliente se clasifica en dos aspectos: producto y servicio. Cuando se
refieren al producto quieren significar: calidad, costo razonable y
oportunidad en la entrega. Por otro lado, el servicio para esta empresa
significa la comunicacin y el contacto permanente con el cliente, as como
la atencin, que puede desarrollarse incluso a tal vez de actividades
recreativas destinadas a los clientes; asi mismo forma parte del servicio el
mantener todas las mercancias en contacto con el cliente, el seguimiento
postventa para verificar el grado de satisfaccin con el producto, y todo el
conjunto de interrelaciones o actividades para captar la voz del cliente y
satisfacerlo mejor.
Otras companas incluyen como parte del servicio el denominado "servicio
pre-venta" destinado a hacer conocer las bondades del producto y la
imagen de la empresa a personas que no son clientes, que talvez podrian
serlo, pero no necesariamente.
Desde el punto de vista de la Calidad Total y aceptando las ideas
expuestas en el parrafo anterior los conceptos de producto y servicio no
estan separados, o bien el producto incluye al servicio, o ambos aspectos
(producto y servicio) deben planificarse separada y simultneamente para
lograr satisfacer mejor las necesidades y expectativas del cliente.
De una manera sencilla podemos decir que en la expresion Calidad Total,
el trmino Calidad significa que el Producto o Servicio debe estar al nivel
de satisfacci&onacute; del cliente; y el trmino Total que dicha calidad es
lograda con la participacin de todos los miembros de la organizacin. La
Calidad total comporta una serie de innovaciones en el area de gestin
empresarial que se ha difundido por todos los pases de Europa y Amrica,
aplicndose no slo a las actividades manufactureras sino en el sector de
servicios y en la Administracin pblica.
MECNICA DE PRODUCCIN
34
32/147
ESTADSTICA APLICADA
Hoy en da, en el Per, son muchas las organizaciones que vienen
aplicando con exito esta nueva estrategia.
La Calidad Total significa un cambio de paradigmas en la manera de
concebir y gestionar una organizacin. Uno de estos paradigmas
fundamentales y que constituye su razon de ser es el perfeccionamiento
constante o mejoramiento continuo. La Calidad Total comienza
comprendiendo las necesidades y expectativas del cliente para luego
satisfacerlas y superarlas.
1.4 Importancia estrategica de la calidad total
La Calidad total es una estrategia que busca garantizar, a largo plazo, la
supervivencia, el crecimiento y la rentabilidad de una organizacin
optimizando su competitividad, mediante: el aseguramiento permanente
de la satisfaccin de los clientes y la eliminacin de todo tipo de
desperdicios. Esto se logra con la participacin activa de todo el personal ,
bajo nuevos estilos de liderazgo; siendo la estrategia que bien aplicada,
responde a la necesidad de transformar los productos, servicios, procesos
estructuras y cultura de las empresas, para asegurar su futuro.
Para ser competitiva a largo plazo y lograr la sobrevivencia, una empresa
necesitar prepararse con un enfoque global, es decir, en los mercados
internacionales y no tan slo en mercados regionales o nacionales. Pues
ser excelente en el mbito local ya no es suficiente; para sobrevivir en el
mundo competitivo actual es necesario serlo en el escenario mundial.
Para adoptar con xito esta estrategia es necesario que la organizacin
ponga en prctica un proceso de mejoramiento permanente. Los aspectos
esenciales para la aplicacin de este proceso se expondrn en la segunda
sesin.
1.5 La calidad total como un nuevo sistema de gestion empresarial
La Calidad Total, constituye un nuevo sistema de gestin empresarial , en
la medidad que sus conceptos modifican radicalmente los elementos
caractersticos del sistema tradicionalmente utilizado en los pases de
occidente. Entre ellos se cuentan:
Los valores y las prioridades que orientan la gestin de la empresa.
Los planteamientos lgicos que prevalecen en la gestin de la
actividad empresarial.
Las caractersticas de los principales procesos de gestin y decisin.
Las tcnicas y metodologas aplicadas.
El clima entendido como el conjunto de las percepciones que las
personas tienen sobre relaciones, poltica de personal, ambiente, etc.
El nuevo enfoque de calidad requiere una renovacion total de la
mentalidad de las personas y por tanto una nueva cultura empresarial; ya
que entre otros aspectos se tiene que poner en prctica una gestin
participativa y una revalorizacion del personal no aplicada en los modos
de administracin tradicional.
MECNICA DE PRODUCCIN
35
33/147
ESTADSTICA APLICADA
1.6 Reflexiones para el lector
Con el objeto de ayudar al lector a identificar oportunidades de
mejoramiento, presentamos a continuacin un conjunto de reflexiones
que consideramos importantes, las mismas que hemos adaptado del libro
de Jaime Rojas referido a la aplicacin de la Calidad Total.
Est su organizacin preparada para satisfacer a los clientes frente a
los mejores competidores?
Los productos y servicios que ofrece responden a las verdaderas
necesidades y expectativas de los clientes?
Esta usted eliminando todo tipo de despilfarros para tener costos
competitivos y una adecuada rentabilidad?
El tiempo de sus ciclos de desarrollo de desarrollo de nuevos
productos o servicios y los de operacin, entrega y postventa es
adecuado?
Esta su personal altamente motivado y participa activamente en el
mejoramiento de los procesos ?
Ha logrado desarrollar proveedores confiables?
Qu tan lejos esta actualmente de la Calidad Total?
El proceso de mejoramiento hacia la calidad total
2.1 Principios basicos para el logro de la calidad total
1. La calidad es la clave para lograr competitividad.
Con una buena calidad es posible captar un mercado y mantenerse en
l.
2. La calidad la determina el cliente.
Es el cliente quien califica la calidad del producto o servicio que se
ofrece; de all que la calidad no debe ser tomada en su valor absoluto o
cientfico, sino que es un valor relativo, en funcin del cliente.
Es necesario identificar con precisin las cambiantes necesidades y
expectativas de los clientes y su grado de satisfaccin con los
productos y servicios de la empresa y los de la competencia.
Tenga presente que las expectativas de los clientes estn dadas en
trminos de calidad del producto o servicio, oportunidad de entrega,
calidad de la atencin, costos razonables y seguridad. No te preguntes
a ti mismo sobre la calidad del producto o servicio que ofreces,
pregntaselo a tu cliente, es el quien dice que hacer, como o para
cuando.
No se puede forzar al Cliente a comprar el producto que nosotros
queremos al precio que queremos. Una organizacin mejora hacia la
Calidad Total cuando los clientes externos e internos sienten que se
esta cumpliendo consistentemente con sus requerimientos de calidad,
oportunidad, costo y servicio.
MECNICA DE PRODUCCIN
36
34/147
ESTADSTICA APLICADA
3. El proceso de produccion esta en toda la organizacion.
Proceso de produccin no es toda la lnea de produccin propiamente
dicha, sino toda la empresa.
Los que hacen bien su trabajo lubrican el proceso, los que lo hacen mal
crean cuellos de botella en el proceso.
4. La calidad de los productos y servicios es resultado de la calidad
de los procesos
5. El proveedor es parte de nuestro proceso.
En el proveedor se inicia la calidad, el es parte de nuestro proceso,
debe ser considerado como parte de la organizacin.
La calidad se inicia en la demanda ( de nuestros clientes ) y culminar
con su satisfaccin, pero el proceso de elaboracin se inicia en el
proveedor; por lo que este debe ser considerado como parte de nuestro
proceso de produccin, extendindose a el las acciones de
entrenamiento en Calidad Total.
6. Son indispensables las cadenas proveedor-clientes internos.
Cada individuo de la organizacin toma conciencia de que tiene uno o
ms clientes internos y uno o ms proveedores internos. Crendose
cadenas de proveedor- cliente dentro de la organizacin. Proveedores
internos a los que hay que mantener informados de como queremos
que nos entreguen su trabajo y sobre lo que haya que corregir.
En esta cadena que se genera por esta conciencia de proveedores
internos y de clientes internos, es tan responsable el proveedor que no
le pregunta a su cliente sobre la calidad del trabajo que entrega, como el
cliente que no le informa a su proveedor sobre algo que se le esta
entregando mal hecho.
7. La calidad es lograda por las personas y para las personas.
Esto exige, entre otras cosas, un constante programa de capacitacin y
entrenamiento.
8. Establecer la mentalidad de cero defectos.
Esto tiene el propsito de erradicar el desperdicio, en todas las formas
como se presente, eliminando las actividades que no agregan valor.
"Cero defectos" consiste en tener una actitud sistemtica hacia el noerror. Debemos el uso comn de la frase errar es humano. no se trata
de perseguir a los subalternos porque cometen errores, ya que eso
matara su iniciativa.
De lo que se trata es de despertar la conciencia de no equivocarse. Bajo
el concepto de CERO DEFECTOS desaparecern los lmites de
tolerancia, pues estos consagran el error.
MECNICA DE PRODUCCIN
37
35/147
ESTADSTICA APLICADA
La Calidad Total promueve la eliminacin de todo tipo de despilfarros
presentes en:
- Inventarios.
- Equipos no disponibles por daos o mantenimiento.
- Personal dedicado a tareas repetitivas o inoficiosas.
- Papeles y exceso de tramites.
- Exceso de informes y reuniones.
- Inventarios de trabajo en procesos entre oficinas.
- Controles internos innecesarios.
9. La ventaja competitiva esta en la reduccion de errores y en el
mejoramiento continuo.
La verdadera ventaja competitiva esta en la reduccin de errores o en
mejorar los procesos; all radica la reduccin de costos. Con el
resultado de "Menores Costos" se puede:
- Bajar precios a los clientes.
- Mejorar utilidades de la empresa.
- Mejorar el acabado del producto.
- O todas las anteriores a la vez.
10.Es imprescindible la participacion de todos (conciencia
colectiva).
Reducir errores solo ser posible con la participacin de todos y cada
uno de los miembros de la organizacin.
11. Calidad
Es ante todo una responsabilidad gerencial. los mandos directivos
deben ser lderes. capaces de involucrar y comprometer al personal en
las acciones de mejora.
12.Requiere una nueva cultura.
En el concepto de Calidad Total "todos piensan y todos hacen"
2.2Modalidades de mejoramiento
Dentro del Mejoramiento de una empresa se distinguen dos grandes
modalidades: el mejoramiento Continuo y la innovacin o Mejora
Radical.
a) Mejoramiento continuo
Son aportaciones incrementales que se logran con la participacin
de todo el personal, motivado por un reto de superacin permanente,
conocido con el nombre japons de Kaizen.
b) Innovacion o mejora radical
Se refiere a aportaciones radicales o cambios grandes realizados
espordicamente por especialistas en los respectivos temas. Un
ejemplo, de esta modalidad es llamada "Reingeniera de Procesos"
MECNICA DE PRODUCCIN
38
36/147
ESTADSTICA APLICADA
La mejora radical, compete a la Alta Direccin y se consigue con cambios
importantes e innovaciones tecnolgicas que conllevan grandes
inversiones, mientras que la mejora incremental, Kaizen, es un proceso de
renovacin continua realizado a travs de pequeos pasos que sirven
para perfeccionar los estndares existentes, estando a cargo de todos los
niveles de la empresa.
El Mejoramiento ideal es aquel que combina eficazmente la mejora
continua y la innovacin, es la mejor forma de asegurar el xito futuro de
una empresa. No obstante, debemos sealar que la aplicacin de la
Calidad Total significa un cambio radical en la mentalidad de las personas,
y la concepcin holstica de la organizacin y de los procesos de mejora
que caracteriza a este enfoque, tiene un papel fundamental con fines
innovadores; pues, no slo favorece la capacidad innovadora, sino que se
descubre donde es necesario innovar, porque la labor de optimizacin ha
llegado a su lmite.
De esta manera, la calidad Total es determinante para la innovacin que
tambin se hace global, arraigndose a la empresa con el ingrediente
adicional de la participacin.
2.3 El ciclo de control para el mejoramiento
El mejoramiento y aseguramiento de la calidad se basa en el Ciclo de
Control, que se compone de las siguientes cuatro fases:
PLANEAR: Actividad que determina que es lo que se debera hacer,
cual es la meta y como se puede alcanzar.
HACER: Significa transformar los procesos actuales con el fin de
mejorar su desempeo, de acuerdo a lo planeado.
VERIFICAR: Determina el grado de cumpliendo de las actividades
planeadas y metas de desempeo.
HACER: Significa realizar los ajustes a los nuevos procedimientos y
estandarizarlos, con el fin de garantizar que siempre se apliquen.
La ejecucin continuada del Ciclo de Control garantiza el mejoramiento
permanente del desempeo de los procesos de la organizacin.
2.4 Actividades para iniciar un proceso hacia la calidad total
Para la implantacin de la Calidad Total no existe un modelo que
pueda copiarse. En principio cada organizacin tiene que disear una
metodologa de acuerdo a su propia realidad.
Como parte de todo proceso de mejoramiento hacia la Calidad Total
se incluyen acciones como: el desarrollo de las actividades de
liderazgo y el compromiso de los mas altos directivos de la
organizacin, el desarrollo del personal, el enfoque a los clientes, el
desarrollo de los proveedores, la planificacin de la calidad,
mejoramiento del trabajo diario, aseguramiento de la calidad,
programa de reduccin de costos, etc.
MECNICA DE PRODUCCIN
39
37/147
ESTADSTICA APLICADA
Tomando como base las recomendaciones de los expertos en esta
materia, nuestra experiencia y la propia evidencia emprica, nos
permitimos sealar que en trminos generales para poner en prctica este
proceso es conveniente dividirlo en las fases siguientes:
FASE I: Toma de decisin
Consiste en analizar seriamente si existe la voluntad de hacer todo lo que
sea necesario para emprender y mantener adecuadamente dicho
proceso; ya que una vez iniciado no debe ser discontinuado ya que genera
desconfianza y frustracin.
Es necesario ser conscientes de los esfuerzos que llevar vencer la
resistencia al cambio. Por otro lado, los directivos tienen que dedicar
tiempo y recursos, orientar la gestin administrativa, aceptar todos los
conceptos y principios tales como: el trabajo en equipo, nuevos estilos de
liderazgo, tener un definicin clara de calidad, etc.
Esa necesario estar consciente de lo que significa emprender un proceso
hacia la Calidad Total y de los beneficios que de ello se derivan.
Tomada la decisin debe elaborarse un Plan para poner en marcha este
proceso. Este Plan debe estar integrado o formar parte del Plan
Estratgico de la organizacin. As mismo, tomada la decisin debe
definirse paralelamente al plan de desarrollo de la Calidad una
organizacin bsica que se encargar de desarrollar las acciones de
calidad. Como parte de esta organizacin se incluir un Comit de Calidad
o mas bien un Consejo de Calidad presidido por el mas alto directivo de la
organizacin. luego los Comites de Calidad por Areas y Equipos de
Mejoramiento dependiendo del tamao de la organizacin. Tambin debe
tenerse en cuenta la necesidad de contratar los servicios de un Asesor
Externo. El plan de calidad deber definir un rea piloto para iniciar los
procesos de mejora y prever igualmente acciones de reconocimiento al
personal.
FASE II: Preparacin del escenario y promocin
Para iniciar esta etapa se asume que ya se cuenta con un Plan en el que se
ha desagregado todas las acciones a desarrollar. Algunas de las acciones
que se recomienda realizar en esta etapa son: desarrollar un intenso
programa de difusin de los conceptos y filosofa de la calidad para
internalizarla en la gente como medio de lograr su involucramiento y
compromiso. Se deber elaborar la visin. misin , polticas y objetivos de
la organizacin, los cuales se difundirn entre todo el personal durante las
acciones de difusin y promocin de la calidad.
Es conveniente en esta fase efectuar un Diagnstico de calidad la
organizacin , considerando aspectos como costos de la mala calidad, el
clima organizacional, nivel de satisfaccin de los clientes, identificacin de
procesos crticos, claridad y precisin en cuanto a las fortalezas y
debilidades.
En este fase es necesario poner en marcha un vigoroso Programa de
Capacitacin y desarrollo de personal. Se ensayar el desarrollo de
proyectos a nivel piloto.
MECNICA DE PRODUCCIN
40
38/147
ESTADSTICA APLICADA
FASE III: Implantacion de procesos de mejora
En esta fase se pondr en marcha los procesos de mejoramiento con la
participacin de los equipos de mejoramiento, quienes para este
momento han sido suficientemente entrenados en tcnicas de
mejoramiento y de solucin de problemas.
Si el proceso de mejora va mostrando sus frutos, es necesario motivar al
personal con acciones de reconocimiento. En el aspecto de capacitacin
debe incluirse lo referente a la aplicacin de las normas ISO de la serie
9000.
FASE IV: Consolidacion y optimizacion interfuncional
En esta fase se continuar desarrollando los procesos de mejora y
continuar con la capacitacin en tcnicas de calidad mas avanzadas. se
desarrollar los sistemas y procedimientos con base a las normas ISO
9000. Se continuar con los procesos de mejora manteniendo y
perfeccionando la gestin estratgica.
Lo antes expuesto no tiene un carcter definitivo o absoluto, depender
del dinamismo y progreso que haya alcanzado cada organizacin. Sin
entrar en controversia con lo expuesto, una metodologa operativa que
viene siguiendo una organizacin en nuestro pas donde hemos tenido la
oportunidad de participar y brindarle asesoramiento consiste en las
siguientes acciones:
1. Toma de la decisin: Anlisis situacional; anlisis de los enfoques de
calidad en el mundo; anlisis de las experiencias y logros obtenidos
por otras organizaciones.
2. Diseo, estructuracin y aprobacin del plan de gestin de la calidad
total.
3. Implantacin, al nivel de un rea piloto.
4. Expansin a toda la organizacin.
5. Evaluacin y seguimiento.
6. Acciones correctivas, medidas de aseguramiento y continuacin de la
gestin estratgica.
7. Desarrollo de acciones de aseguramiento y auditora con fines de
acreditacin.
MECNICA DE PRODUCCIN
41
39/147
ESTADSTICA APLICADA
CONTROL DE CALIDAD
El concepto de Control de Calidad comprende dos funciones
interrelacionadas:
a) Funcin control
b) Funcin calidad
Para nuestro propsito, la funcin control comprende al menos los
siguientes elementos y actividades:
- Establecer la norma
- Medir el fenmeno
- Comparar la medida con la norma
- Analizar la importancia y caractersticas de las diferencias.
- Establecer las bases para una accin correctiva.
Por su parte la funcin calidad tiene al menos los siguientes elementos o
etapas:
- Calidad de diseo
- Calidad de produccin
- Calidad de conformidad
- Calidad certificada
- Calidad de servicio
La interrelacin de estas dos funciones constituye en su forma ms amplia
el concepto moderno de control de calidad segn se observa en la Fig. 1.
MEDIDA
DISEO
NORMA
CORRECCIN
PRODUCCIN
CONTROL
CALIDAD
ANLISIS
CONFORMIDAD
CERTIFICACIN
SERVICIO
COMPARACIN
CONTROL DE CALIDAD
Fig. 1
MECNICA DE PRODUCCIN
42
40/147
ESTADSTICA APLICADA
1. Funciones y principios de control de calidad
FUNCIONES: Se distinguen tres funciones:
* Legislativa
* Ejecutiva
* Judicial
ETIRA
MECNICA DE PRODUCCIN
43
41/147
ESTADSTICA APLICADA
TIRA
MECNICA DE PRODUCCIN
44
42/147
ESTADSTICA APLICADA
Control de calidad
Por qu elaborar productos de calidad? (Fig. 2)
LA CALIDAD
PORQU?
RAZONES
FINANCIERAS
EXIGENCIAS
INTERNAS
RAZONES
COMERCIALES
EXIGENCIAS
INTERNAS
RAZONES
TCNICAS
Fig. 2
A la empresa
Al cliente
DEFECTOS DE CALIDAD =
DESPILFARRO
Tiempos de trabajo e
indisponibilidad
Materias primas y productos
fabricados Energa
EMPRESA
MECNICA DE PRODUCCIN
45
43/147
ESTADSTICA APLICADA
- Razones Comerciales; necesidad de ser competitivo
Cliente (Competitividad = Calidad /Precio)
A precio de venta igual
Mejor utilizacin
CLIENTES MAS
SATISFECHOS
TIRA
Mejor disponibilidad
Mejor adaptacin a sus
necesidades
Aumentar la calidad
b) Sociedad de consumidores
Quienes informan mediante cuadros comparativos, las caractersticas,
rendimientos y precio de los productos. Recepcin de reclamos y
defensa del consumidor.
c) Poderes pblicos
Quienes publican las reglamentaciones referidas a la seguridad del
uso.
d) Institutos de normalizacin
nicos responsables de la conformidad de la calidad del producto.
e) Asociaciones de ecologistas
Encargados de evitar la contaminacin ambiental.
- Exigencias Internas
Mejoramiento del clima laboral de la empresa.
46
44/147
ESTADSTICA APLICADA
A IGUAL CALIDAD
NECESIDAD
DE
DISMINUIR EL PRECIO
DE VENTA
Simplificar el diseo de los
productos
Fidelizar a la clientela
MANTENER O MEJORAR LA
IMAGEN DE MARCA PARA
econmica y mejor
adaptados al uso
Fiabilidad
LAS PROPIEDADES
LIGADAS A LA
UTILIZACIN
EL DOMINIO DE
TCNICAS
REFERENTES A
MECNICA DE PRODUCCIN
Mantenimiento
Duracin de vida
Procesos de fabricacin y
mtodos de control
47
45/147
ESTADSTICA APLICADA
NORMALIZACIN Y ESPECIFICACIONES DE CALIDAD
Introduccin a la normalizacin
En la sociedad actual crece velozmente las relaciones comerciales,
donde comparadores y vendedores requieren de mejores procesos que
permitan realizar esas transacciones con un alto de grado de confiabilidad
con respecto a la calidad de los productos que se comercializan. La
calidad no es una magnitud absoluta, esta influenciada por condiciones
subjetivas variables, que necesita tener un sistema que sirva de conexin
entre los compradores y los vendedores, para generar unas bases
tcnicas para el buen entendimiento comercial, como son la metrologa, la
normalizacin y el control de la calidad.
Es importante puntualizar las funciones que va a cumplir el bien o servicio
que se va a adquirir y as conocer la potencialidad que tiene el fabricante
para responder a las expectativas de los clientes. Esto genera la aparicin
de distintos niveles de calidad y de precios. El xito de todos estos
aspectos para asegurar las calidades esperadas radica en el hecho de un
conjunto de reglas tcnicas, reconocidas y acatadas que conforman un
sistema de normas. Este sistema de entendimiento y control se le
denomina normalizacin.
El sistema que conforma la normalizacin est integrado por una
conceptuacin, una diferenciacin y un ordenamiento de una serie de
principios y procedimientos para establecer unidades y definiciones,
mtodos de toma y conservacin de muestras, mtodos de ensayo,
adems de especificaciones cualitativas y cdigos de prctica.
Para el Ingeniero Rafael Salas Jimnez, del departamento tcnico de A
VPC, "El problema estriba en que para lograr un arraigo y una extensin
suficientes de la normalizacin, se hace necesario que la sociedad tenga
conciencia real de esta necesidad". Esto plantea que la primera tarea es
crear conciencia de la falta de un proceso de normalizacin y de control de
calidad, donde es necesario demostrar que son necesarios estos
cambios, para que no sea pasajera la modificacin de conducta.
La normalizacin dirigida a los fabricantes es denominada normalizacin
industrial, donde es un importante caso particular, restringido y restrictivo
que se ocupa de llevar a la organizacin los fundamentos para un
desarrollo armnico y eficiente de la industria. El grado de evolucin de la
normalizacin en un rubro especfico determina su grado de importancia y
desarrollo industrial.
En el vasto conjunto del mercado de compradores, el comprador industrial
lleva ventajas sobre el comprador comn, ya que los suplidores estn
sujetos a la normalizacin industrial que ejerce la organizacin en sus
compras, basada en convenios de garantas, especificaciones y acuerdos
que no estn presentes en el comprador comn. El comprador comn
puede no saber con exactitud que productos responden mejor a sus
necesidades particulares. Por esto la normalizacin tiene la importante
labor de desarrollar los rubros de produccin que salen al mercado, y
ayudar a definir un tipo de calidad para aquellos compradores que
carecen de los conocimientos tcnicos necesarios.
MECNICA DE PRODUCCIN
48
46/147
ESTADSTICA APLICADA
RETIRA
1. Normalizacin
Conceptos generales
1793 A.W.WHITUEY,
MECNICA DE PRODUCCIN
49
47/147
ESTADSTICA APLICADA
1841 WHITWORTH
TIRA
ISA
ISO
En nuestro pas:
1959
1901
1947
1926-1939
MECNICA DE PRODUCCIN
50
48/147
ESTADSTICA APLICADA
Es una disciplina que trata el establecimiento, aplicacin y adecuacin de
un conjunto de reglas destinadas a conseguir y mantener un
ordenamiento dentro de un campo determinado, con el fin de procurar a
una Institucin, Empresa, al pas o a la Comunidad Internacional, ciertos
beneficios econmicos o sociales.
Debe tener una caracterstica definitoria: es dinmica; es decir en
constante proceso de actualizacin.
Norma Tcnica
"Resultado de un particular o especfico trabajo de normalizacin"
Es un patrn o modelo, un conjunto de datos de referencia, es concreta y
precisa, se materializa en un documento escrito donde fundamentalmente
se especfica:
- El nombre del objeto, bien o servicio, claramente diferenciado e
individualizado de cualquier otro.
- Requisitos y/o valores numricos, que debe tener para adecuarse a
sus funciones de uso.
- Mtodos de ensayo para probar o comprobar estos requisitos. Estos
ensayos pueden solicitar normas aparte.
- Identificacin, rotulado, envase y/o embalaje, de ser el caso.
Una Norma Tcnica puede manifestarse o concretarse tambin como un
aparato o equipo, un instrumento, o un objeto como por ejemplo un
viscosmetro, un termmetro o una regla - metro, respectivamente.
Tipos de normas tcnicas
Por el carcter de su aplicacin:
Normas obligatorias
Normas optativas o voluntarias
Por su contenido:
Normas de terminologa y definiciones
Normas de clasificacin
Normas de elaboracin
Normas de requisitos
Normas de mtodos de ensayo
Normas de muestreo y recepcin
Normas de rotulado
Normas de envase y embalaje
Normas de uso.
MECNICA DE PRODUCCIN
51
49/147
ESTADSTICA APLICADA
Cuando una especificacin da resultado satisfactorio, la emplearemos
1. Todas las veces que necesitamos el mismo resultado. Este uso
reiterativo de una especificacin es una NORMA.
2. Condiciones que debe reunir una Norma:
a) Que responda a una necesidad real.
b) Que se elabore con una participacin y consenso de los grupos
interesados.
c) Que sea de rpida y fcil aplicacin.
d) Que propicie o provoque economa, reduccin de costo y/o mejora
del producto o servicio.
e) Que sea revisable y perfectible cuando las condiciones que la
motivacin cambie o cuando las circunstancias lo aconsejen.
f) Que sea:
Clara; ideas concretas y bien expresada.
Objetiva: que defina caractersticas comprobables.
Precisa: que evite las ambigedades.
Eficaz, que resuelva el problema que el motivo, en forma prctica y
completa.
NIVELES DE APLICACIN
Normas de Empresa.- Las que regulan y controlan la produccin,
especificado detalladamente la manera como se elaboran los productos y
se orientan, al interior de la empresa en sus relaciones convencionales
saber que materias primas usar, que equipos usar o adquirir, que mano de
obra emplear, etc.
Normas de Asociacin.- Las que desarrollan un grupo de personas o
empresas que desempean actividades en un campo de inters comn,
ejemplo: ASTM.
Normas Nacional.- Son aquellas establecidas por el Organismo Nacional
de Normalizacin competente, existente en cada pas, en nuestro caso
INDECOPI.
Normas Internacional.- Son las establecidas por organizaciones
regionales y/o internacionales de normalizacin. Por ejemplo: ISO,
COPANT, CEL.
MECNICA DE PRODUCCIN
52
50/147
ESTADSTICA APLICADA
NORMAS ISO 9000
La serie ISO 9000 es un conjunto de normas orientadas a ordenar la
gestin de la empresa que han ganado reconocimiento y aceptacin
internacional debido al mayor poder que tienen los consumidores y a la
alta competencia internacional acentuada por los procesos
integracionistas.
Algunas de estas normas especifican requisitos para sistemas de calidad
(ISO 9001, 9002, 9003) y otras dan una gua para ayudar en la
interpretacin e implementacin del sistema de calidad (ISO 9000-2, ISO
9004-1)
Objetivos de las ISO 9000
Proporcionar elementos para que una organizacin pueda lograr la
calidad del producto o servicio, a la vez que mantenerla en el tiempo,
de manera que las necesidades del cliente sean satisfechas
permanentemente, permitindole a la empresa reducir costos de
calidad, aumentar la productividad, y destacarse o sobresalir frente a
la competencia.
Proporcionar a los clientes o usuarios la seguridad de que el
producto o los servicios tienen la calidad deseada concertada,
pactada o contratada.
Proporcionar a la direccin de la empresa la seguridad de que se
obtiene la calidad deseada.
Establecer las directrices, mediante las cuales la organizacin,
puede seleccionar y utilizar las normas.
Normas ISO 9000
La organizacin internacional de normalizacin ISO, a travs de su sector
TC - 176 ha preparado un conjunto de normas sobre Gestin y
Aseguramiento de la Calidad, agrupndolas por cdigos de 9000 a 9004,
as:
ISO - 9000: Normas para la Gestin de la Calidad y el Aseguramiento de
la Calidad, Lineamientos para seleccin y uso.
ISO - 9001: Sistema de Calidad, modelo de aseguramiento de la calidad
en diseo desarrollo, produccin, instalacin y servicio postventa.
ISO - 9002: Sistema de calidad, modelo de aseguramiento de la calidad
en produccin e instalacin.
ISO - 9003: Sistema de calidad, modelo de aseguramiento de la calidad
en inspeccin y ensayos finales.
ISO - 9004: Gestin de la calidad y elementos del sistema de la calidad.
Directivas.
MECNICA DE PRODUCCIN
53
51/147
ESTADSTICA APLICADA
NORMA ISO 14000
ISO 14000 es una norma medioambiental voluntaria internacional
reconocida por comandante las naciones comerciales y comercio que
regulan organizaciones como GATT y la Organizacin de Comercio
Mundial. No es una ley en el sentido que nadie se exige ser registrado (de
es voluntario); sin embargo, ninguno hace a cualquiera tiene que hacer
negocio usted, compre sus productos y servicios, o permiti sus productos
y servicios en su pas si ellos han declarado ISO 14000 registro un
requisito por hacer negocio con ellos o en su pas. Se espera que los
compaeros comerciales tantos extranjeros requerirn registro por
fabricantes de importacin. Esta es una barrera de comercio legal
reconocida bajo el tratado internacional. Los elementos del Gobierno
americano han indicado intencin para instituir cualquier preferencia para,
o requisito que, los proveedores s registrados. Es probable que el
registro influir en la posicin de la entrada en vigor de reguladores medio
ambientales, y influir en las proporciones de seguros Y prcticas del
prestamista probablemente.
ISO 14000 realmente es una serie de normas que cubren todo de los
sistemas de direccin medioambientales (El SME) a las calificaciones del
interventor a como todava normas no escrito para las tales cosas como
valoracin de ciclo de vida.
La norma ISO 14000, no es una sola norma, sino que forma parte de una
familia de normas que se refieren a la gestin ambiental aplicada a la
empresa, cuyo objetivo consiste en la estandarizacin de formas de
producir y prestar de servicios que protejan al medio ambiente,
aumentando la calidad del producto y como consecuencia la
competitividad del mismo ante la demanda de productos cuyos
componentes y procesos de elaboracin sean realizados en un contexto
donde se respete al ambiente.
Normas ISO 14000
Sistemas de Gestin Ambiental (14001 Especificaciones y directivas
para su uso - 14004 Directivas generales sobre principios, sistemas y
tcnica de apoyo.)
Auditorias Ambientales (14010 Principios generales. 14011
Procedimientos de auditorias, Auditorias de Sistemas de Gestin
Ambiental-14012 Criterios para certificacin de auditores)
Evaluacin del desempeo ambiental (14031 Lineamientos - 14032
Ejemplos de Evaluacin de Desempeo Ambiental)
Anlisis del ciclo de vida (14040 Principios y marco general- 14041
Definicin del objetivo y mbito y anlisis del inventario. 14042 Evaluacin
del impacto del Ciclo de vida - 14043 Interpretacin del ciclo de vida-14047
Ejemplos de la aplicacin de ISO 14042- 14048 Formato de
documentacin de datos del anlisis)
Etiquetas ambientales (14020 Principios generales - 14021Tipo II 14024 Tipo I - 14025 Tipo III)
Trminos y definiciones (14050 Vocabulario)
MECNICA DE PRODUCCIN
54
52/147
ESTADSTICA APLICADA
DISTRIBUCIN DE FRECUENCIAS ABSOLUTAS, MEDIA, MODA,
MEDIANA
Tabla de distribucin de frecuencias
Si los datos que se dispone son numerosos, es indispensable clasificarlos
en un cuadro o tabla resumen de las observaciones originales, a las que
en adelante llamaremos Tabla de distribucin de frecuencias o
simplemente Tabla de frecuencias.
1. Datos de Variables Discretas
Sean x1, x2,..., Xn un conjunto de n observaciones discretas y sean y1,
y2,...ym el conjunto de valores diferentes que toman los datos originales (m
n)
Defincin1: Se llama frecuencia absoluta del valor yi, al nmero de veces
que aparece este valor en el conjunto de observaciones y se representa
por ni, i = 1,2,...,m.
Tabla 1. Distribucin de Frecuencias Absolutas
Valores diferentes
observados
yi
Frecuencias
absolutas
ni
y1
n1
y2
.
.
.
ym
n2
.
.
.
nm
Totales
MECNICA DE PRODUCCIN
55
53/147
ESTADSTICA APLICADA
Los cuales se ubican (en ese orden) en la primera columna de la tabla 2.
3. Contemos ahora el nmero de familias con 0,1,2,3 y 4 hijos
respectivamente. Esto se puede hacer agregando una columna en la
tabla 2, llamada conteo, usando el mtodo de los palotes, que
consiste en poner una raya vertical o tarja (/) cada vez que aparece el
valor en cuestin, destacando cada cinco unidades con el fin de facilitar
el cmputo final (////). Finalmente se cuenta el nmero de tarjas,
obteniendo las frecuencias absolutas (ni). En nuestro caso.
n1 = 1, n2 = 6, n3 = 5, n4 = 3, n5 = 1
De esta manera se ha construido la tabla de distribucin de frecuencias
absolutas del nmero de hijos por familia.
Tabla 2. Distribucin de Frecuencias del nmero de hijos por familia
Nmero de hijos
Conteo
Frecuencias absolutas
yi
ni
0
1
2
3
4
/
//// /
////
///
/
1
6
5
3
1
16
Totales
MECNICA DE PRODUCCIN
56
Ni = jS
nj
=1
54/147
ESTADSTICA APLICADA
As, para el ejemplo 1, tenemos:
1
Ni = jS
nj = n1 = 1
=1
2
N2 = S
nj = n1 + n2 = 1 + 6 = 7
j=1
3
N3 = S
nj = n1 + n2 + n3 = 1 + 6 + 5 = 12
j=1
4
N4 = S
nj = n1 + n2 + n3 + n4 = 1 + 6 + 5 + 3 = 15
j=1
5
N5 = S
nj = n1 + n2 + n3 + n4 + n5 = 1 + 6 + 5 + 3 + 1 = 16
j=1
Interpretacin: N2 = 7, significa, que en la encuesta hay 7 familias con 1
menos hijos (o equivalente; en la encuesta se ha encontrado 7 familias
con a lo ms 1 hijo).
N3 = 12, significa, que en la encuesta se ha obtenido 12 familias con a los
ms 2 hijos.
Definicin 3: se llama frecuencia absoluta acumulada mayor que
correspondiente al valor yi, al nmero de observaciones mayores o iguales
a yi (xi yi)
Si se denota esta frecuencia por N*i , entonces:
N*i = ni + ni + 1 + ... + nm
En notacin de sumatoria, se escribe:
N*i = jS
nj
=1
N*1 = j S
nj = n1 + n2 + n3 + ... + n5 = 1 + 6 + 5 + 3 + 1 = 16
=1
5
N*2 = S
nj = n2 + n3 + ... + n5 = 6 + 5 + 3 + 1 = 15
j=1
5
N*3 = S
nj = n3 + n4 + n5 = 5 + 3 + 1 = 9
j=1
5
N*4 = S
nj = n4 + n5 = 3 + 1 = 4
j=1
5
N*5 = S
nj = n5 = 1
j=1
N*1 = 16, significa, las familias encuestadas tienen entre 0 y 4 hijos
inclusive;
N*2 = 15, significa, que en la encuesta, 15 familias tienen por lo menos 1
hijo.
N*3 = 9, significa, que en la encuesta, 9 familias tienen por lo menos 2
hijos
MECNICA DE PRODUCCIN
57
55/147
ESTADSTICA APLICADA
N*4 = 4, significa, que en la encuesta, 4 familias tienen por lo menos 3
hijos
N*5 = 1, significa, que de las encuestadas, slo una familia tiene 4 hijos .
Definicin 4: Se llama frecuencia relativa del valor yi, al cociente de la
frecuencia absoluta de yi y el nmero total de observaciones.
Esta frecuencia se denota por hi. entonces
Frecuencia absoluta de yi
ni
hi = nmero total de observaciones = n
Para el ejemplo 2 las frecuencias relativas son:
n1
1
=
= 0.0625
n 16
n2
6
h2 = =
= 0.3750
n 16
n3
5
h3 = =
= 0.3125
n 16
h1 =
n4
3
=
= 0.1875
n 16
n5
1
h5 = =
= 0.0625
n 16
h4 =
Interpretacin:
h1 = 0.0625, se interpreta como la proporcin de familias que no tienen hijo
en la muestra.
h2 = 0.3750, se interpreta como la proporcin de familias que tienen un hijo
en la muestra.
As sucesivamente.
h5 = 0.0625, es la proporcin de familias que tienen 4 hijos en la muestra.
La importancia que tiene la frecuencia, es que mide el peso que tiene
cada frecuencia absoluta respecto al nmero total de observaciones.
Definicin 5: se llama frecuencia relativa porcentual, a la frecuencia
relativa hi multiplicada por 100% (100hi%), y representa el porcentaje de
observaciones que corresponde al valor yi.
La frecuencia porcentual estar comprendida lgicamente entre 0 y 100 y
se denota por:
p1 = 100hi As, para el ejemplo 2 tenemos que:
p1 = 100hi % = 6.25%, porcentaje de familias que no tienen hijos en la
muestra de tamao.
p2 = 100h2% = 37.5%, porcentaje de familias con 1 hijos en la muestra.
As sucesivamente:
p5 = 100h5% = 6.25%, porcentaje de familias con 4 hijos en la muestra
en estudio.
MECNICA DE PRODUCCIN
58
56/147
ESTADSTICA APLICADA
Definicin 6: se llama frecuencia relativa acumulada Menor que del
valor yi a la frecuencia relativa total de las observaciones menores o
iguales a yi
Si denotamos esta frecuencia por Hi, entonces
Hi = h1 + h2 + ... + hi =
n1 + n2 + ... + ni
n
Hi =
hj
j=i
H1 = j S
hj = h1 = 0.0625
=1
2
H2 = S
hj = h1 + h2 = 0.0625 + 0.3750 = 0.4375
j=1
3
H3 = S
hj = h1 + h2 + h3 = 0.0625 + 0.3750 + 0.3125 = 0.7500
j=1
4
H4 = S
hj = h1 + h2 + h3 + h4 = 0.0625 + 0.3750 + 0.3125 + 0.1875 = 0.9375
j=1
5
H5 = S
hj = h1 + h2 + h3 + h4 + h5 = 0.0625 + 0.3750 + 0.3125 + 0.1875
j=1
+ 0.0625 = 1.0
Interpretacin:
H2 = 0.4375, es la proporcin de las familias bajo estudio con a lo ms 1
hijo.
H3 = 0.75, la proporcin de familias bajo estudio con a lo ms dos hijos.
As, sucesivamente.
Definicin 7: se llama frecuencia relativa acumulada Mayor que del
valor yi a la frecuencia relativa total de las observaciones mayores o
iguales a yi
Si denotamos por Hi, esta frecuencia, entonces
Hi* =
hj = hi + hi + 1 + ... + hm
j=i
H*1 = j S
hj = h1 + h2 + h3 + h4 + h5 = 1.0
=1
5
H*2 = jS
hj = h2 + h3 + h4 + h5 = 0.3750 + 0.3125 + 0.1875 + 0.0625 = 0.9375
=2
5
H*3 = jS
hj = h3 + h4 + h5 = 0.3125 + 0.1875 + 0.0625 = 0.5625
=3
MECNICA DE PRODUCCIN
59
57/147
ESTADSTICA APLICADA
5
H*4 = jS
hj = h4 + h5 = 0.1875 + 0.0625 = 0.25
=4
5
Interpretacin:
RETIRA
H*5 = jS
hj = h5 = 0.0625
=5
yi
ni
Ni
hi
Hi
Ni*
Hi*
100 hi %
y1
y2
n1
n2
N1
N2
h1
h2
H1
H2
N1*
N2*
H1*
H2*
100 h1
100 h2
100 H1
100 H2
100 H*1
100 H*2
ym
nm
Nm = n
hm
Hm
Nm*
Hm*
100 hm
100 Hm
100 Hm*
Totales
n = n
h = n
i=1
i=1
m
1
100 %
MECNICA DE PRODUCCIN
60
58/147
ESTADSTICA APLICADA
Tabla 4. Diferentes tipos de tablas de Distribucin de Frecuencias del nmero de hijos
Ni*
yi
ni
Ni
hi
Hi
0
1
2
3
4
1
6
5
3
1
1
7
12
15
16
0.0625
0.3750
0.3125
0.1875
0.0625
0.0625
0.4375
0.7500
0.9375
1.00
Totales 16
16
15
9
4
1
H*i
1.00
0.9375
0.5625
0.2500
0.0625
6.25
37.50
31.25
18.75
6.25
1.0
6.25
43.75
75.00
93.75
100.00
100.00
93.75
56.25
25.00
6.25
100%
ni = n + n + ... + nm = n
i=i
1
Nm =
ni = n
i=i
ni = n
i=i
Hm =
MECNICA DE PRODUCCIN
hi = 1
i=i
61
59/147
ESTADSTICA APLICADA
Propiedad 7: La frecuencia relativa acumulada mayor que
correspondiente al valor y1 coincide con la unidad. O sea:
H*1 =
hi = 1
i=i
N1 =
ni = n1
i=i
ni = nm
i=m
H1 =
hi = nm
i=1
hi = hm
i=m
MECNICA DE PRODUCCIN
62
60/147
ESTADSTICA APLICADA
En la tabla de frecuencias que se dan a continuacin faltan algunos datos.
Compltala.
yi
ni
0
1
2
3
4
hi
Ni
Hi
0.2
2
5
9
14
0.70
Solucin:
1. Por la propiedad 8, N1 = n1, entonces n1 = 2
2. Por la propiedad 12, N2 = N1 + n2 = 2 + n2 = 5, de donde n2 = 3
N3 = N2 + n3 = 5 + n3 = 9, luego n3 = 4
N4 = N3 + n4 = 9 + n4 = 14, por tanto n4 = 5
3. Por la definicin de frecuencia relativa acumulada MENOR QUE,
H4 = h1 + h2 + h3 + h4 =
n1 + n2 + n3 + n4
n
14
= 0,70, luego n = 20
n
N5 = N4 + n5 = 14 + 4 = 18
N6 = N5 + n6 = 18 + 4 = 18
Luego, n6 = 2
Propiedad 12
Propiedad 12 y 4
h4 = 5 = 0.25
20
h6 = 2 = 0.10
20
7. Las frecuencias relativas acumuladas MENOR QUE, que faltan son:
H1 = h1 = 0.10 H2 = h1 + h2 = 0.10 + 0.15 = 0.25 Propiedad 10 y 13
H3 = h2 + h3 = 0.25 + 0.2 = 0.45
H5 = h4 + h5 = 0.70 + 0.20 = 0.90
H6 = h5 + h6 = 0.90 + 0.10 = 1.0
Por tanto la tabla de Distribucin de frecuencias completa es la siguiente
Tabla 5
yi
ni
hi
Ni
Hi
0
1
2
3
4
5
2
3
4
5
4
2
20
0.10
0.15
0.20
0.25
0.20
0.10
1.00
2
5
9
14
18
20
0.10
0.25
0.45
0.70
0.90
1.00
Totales
MECNICA DE PRODUCCIN
63
61/147
ESTADSTICA APLICADA
Un ingeniero agrnomo visita 25 cooperativas agrarias de naranajas en el
valle de Huaral y en cada una anot el nmero de plantas atacadas por
cierto hongo, de los cual resultaron los datos siguientes
15, 20, 25, 15, 18,16, 17, 18, 20, 18, 18, 18, 19, 16, 17, 19, 16, 17, 19, 16,
17, 17, 17, 19, 18, 19,18, 15
a. Diga qu tipo de datos son stos.
b. Construya una tabla de distribucin de frecuencia adecuada a este
conjunto de valores.
c. Cuntas cooperativas agrarias tienen a lo ms 20 plantas atacadas
por hongos?
d. Cuntas cooperativas agrarias tienen por lo menos 17 plantas
atacadas por hongos?
e. Qu proporcin de cooperativas bajo estudio tienen 18 plantas
atacadas por hongos?
f. Qu proporcin de cooperativas tienen 18 o menos plantas atacadas
por hongos?
g. Qu porcentaje de cooperativas tienen 18 o menos plantas atacadas
por hongos?
Solucin
a. Puesto que los datos se obtienen como resultado del conteo de plantas
atacadas por hongos, estos son discretos.
b. 1. El conjunto de observaciones es de tamao 25, luego n = 25
2. Los diferentes valores de la caracterstica observada son:
y1 = 15, y2 = 16, y3 = 17, y4 = 18, y5 = 19, y6 = 20, y7 = 25
Es decir, m = 7
3. Conteo: se cuenta el nmero de cooperativas con 15, 16, 17, 18, 19,
20 y 25 plantas atacadas por hongos respectivamente. As, el nmero
15 aparece 3 veces en el conjunto de datos, luego n1 = 3; el nmero 16
aparece tambin 3 veces, entonces n2 = 3; el nmero 17 aparece 5
veces, luego n3 = 5; el 18 aparece 7 veces, o sea n4 = 7; el 19 aparece 4
veces, es decir; n5 = 4; el 20 aparece dos veces, luego n6 = 2; y
finalmente el 25 aparece una vez, o sea n7 = 1
4. La frecuencia relativa de yi, i - 1,2, ..., 7, son:
h1 = n1 =
n
h2 = n2 =
n
h3 = n3 =
n
n
h4 = 4 =
n
MECNICA DE PRODUCCIN
3
25
3
25
5
25
7
25
= 0,12
= 0,12
= 0,20
h5 = n5 =
n
h6 = n6 =
n
h7 = n7 =
n
4
= 0,16
25
2
= 0,08
25
1
= 0,04
25
= 0,28
64
62/147
ESTADSTICA APLICADA
5. Las frecuencias absolutas acumuladas para yi, i=1,2,...7, estn dadas
por:
N1 = n1 = 3
N2 = N1 + n2 = 3 + 3 = 6
N3 = N2 + n3 = 6 + 5 = 11
N4 = N3 + n4 = 11 + 7 = 18
N5 = N4 + n5 = 18 + 4 = 22
N6 = N5 + n6 = 22 + 2 = 24
N7 = n = 25
N1* = n = 25
N2* = N*1 - n1 = 25 - 3 = 22
N3* = N*2 - n2 = 22 - 3 = 19
N4* = N*3 - n3 = 19 - 5 = 14
N5* = N*4 - n4 = 14 - 7 = 7
N6* = N*5 - n5 = 7 - 4 = 3
N7* = N*6 - n6 = 3 - 2 = n7 = 1
Frecuencia
absoluta
Frecuencia
relativa
Frecuencias
absolutas
acumuladas
menor que
yi
ni
hi
Ni
Frecuencias
absolutas
acumuladas
mayor que
N*
15
16
17
18
19
20
25
3
3
5
7
4
2
1
0.12
0.12
0.20
0.28
0.16
0.08
0.04
3
6
11
18
22
24
25
25
22
19
14
7
3
1
Totales
S n = 25
Sh = 1
Frecuencias Frecuencias
relativas
relativas
acumuladas acumuladas
menor que
mayor que
H
H*
i
0.12
0.24
0.44
0.72
0.88
0.96
1.00
1.00
0.88
0.76
0.56
0.28
0.12
0.04
65
63/147
ESTADSTICA APLICADA
Nota: Discutiremos brevemente la utilidad de la construccin de una tabla
de distribucin de frecuencias. Claro est que con nuestros ejemplos,
donde slo hemos considerado unos cuantos datos por el problema de
simplificar los clculos, es posible que ste procedimiento muestre a
plenitud todas sus ventajas; no obstante con un poco de imaginacin por
parte del lector, las experiencias que se deriven de estos ejemplos se
puede fcilmente extender a otra situacin donde el nmero de datos sea
mayor. De este modo, a partir de la tabla 6, donde se brindan las diferentes
variantes de tablas de frecuencias que se puede construir para el ejemplo
3, a parte de las preguntas ya contestadas, es posible extraer, por ejemplo
conclusiones como las siguientes:
1. No existe en general grandes diferencias en cuanto a nmeros de
plantas atacadas con hongos en las 25 cooperativas. El nmero de
plantas atacadas que ms se repite es 18, ya que hay 7 cooperativas que
poseen esta cifra (est dado por la frecuencia absoluta del valor 18).
2. Si se tiene criterios sobre el nmero de plantas atacadas con hongos
que debe tener cada cooperativa para ser declarada en emergencia por el
Ministerio de Agricultura, digamos que este nmero fuese 100, de los
datos de la tabla se puede apreciar que todas las cooperativas estn por
debajo de este nmero, por tanto no sern declarados en emergencia.
Observacin: el lector observar que la construccin de tablas de
frecuencias para datos discretos, no es ms que un procedimiento
mediante el cual se ha considerado la informacin contenida en el
conjunto original. Decimos esto porque del conjunto original de n
observaciones hemos pasado a considerar un conjunto ms pequeo
compuesto slo por m valores (m < n) diferentes (yi). Ahora bien, este
procedimiento que conduce a la construccin de una tabla de frecuencias,
no implica prdida de informacin contenida en el conjunto de
observaciones originales, ya que a partir del conocimiento de las yi,
i=1,2,...m y sus respectivas frecuencias absolutas, se puede construir el
conjunto original de los valores de estas observaciones sin tener en
cuenta el orden de aparicin de stas. Es decir, dada una tabla de
frecuencias de este tipo, podemos saber la cantidad de veces de cada
valor diferente debe aparecer en el conjunto original y as enumerar cada
uno ellos; si el orden de aparicin no es importante, entonces puede
asegurarse que se conoce completamente el conjunto original de
observaciones.
Datos de variables contnuas
Designaremos tambin el conjunto original de datos u observaciones por
x1, x2, ..., Xn, siendo n el tamao del conjunto (tamao muestral) y donde
estos datos son del tipo continuo . En este caso debido a que la magnitud
de la caracterstica puede tomar, al menos tericamente, una infinidad de
valores, el proceso de reduccin, agrupacin o condensacin de los datos
originales, que conducen a la construccin de tablas de frecuencia, no es
tan simple como en el caso de datos discretos y no se puede proceder
como en el caso ya estudiado; es ms bien un problema de clasificacin
de datos donde la subjetividad del hombre tiene una influencia que no
debe ignorarse
MECNICA DE PRODUCCIN
66
64/147
ESTADSTICA APLICADA
Definicin 9: se llaman clases a cada uno de los grupos en que e divide el
conjunto de datos.
El primer paso a dar para resolver este problema de clasificacin, es decir
cules y cuntas han de ser las clases a considerarse. Para ello
normalmente se empieza por determinar la observacin que tiene el valor
mximo xmax, y la observacin que tiene el valor mnimo xmin
Xmax = max {x/i=1,2,..., N}, Xmin = min {x/i=1,2,..., n}
Estos valores extremos definen el recorrido o rango del conjunto de
observaciones, el cual est dado por el intervalo [Xmin ,Xmax]
R
Xmin
Xmax
Definicin 10: Amplitud de recorrido (l) es la longitud del recorrido del
conjunto de datos. O sea.
l = xmin - xmax
Una vez determinado el nmero de clases en que se dividir los datos,
digamos m, el cual puede hacerse con cierto grado de arbitrariedad, pues
depende del problema en cuestin y en ltima instancia del investigador o
del estadstico, se divide el recorrido del conjunto de datos en tantos
intervalos como clase se desee, que en adelante llamaremos intervalos
de clase (o simplemente clase). En la prctica se suele dividir no
exactamente el recorrido [Xmin ,Xmax] sino un intervalo mnimo [Xmin ,Xmax] que
contenga a dicho recorrido, cuyos extremos sean nmeros que faciliten
esta operacin y de manera que la amplitud l` del nuevo recorrido sea
mltiplo de nmero de clases m
[xmin ,xmax] [xmin ,xmax]
Notacin: Sea m el nmero de clases y, y1, y2, ... , ym los extremos o
lmites de los intervalos de clase, entonces.
yi-1 - yi , i = 1, 2, ... , m
Denota el i-simo intervalo de clase. Donde yi-1, es el extremo inferior, yi
el extremo superior del intervalo.
Un intervalo de clase, que al menos tericamente no tiene lmite inferior o
superior se llama intervalo de clase abierto.
Definicin 11: Amplitud de clase es la longitud del intervalo que define la
clase, es decir.
ci - yi - yi-1 , i = 1, 2, ... , m
c1 - y1 - y0 Es la longitud del primer intervalo de clase
c2 - y2 - y1 Es la longitud del segundo intervalo de clase
Si los intervalos tienen igual longitud digamos c , es decir
As
c=l/m
MECNICA DE PRODUCCIN
67
65/147
ESTADSTICA APLICADA
Construccin de los intervalos de clase
Los intervalos de clase se construyen partiendo de xmin(o x`min), luego se
va asignando consecutivamente a las clases, los lmites inferior y superior
de clase (y`i-1 - y`i), de la siguiente manera.
Lmite superior
Lmite inferior
y1 = xmin + c = y0 + c
Primer intervalo de clase: yo = xmin
y2 = xmin + 2c = y1 + c
Segundo intervalo de clase: y1 = xmin + c
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m-simo intervalo de clase: ym-1 = xmin + (m-1)c ym = xmin + mc = xmax
Los intervalos de clase de amplitud diferentes se construyen en forma
similar.
Definicin 12: La marca de clase es el punto medio del intervalo que
representa a dicha clase. Se denota por yi, i=1,2,..., M. Es decir.
yi =
yi-1 + yi , i = 1,2,..., m
2
Marca de clase
yi
y0 - y1
y1 - y2
.
.
.
ym-1 - ym
y1
y2
.
.
.
ym
Totales
Conteo
Frecuencia absoluta
de clase ni
n1
n2
.
.
.
nm
n
Observaciones:
En situaciones especiales se podr tener intervalos de clase de amplitud
diferentes.
Esto depende del problema en cuestin y del criterio del investigador.
Desde que la teora para tablas con amplitud de clase diferentes es la
misma que la teora con amplitudes iguales.
MECNICA DE PRODUCCIN
68
66/147
ESTADSTICA APLICADA
Cuando es conveniente ampliar la amplitud del recorrido de tal manera
que resulte un nmero manejable en futuros clculos, esta ampliacin en
lo posible debe hacerse en forma simtrica, es decir a la izquierda de xmin y
a la derecha de xmax.
Respecto al nmero de clases (m) no existe un concenso unnime entre
los autores Bradfor Hill seala que debe tomarse un nmero de clases
comprendido entre 10 y 20, mientras que Camel indica que el nmero
apropiado es entre 8 y 15. Sin embargo, el sentido comn nos dice que el
nmero de clases no deben ser pocas debido a que la condensacin sera
mucha y con ello habran prdidas de informacin fuerte en relacin con la
contenida en el conjunto de datos originales. Por otra parte, un nmero
excesivo de clases, si bien produce poca prdida de informacin no
reduce o simplifica el trabajo, siendo en ocasiones preferible el trabajo con
los propios datos originales. Tambin algunas pueden resultar vacas, es
decir con la frecuencia nula.
Daremos a continuacin algunas reglas frecuentemente utilizadas:
A. Tomar el nmero de clases (m) igual al entero ms prximo a 2 n,
siendo n el nmero de datos.
b. m
MECNICA DE PRODUCCIN
69
67/147
ESTADSTICA APLICADA
Convencin: en el desarrollo de este texto por criterio de uniformidad,
asumiremos la tercera alternativa. Evidentemente se puede tomar las
otras alternativas, esto queda a criterio del especialista.
Regla general para elaborar las distribuciones de frecuencia
1. Decidir el nmero m de clase a considerar, de acuerdo con la
observacin 4.
2. Determinar el recorrido o rango de los datos y la amplitud (l) del
recorrido.
3. Determinar, la amplitud o longitud de los intervalos de clase. En lo
posible es conveniente que los intervalos de clase sean de igual
amplitud (c), la cual est dado por
c = l /m
Si esto es posible, utilizar intervalos de clase de diferente tamao o
intervalos de clase abiertos.
4. Determinar los lmites de clase, de manera que cada observacin se
clasifique sin ambigedades en una sola clase.
5. Se determina las marcas de clase.
6. Finalmente se halla la frecuencia absoluta de cada clase.
Suponga que se han registrado 50 observaciones referentes a los pesos
de 50 lingotes de acero producidos por SIDERPER, la muestra fue
obtenida de la produccin semanal y las unidades estn dadas en kg.
94.3
92.9
94.2
94.7
94.1
93.0
93.6
95.7
92.7
93.7
95.5
95.7
94.7
95.0
94.2
95.3
93.8
94.3
93.0
93.7
92.4
94.8
92.7
92.9
94.0
94.4
93.9
94.5
93.7
93.9
92.8
92.7
96.2
92.7
93.6
93.2
91.6
95.4
93.3
94.6
93.6
93.6
93.7
94.6
92.3
95.5
93.7
91.9
96.4
94.4
4.8
70
68/147
ESTADSTICA APLICADA
Puede ser l = 96.5 - 91.5 = 5, donde xmin = 91.5 y x`max = 96.5
4. Determinaremos los lmites de clase:
yo = xmin = 91.5 ;
y1 = yo + c = 91.5 +1 = 92.5
y4 = y3 + c = 94.5 + 1 = 95.5
y2 = y1 + c = 92.5 + 1 = 93.5
91.5 + 92.5
= 92.0
2
92.5 + 93.5
= 93.0
2
93.5 + 94.5
y3 =
= 94.0
2
y2 =
y4 =
94.5 + 95.5
= 95.0
2
y5 =
95.5 + 96.5
= 96.0
2
yi
91.5 - 92.5
92.5 - 93.5
93.5 - 94.5
94.5 - 95.5
95.5 - 96.5
92.0
93.0
94.0
95.0
96.0
Frecuencia absoluta
ni
////
////
////
////
////
//// /
//// //// ////
////
/
Totales
4
11
20
9
6
S ni = 50
71
69/147
ESTADSTICA APLICADA
Nota: al elaborar la tabla de frecuencias de datos variables continuas;
siempre hay una ligera prdida de informacin, que ocurre al no
considerar ms los datos individuales, si no la marca de clase (o punto
medio de cada clase) como un valor representativo de toda la clase. As,
y2 = 93.0 representa a toda las observaciones mayores o iguales a 92.5 y
menores que 93.5. Sin embargo, esta prdida de informacin queda
compensada por la ganancia en concisin, sencillez y claridad.
Definicin 14: Frecuencia absoluta acumulada menor que (Ni) de la
clase i-sima, es el nmero de observaciones menores que el extremo
superior del intervalo de clase i-simo, o sea menores a y1. Entonces
i
Ni = n1 + n2 + ... + ni = jS=1 nj
As, para el ejemplo.
N1 = n1 = 4, es el nmero de lingotes de acero que pesan menos de
92.5 kg
N2 = n1 + n2 += 4 + 11, es el nmero de lingotes de acero cuyo peso es
menor que 93.5 kg
N3 = n1 + n2 + n3 = 4 + 11 + 20 =35, nmero de lingotes de acero que
pesan menos de 94.5 kg
N4 = n1 + n2 + n3+ n4 = 4 + 11 + 20 + 9 = 44, nmero de lingotes de acero
que pesan menos de 95.5 kg.
N5 = n = 50
Definicin 15: Frecuencia absoluta acumulada mayor que (Ni* ) de la
clase i-sima, es el nmero de observaciones mayores o iguales que el
extremo inferior del intervalo de clase i-simo, es decir mayor o igual a yi-1 .
Entonces:
i
MECNICA DE PRODUCCIN
72
70/147
ESTADSTICA APLICADA
Definicin 16: Frecuencia relativa (hi) del i-simo intervalo de clase, es
el cociente.
ni
hi =
, i = 1, 2,... , m
n
Para el ejemplo 4:
4
n1
h1 =
=
= 0.08
5
n
h2 =
n2 11
=
= 0.22
50
n
h3 =
n3 20
=
= 0.40
50
n
9
n4
=
= 0.18
50
n
6
n5
h5 =
=
= 0.12
50
n
h4 =
Hi = h1 + h2 + ... + hm = jS=1 nj
Para el ejemplo 4:
H1 = h1 = 0.08, es la proporcin de lingotes de acero que pesan menos
de 92.5 kg
H2 = h1 + h2 = 0.08 + 0.22 = 0.30, es la proporcin de lingotes de acero
que pesan menos de 93.5 kg
H3 = h1 + h2 + h3 = 0.08 + 0.22 + 0.40 = 0.70, es la proporcin de lingotes
de acero que pesan menos de 94.5 kg
Definicin 19: Frecuencia relativa acumulada mayor o igual
*
que (Hi) de la clase i-sima, es la frecuencia relativa total
correspondiente a los valores observados mayores o iguales al extremo
inferior del intervalo de clase i-simo, es decir mayores o iguales que yi-1 ,
entonces.
MECNICA DE PRODUCCIN
73
71/147
ESTADSTICA APLICADA
H1* = jS=1 hj = 1
H2* = h2 + h3 + h4 + h5 = 0.22 + 0.40 + 0.18 + 0.12 = 0.92
es la proporcin de lingotes de acero que pesan por lo menos 92.5 kg
*
yi
ni
hi
y0 - y1
y1
y2
y1 - y2
.
.
.
.
.
.
ym-1 - ym ym
n1 h1
n2 h2
.
.
.
.
.
.
nm hm
Totales
H*i
100hi%
100Hi%
100Hi* %
N1 H1 N 1
N2 H2 N*2 Hi
.
.
. .
.
.
. .
.
.
. .
n 1 N*m H*m
100h1
100h2
.
.
.
100hm
100H1
100H2
.
.
.
100
100
100H2*
.
.
.
100H*m
Ni
Hi N*i
100
Totales
MECNICA DE PRODUCCIN
yi
ni
hi
Ni
Hi N*i
H*i
100hi%
100Hi%
50
46
35
15
6
1.00
0.92
0.70
0.30
0.12
8
22
40
18
12
8
30
70
88
100
92.0
4 0.08 4 0.08
93.0 11 0.22 15 0.30
94.0 20 0.40 35 0.70
95.0
9 0.18 44 0.88
96.0
6 0.12 50 1.00
50
100Hi* %
100
92
70
30
12
100
74
72/147
ESTADSTICA APLICADA
Nota: Antes de pasar, vale la pena ilustrar, al igual que se hizo con los
resultados de la tabla 6, como a partir de una clasificacin de datos
continuos, se puede obtener informacin valiosa y resumida de ellos. En el
ejemplo 2.4 donde las observaciones respecto a los pesos de 50 lingotes
de acero producidos por SIDERPER, se consideran representativos DE
toda la poblacin de lingotes de acero producidos por dicha empresa, las
diferentes distribuciones de frecuencias que aparecen en la tabla 10
pueden entre otros, brindar informaciones como las siguientes:
1. Que el mayor tanto por ciento de lingotes de acero pesan entre 93.5 y
94.5 kg. Como se puede observar en la columna correspondiente a
100hi% este tanto por ciento es 40.
2. Si el peso apropiado de los lingotes de acero para su aceptacin en el
mercado internacional es como mnimo 93.5%, los resultados de la
tabla reflejan que slo el 70% (ver la columna 100 Hi %) de esta
poblacin cumple la condicin, lo cual representa quizs, que dicha
empresa debe reajustar sus maquinarias, ya que habra un 30% que no
se puede en adelante.
La inversin real (en miles de dlares) anual de un grupo de pequeas
empresa fueron:
10
16
13
0
12
12
20
17
14
6
8
25
21
6
5
40
28
7
8
5
6
30
6
9
6
8
26
8
11
8
10
30
14
13
7
30 2
4 6
7 15
15 18
12 15
8
10
19
20
36
6
18
27
30
39
14
17
22
60
52
Se pide:
a. Formar una tabla de todas las distribuciones de frecuencias, con
intervalos de amplitud constante;
b. El nmero de pequeas empresas con inversiones menores de 40 mil
dlares.
c. El nmero de pequeas empresas que han invertido 40 mil dlares o
ms.
d. El nmero de pequeas empresas que invirtieron 10 mil dlares o ms
pero menos de 35 mil dlares.
e. La proporcin de pequeas empresas con inversiones menos de 8 mil
dlares.
f. La proporcin de pequeas empresas que invirtieron por lo menos 20
mil dlares pero a lo ms 38 mil dlares.
g. El porcentaje de pequeas empresas que han invertido entre 6 mil
dlares y 30 mil dlares inclusive;
h. El porcentaje de pequeas empresas que invirtieron ms de 64 mil
dlares.
Solucin a:
1. Consideremos m 60 = 7.746, es decir m = 8
2. Xmax = 60 y xmin = 0, por tanto l = 60 - 0 = 60
60
l
3. De (1) y (2) c =
=
= 7.5
8
m
MECNICA DE PRODUCCIN
75
73/147
ESTADSTICA APLICADA
Obviamente preferimos trabajar con c = 8. Para lo cual ampliamos el
recorrido de los datos, de manera que sea mltiplo de m = 8. Pero como la
inversin no puede ser negativa, ampliamos slo a la derecha, es decir,
hacemos:
xmax = 64 y xmin = xmin = 0
Ahora: l = 64 - 0 = 64
4. Los lmites de clases son:
y0 = xmin = 0
y1 = y0 + c = 0 + 8
y2 = y0 + 2c = 0 + 2x8 = 16
y3 = y0 + 3c = 24
y4 = y0 + 4c = 32
y5 = y0 + 5c = 40
y6 = y0 + 6c = 48
y7 = y0 + 7c = 56
y8 = y0 + 8c = 64
yi-1 - yi
yi
ni
hi
Ni
Hi
N*i
H*i
100hi%
0-8
8 - 16
16 - 24
24 - 32
32 - 40
40 - 48
48 - 56
56 - 64
4
12
20
28
36
44
52
60
15
22
10
8
2
1
1
1
15/60
22/60
10/60
8/60
2/60
1/60
1/60
1/60
15
37
47
55
57
58
59
60
15/60
37/60
47/60
55/60
57/60
58/60
59/60
60/60
60
45
23
13
5
3
2
1
16/60
45/60
23/60
13/60
5/60
3/60
2/60
1/60
150/6
220/6
100/6
80/6
20/6
10/6
10/6
10/6
60
Totales
100%
22
10
{
{
{
{
{
{
{
{
15
16
24
32
40
48
56
64
15 + 22 +10 + 8+ 2 = 57
1 + 1+ 1 = 3
Fig. 2
MECNICA DE PRODUCCIN
76
74/147
ESTADSTICA APLICADA
c. El nmero de pequeas empresas con inversiones de 40 mil dlares o
ms es 3 y se encuentra en la interseccin de la fila del intervalo 40*48
y la columna Ni* (Fig. 2)
d. Ubiquemos los puntos 10 y 35 y los intervalos de clase en una recta
(Fig. 3)
10
22
10
16
24
32
35
40
X
Fig. 3
(16 - 10) 22 6 x 22
=
= 16.5 = 17
16 - 8
8
Similarmente se obtiene y:
en una amplitud de 8 = 40 - 32 hay 2 observaciones
En una amplitud de 3 = 35 - 32 habr y observaciones
(35 - 32) 2
3x2
6
=
=
=1
40 - 32
8
8
O sea y =
10/60
8/60
24
20
{
16
2/60
32
38
P1
P2
40
Fig. 4
MECNICA DE PRODUCCIN
77
75/147
ESTADSTICA APLICADA
La proporcin de pequeas empresas que intervinieron por lo menos
20 mil dlares pero a lo ms 38 mil dlares, estar dado por:
P1 +
8
+ P2
60
3
5
8
+
= 0.242
+
60 60 120
220/6%
24
30
16
x%
80/6%
{
0
100/6%
Fig. 5
32
40
y%
220 100
+
%+y%
6
6
( (
MECNICA DE PRODUCCIN
( (
78
76/147
ESTADSTICA APLICADA
PRCTICA N 3
1. Por qu las frecuencias relativas son ms importantes que las
absolutas?
2. Cuando se construye una distribucin de frecuencia, el nmero de
clases que se usan depende de:
A. Nmero de datos
c. Tamao de la poblacin
B. Intervalo de los datos reunidos
d. Todas las anteriores
E. A y b pero no c
3. Explique la diferencia entre distribuciones de frecuencias relativas y de
porcentajes.
4. A continuacin se transcriben las edades de 50 integrantes de un
programa de servicio social del gobierno:
81
66
43
39
92
53
88
54
87
72
67
67
76
76
82
60
65
70
97
80
80
52
97
86
70
80
52
97
86
70
64
72
68
45
65
56
74
82
60
50
54
65
75
45
58
91
73
79
65
70
61
69
60
76
56
12
5
8
19
14
10
MECNICA DE PRODUCCIN
11
15
6
24
7
7
13
29
79
13
6
11 11
77/147
ESTADSTICA APLICADA
Construya una distribucin de frecuencia para los datos anteriores y
una distribucin de frecuencia relativa. Use intervalos de 6 das.
a. Qu afirmacin puede hacer sobre la eficacia del procesamiento de
pedidos a partir de las distribucin de frecuencia?
b. Si la compaa quiere asegurarse de que la mitad de sus entregas se
realicen en 10 o menos das. Puede ud. determinar mediante la
distribucin de frecuencia de la compaa ha alcanzado su meta?
6. Las marcas de clase de una distribucin de frecuencias con intervalos
de igual amplitud son: 46,55,64,73,82,91. Halle:
a. El intervalo de clase
b. El rango
y4= 22
h1 = 0.30
h4 = 17.5%
H2 = 0.45
n = 120
a
a
a
a
a
a
12
16
20
24
28
32
Frecuencia
360
420
510
660
570
480
3000
MECNICA DE PRODUCCIN
80
78/147
ESTADSTICA APLICADA
LA MEDIA
La media aritmtica de una variable estadstica es la suma de todos sus
posibles valores, ponderada por las frecuencias de los mismos.
Es decir, si la tabla de valores de una variable X es:
X ni
x1 n1
... ...
fi
f1
...
xk
fk
nk
( x - x ) = 0
i
i=1
Demostracin:
Basta desarrollar el sumatorio para obtener:
n
( x - x ) = (x
i
i=1
MECNICA DE PRODUCCIN
81
79/147
ESTADSTICA APLICADA
Si los errores se consideran con signo positivo, en este caso no pueden
compensarse. Esto ocurre si tomamos como medida de error alguna de
las siguientes:
n
(x i
x) 0
Error cuadrtico
i=1
n
xi - x 0
Error cuadrtico
i=1
mx
xi - x 0
i=1,...,n
Error cuadrtico
xini
5
30
100
105
xi - x
-19
-9
+1
+11
X n = 240
n = 10
i i
li-1 - l1 n1
0 - 10
1
10 - 20 2
20 - 30 4
30 - 40 3
(xi - x) ni
-19
-18
+4
+33
=0
La media aritmtica es
x=
240
1
xi ni =
= 24
10
n
(x - x) n = 0
i
Proposicin (Konig)
Para cualquier posible valor k que consideremos como candidato a
medida central, lo mejora en el sentido de los mnimos cuadrados, es
decir.
n
n
2
(xi - x) <
i=1
(x - k)
i
si k x
i=1
Demostracin
Sea k x
Veamos que el error cuadrtico cometido por k es mayor que el de x
n
(xi - k)2 =
i=1
xi - (k - x + x) 2
(Sumando y restando x)
i=1
n
(xi - x) - (k - x)
i=1
MECNICA DE PRODUCCIN
82
80/147
ESTADSTICA APLICADA
n
n
2
(x - x)
i
- 2(x - k)
i=1
n
2
(x - x) + (k - x)
i
i=1
n (k-x)2 > 0
>
i=1
(x - x)
i
i=1
y = a + bx
Proposicin
Dados r grupos con n1, n2,nr observaciones y siendo, x1, x2,...xr ,las
respectivas medias de cada uno de ellos.
Entonces la media de las n = n1 + ... + nr observaciones es:
X=
n1 x1 + ... + nr xr
n1 + ... + nr
Demostracin
Vamos a llamar xij a la j-sima observacin del grupo i; entonces tenemos
er
1 grupo
2do grupo
x11
x21
... X1n1
... X2n2
xr1
... Xrn
...
resimo grupo
n1
x=
Observacin
A pesar de las buenas propiedades que ofrece la media, sta posee
algunos inconvenientes:
Uno de ellos es que es muy sensible a los valores extremos de la
variable: ya que todas las observaciones intervienen en el clculo de
la media, la aparicin de una observacin extrema, har que la media
se desplace en esa direccin. En consecuencia.
No es recomendable usar la media como medida central en las
distribuciones muy asimtricas;
Depende de la divisin en intervalos en el caso de variables
continuas.
Si consideramos una variable discreta, por ejemplo, el nmero de
hijos en las familias de Mlaga el valor de la media puede no
pertenecer al conjunto de valores de la variable;
Por ejemplo x = 25 hijos.
MECNICA DE PRODUCCIN
83
81/147
ESTADSTICA APLICADA
Clculo abreviado
Se puede utilizar la linealidad de la media para simplificar las operaciones
necesarias para su clculo mediante un cambio de origen y de unidad de
medida. El mtodo consiste en lo siguiente:
1. Tomamos a un nmero que exprese aproximadamente el tipo de
unidad con la que se trabaja. Por ejemplo, si las unidades que
usamos son millones, tomamos a = 1.000. 000
2. Seleccionamos un punto cualquiera de la zona central de la tabla, Xo.
Este punto jugar el papel de origen de referencia.
3. Cambiamos a la variable
x - x0
a
x = az + x0
x=
X - x0
Z= a
Luego
xg = n x1 x2 ... xn
Si los datos estn agrupados en una tabla, entonces se tiene:
La media armnica
xa, se define como el recproco de la media
aritmtica de los recprocos, es decir,
por tanto:
xa =
1 ... 1
+ +
xn
x1
1
xa =
n
n
1 ... 1
+ +
x1
xn
La media cuadrtica
xc, es la raz cuadrada de la media aritmtica de los cuadrados.
2
2
xc = x 1 + ... + x n
n
MECNICA DE PRODUCCIN
84
82/147
ESTADSTICA APLICADA
LA MEDIANA
Consideramos una variable discreta X cuyas observaciones en una tabla
estadstica han sido ordenadas de menor a mayor. Llamaremos mediana,
Med al primer valor de la variable que deja por debajo de s al 50% de las
observaciones. Por tanto, si n es el nmero de observaciones, la mediana
corresponder a la observacin [n/2] + 1, donde representamos por [-] la
parte entera de un nmero.
Fig. 1 Clculo geomtrico de la mediana
Ni
N/2
B
A
Ni
Med
l
l1
i-1
F(lj) - F(lj-1)
(x - lj-1)
aj
85
83/147
ESTADSTICA APLICADA
Observacin
Entre las propiedades de la mediana, vamos a destacar las siguientes:
Como medida descriptiva, tiene la ventaja de no estar afectada por las
observaciones extremas, ya que no depende de los valores que toma la
variable, sino del orden de las mismas. Por ello es adecuado su uso en
distribuciones asimtricas.
Es de clculo rpido y de interpretacin sencilla.
A diferencia de la media, la mediana de una variable discreta es siempre
un valor de la variable que estudiamos (ej. La mediana de una variable
nmero de hijos toma siempre valores enteros).
xi - Med
i=1
Ejemplo
Sea X una variable discreta que ha presentado sobre una muestra las
modalidades
X
2, 5, 7, 9, 12
x = 7,
Med = 7
2, 5, 7, 9, 125
x = 29,6 ;
Med = 7
MECNICA DE PRODUCCIN
86
84/147
ESTADSTICA APLICADA
Ejemplo
Obtener la media aritmtica y la mediana en la
distribucin adjunta.
Determinar grficamente cul de los dos
promedios es ms significativo.
li-1 - li
ni
0 - 10
10 - 20
20 - 30
30 - 100
100 - 500
60
80
30
20
10
Solucin:
li-1 - l1
0 - 10
10 - 20
20 - 30
30 - 100
100 - 500
ni
ai
60 10
80 10
30 10
20 70
10 400
n = 200
xi
5
15
25
65
300
xini
300
1.200
750
1.300
3.000
Ni
60
140
170
190
200
n i
60
80
30
2,9
0.25
x n = 6.550
i i
La media aritmtica es
x=
1
n
x = 6.550
200
i
= 32,75
Med = li-1 +
n/2 - Ni - 1
100 - 60
ai = 10 +
x 10 = 15
ni
80
80
Mediana
60
Media
30
5
0
10
20
MECNICA DE PRODUCCIN
30
100
87
85/147
ESTADSTICA APLICADA
LA MODA
Llamaremos moda a cualquier mximo relativo de la distribucin de
frecuencias, es decir, cualquier valor de la variable que posea una
frecuencia mayor que su anterior y su posterior.
Fig. 3 Clculo geomtrico de la moda
B
H
C
F
F
Moda
E
ni - ni-1
ai
(ni - ni-1) + (ni - ni+1)
Observacin
De la moda destacamos las siguientes propiedades:
Es muy fcil de calcular.
Puede no ser nica.
Es funcin de los intervalos elegidos a travs de su amplitud,
nmero y lmites de los mismos.
Aunque el primero o el ltimo de los intervalos no posean
extremos inferior o superior respectivamente, la moda puede ser
calculada.
MECNICA DE PRODUCCIN
88
86/147
ESTADSTICA APLICADA
EJEMPLO
Problema 1: se tiene la siguiente informacin sobre una distribucin de
frecuencia de 50 elementos de un material sometido a prueba de rotura
(en kg/cm2). La longitud de los intervalos de clase es constante e igual a 20
y
i-1
yi
ni
Ni
yini
i
300
400
23
350
17
440
- 120
50
yi
ni
Ni
yini
20 - 40
30
10
10
300
40 - 60
50
18
400
60 - 80
70
23
350
80 - 100
90
17
40
1530
100 - 120
110
44
440
120 - 140
130
50
780
i-1
Totales
MECNICA DE PRODUCCIN
50
89
3800
87/147
ESTADSTICA APLICADA
EVALUACIN PARCIAL I
1.
2.
3.
4.
5.
6.
7.
8.
9.
10. Los defectos de calidad tienen que ver con las razones
financieras
11. La normalizacin ISO 9000 consiste en formular y aplicar
reglas con el propsito de poner en orden un campo de
actividades.
MECNICA DE PRODUCCIN
90
88/147
ESTADSTICA APLICADA
RANGO, VARIANZA, DESVIACIN ESTNDAR
MEDIDAS DE DISPERSIN
Estudia la distribucin de los valores de la serie, analizando si estos se
encuentran ms o menos concentrados, o ms o menos dispersos.
Existen diversas medidas de dispersin, entre las ms utilizadas podemos
destacar las siguientes:
1. Rango: mide la amplitud de los valores de la muestra y se calcula por
diferencia entre el valor ms elevado y el valor ms bajo.
2. Varianza: Mide la distancia existente entre los valores de la serie y la
media. Se calcula como sumatorio de las diferencias al cuadrado entre
cada valor y la media, multiplicadas por el nmero de veces que se ha
repetido cada valor. El sumatorio obtenido se divide por el tamao de la
muestra.
(xi-xm)2 * ni
2
Sx=
n
La varianza siempre ser mayor que cero. Mientras ms se aproxima a
cero, ms concentrados estn los valores de la serie alrededor de la
media. Por el contrario, mientras mayor sea la varianza, ms dispersos
estn.
3. Desviacin tpica: Se calcula como raz cuadrada de la varianza.
4. Coeficiente de varizacin de Pearson: se calcula como cociente
entre la desviacin tpica y la media.
Ejemplo: vamos a utilizar la serie de datos de la estatura de los alumnos
de una clase y vamos a calcular sus medidas de dispersin.
Variable
(valor)
1,23
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,30
Frecuencias absolutas
simple Acumulada
1
4
4
2
1
2
3
3
4
3
3
1
5
9
11
12
14
17
20
24
27
30
Frecuencias relativas
Simple Acumulada
3,3%
13,3%
13,3%
6,6%
3,3%
6,6%
10,0%
10,0%
13,3%
10,0%
10,0%
3,3%
16,6%
30,0%
36,6%
40,0%
46,6%
56,6%
66,6%
80,0%
90,0%
100,0%
MECNICA DE PRODUCCIN
91
89/147
ESTADSTICA APLICADA
((1,20-1,253)2 * 1 + ((1,21-1,253)2 * 4) + ((1,22-1,253)2*4) + ... + ((1,30-1,253)2 *3)
Sx=
30
2
s = (S x)
()
Luego:
s = (0,010)() = 0,0320
4. Coeficiente de variacin de Pearson: se calcula como cociente entre
la desviacin tpica y la media de la muestra.
Cv = 0,0320 / 1,253
Luego:
Cv = 0,0255
El inters del coeficiente de variacin es que al ser un porcentaje permite
comparar el nivel de dispersin de dos muestras. Esto no ocurre con la
desviacin tpica, ya que viene expresada en las mismas unidas que los
datos de la serie.
Por ejemplo, para comparar el nivel de dispersin de una serie de datos de
la altura de los alumnos de una clase y otra serie con el peso de dichos
alumnos, no se puede utilizar las desviaciones tpicas (una viene vienes
expresada en cm. y la otra en kg). En cambio, sus coeficientes de variacin
son ambos porcentajes, por lo que s se pueden comparar.
Interpretacin y aplicacin
La desviacin estndar es una medida del grado de dispersin de los
datos del valor promedio. Dicho de otra manera, la desviacin estndar es
simplemente el "promedio" o variacin esperada con respecto de la media
aritmtica.
Una desviacin estndar grande indica que los puntos estn lejos de la
media y una desviacin pequea indica que los datos estn agrupados
cerca de la media.
Por ejemplo, las tres muestras (0, 0, 14, 14), (0, 6, 8, 14) Y (6, 6, 8, 8) cada
una tiene una media de 7. Sus desviaciones estndar son 7, 5 y 1,
respectivamente. La tercera muestra tiene una desviacin mucho menor
que las otras dos porque sus valores estn ms cerca de 7.
La desviacin estndar puede ser interpretada como una medida de
incertidumbre. La desviacin estndar de un grupo repetido de medidas
nos da la precisin de stas. Cuando se va a determinar si un grupo de
medidas est de acuerdo con el modelo terico, la desviacin estndar de
esas medidas es de vital importancia: si la media de las medidas est
demasiado alejada de la prediccin (con la distancia medida en
desviaciones estndar), entonces consideramos que las medidas
contradicen la teora.
MECNICA DE PRODUCCIN
92
90/147
ESTADSTICA APLICADA
Esto es de esperarse ya que las mediciones caen fuera del rango de
valores de los cuales sera razonable esperar que ocurrieran si el modelo
terico fuera correcto.
Desglose
La desviacin estndar (DS/DE), tambin conocida como desviacin
tpica, es una medida de dispersin usada en estadstica que nos dice
cunto tienden a alejarse los valores puntuales del promedio en una
distribucin. De hecho especficamente la desviacin estndar es "el
promedio de la distancia de cada punto respecto del promedio". Se suele
representar por una S o con la letra sigma, s
La desviacin estndar de un conjunto de datos es una medida de cunto
se desvan los datos de su media. Esta medida es ms estable que el
recorrido y toma en consideracin el valor de cada dato.
Es posible calcular la desviacin estndar como la raz cuadrada de la
integral
s =
Donde:
(x-u) f(x) dx
m=
x f(x) dx
n-
n i=1
S =
S =
i=1 xi2 x2
n -1
Ejemplo
Aqu se muestra cmo calcular la desviacin estndar de un conjunto de
datos. Los datos representan la edad de los miembros de un grupo de
nios. {5, 6, 8, 9}
MECNICA DE PRODUCCIN
93
91/147
ESTADSTICA APLICADA
1. Calcular el promedio X.
x=
1 n xi
N i=1
Sustituyendo N por 4
4 i=1
1 (xi + x2 + x3 + x4)
x=
4
1 (5 + 6 +8 + 9)
x=
4
x = 7 Este es el promedio
x=
s=
s=
1 N (xi - x)2
N i=1
s=
1 4 (xi - x)2
4 i=1
Sustituyendo N por 4
s=
1 4 (xi - 7)2
4 i=1
Sustituyendo x por 7
1
[(4.589 - 4.596)2+(4.318-4.596)2+(4.256-4.596)2+(4.624-4.596)2+(4.903-4.596)2+(4.867-4.596)2+(4.420-4.596)2+(4.790-43596)2]
8
s=
s=
s=
1 (4+1+1+4)
4
s=
10
4
MECNICA DE PRODUCCIN
94
92/147
ESTADSTICA APLICADA
PRCTICA N 4
1. El promedio de sueldos de los empleados de una fbrica es una cierta
cantidad. Qu contestara usted, como Jefe de Personal, ante una
queja de que nadie debera ganar por debajo del promedio, sea cual
fuere ste?
Respuesta: La nica forma de satisfacerlos es haciendo que todos
ganen igual, lo cual no es posible.
2. Hasta el semestre pasado un alumno de la UDEP haba aprobado 108
de 141 crditos matriculados, con un ndice acumulado de 10,43. Si
este semestre se ha matriculado en 21 crditos, Hasta cunto puede
subir su ndice acumulado como mximo?
Respuesta: Hasta 11,67
3. Puede la desviacin media tener un valor cero? Puede ser negativa?
4. Qu puede decirse de una distribucin en la que s = 0?
5. Una asociacin de ahorro y prstamo tiene las siguientes hipotecas con
sus respectivas tasas de inters: $40 000 al 10%; $25000 al 9%;
$20000 al 8%; $10000 al 7% y $5 000 al 6%. Cul es la tasa de inters
promedio que se paga?
6. En las cuatro aulas donde se rindi una prueba de Estadstica hubieron
14, 27, 27 y 36 alumnos. Las medias (o promedios) en estas aulas
fueron 14,4; 12,1; 9,9 Y 10,2 respectivamente. Cul es la media
general?
7. Un grupo de amigos que salieron juntos del colegio, egresaron de la
UDEP el ltimo semestre. Cuatro de Ingeniera con un ndice promedio
de 14,95, seis de Administracin de Empresas con un ndice promedio
de 14.12 y tres de Informacin con un ndice promedio de 15.10. Cul
es el ndice promedio del grupo? Cul es la desviacin estn dar?
8. Dada la siguiente distribucin de salarios, en dlares, en una empresa
extranjera:
80
70
61
85
100
98
88
81
52
90
96
75
85
76
64
91
92
69
88
81
95
100
81
59
75
83
63
73
88
58
70
72
82
94
78
97
98
108
105
97
96
67
83
109
78
89
64
77
80
63
99
87
98
84
64
97
95
93/147
ESTADSTICA APLICADA
HISTOGRAMA DE FRECUENCIAS
Se usa para representar grficamente las distribuciones de frecuencias
absolutas o relativas de datos cuantitativos continuos agrupados en
clases. El fenmeno estudiado queda representado por una serie de
rectngulos semejantes a los del diagrama de barras; sin embargo las
barras de histograma se colocan slo verticalmente y deben ir uno al lado
del las otras sin que haya un espacio que las separe. La base de cada
rectngulo es la amplitud de la clase de la variable correspondiente. Estos
grficos reciben el nombre de histograma de frecuencia absolutas (o
histograma de frecuencias relativas), Se construye como sigue:
1. Se lleva sobre un eje horizontal los lmites de los intervalos de clase
y0, y1,ym
2. Sobre cada intervalo de clase se levantan rectngulos que tengan
como rea exactamente la frecuencia absoluta (o relativa)
correspondiente.
Es decir, al intervalo de clase [y'i-1' y'i >
con amplitud c1, y frecuencia absoluta
ni (o frecuencia relativa h i ),le
corresponder un rectngulo de base
ci y altura ni/ci (o respectivamente hi/ci),
con lo cual se garantiza que el rea de
dicho rectngulo, es decir base por
altura, coincida con n1 (o con hi segn
el caso). Fig. 1
ci x
ni
ni
Ci
ni
hi
= ni (o ci x
= hi)
ci
ci
yi - 1
As, la superficie total de los
yi
yi
rectngulos o sea e! rea limitada
Ci
por e! histograma ser igual a n (o a
la unidad), lo cual permite comparar
visual mente dos distribuciones de
efectos diferentes.
Nota: Cuando los intervalos de clases son de igual amplitud como se ha
venido considerando en los ejemplos (c1 = c), las alturas de los rectngulos
ni/c (o h/c) sern proporcionales a las frecuencias absolutas (o relativas).
96
94/147
ESTADSTICA APLICADA
ni
20
15
20
10
11
9
6
4
0
91.5
92.5
93.5
95.5
94.5
96.5
yi
hi
0.40
0.30
0.20
0.10
0.08
0.22
0.40
0.18
0.12
0
91.5
92.5
93.5
94.5
95.5 96.5
yi
MECNICA DE PRODUCCIN
97
95/147
ESTADSTICA APLICADA
Polgonos de frecuencias
Los polgonos de frecuencias absolutas o relativas, se obtienen uniendo
los puntos medios de las bases superiores de los rectngulos en el
histograma de frecuencias" absolutas o relativas, respectivamente. As las
figuras 4 y 5 seran los polgonos de frecuencias absolutas y relativas para
la distribucin de los pesos de lingotes de acero del ejemplo 1.
ni
20
15
10
96.5
yi
0.30
0.20
0.10
96.5
yi
98
96/147
ESTADSTICA APLICADA
Polgonos de frecuencias acumuladas ojivas
Una ojiva es la representacin grfica de una distribucin de frecuencias
absolutas acumuladas o las frecuencias relativas acumuladas.
OJIVA ''MENOR QUE": Es la representacin grfica de una distribucin
de frecuencias absolutas acumuladas "menor que" o las frecuencias
relativas acumuladas "menor que". Se construyen de la siguiente manera:
1. Se llevan sobre un eje horizontal los lmites de los intervalos de clase
y0, y1,ym
2. Se levantan sobre el extremo superior de cada clase un segmento cuya
longitud - coincida con la frecuencia absoluta acumulada o con la
frecuencia relativa acumulada de dicha clase, segn estemos
considerando una ojiva de frecuencias absolutas acumuladas o una
ojiva de frecuencias relativas acumuladas.
3. Luego se unen con segmentos de rectas los extremos superiores de
dichos segmentos verticales.
Ejemplo 2: Construir la ojiva "menor que" de frecuencias absolutas
acumuladas y de frecuencias relativas acumuladas para la distribucin de
los pesos de lingotes de acero del ejemplo 1.
Solucin: Escribimos las tablas de distribucin de frecuencias absolutas
acumuladas y frecuencias relativas acumuladas de la siguiente manera:
Pesos (en Kg)
intervalo de clase
Frecuencia
absoluta
acumulada Ni
Frecuencia
relativa
acumulada Hi
0
4
15
35
44
50
0.00
0.08
0.30
0.70
0.88
1.00
Ni
50
45
40
35
Ojiva
menor que
30
25
20
15
10
5
0
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 6 Ojiva Menor que de la distribucin de peso de lingotes de acero usando frecuencias
absolutas acumuladas
MECNICA DE PRODUCCIN
99
97/147
ESTADSTICA APLICADA
Nota: Ojiva porcentual
Si en una ojiva de frecuencias relativas acumuladas se cambia en el eje
vertical la escala de frecuencias relativas acumuladas por la porcentual,
se obtiene la ojiva porcentual.
Observe que la ojiva "menor" que" es siempre creciente u horizontal.
OJIVA "MAYOR O IGUAL QUE"; Es la representacin grfica de una
distribucin de frecuencias absolutas acumuladas; "mayor o igual que" o
las frecuencias relativas acumuladas "mayor o igual que". Se construye
completamente similar a la ojiva menor que.
Hi
1
0.90
Ojiva
menor que
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.10
0
91.5
92.5
93.5
94.5
95.5
96.5
N*i
H*i
50
46
35
15
6
0
1.00
0.92
0.70
0.30
0.12
0.00
MECNICA DE PRODUCCIN
100
98/147
ESTADSTICA APLICADA
Ni*
50
45
40
35
30
25
20
15
10
5
0
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 8 Ojiva mayor o igual que de la distribucin de pesos de lingotes de acero, usando
frecuencias absolutas acumuladas.
Hi *
1
0.90
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.10
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 9 Ojiva mayor o igual que de la distribucin de pesos de lingotes de acero, usando
frecuencias relativas acumuladas.
Se traza por la abscisa conocida una lnea vertical que intersecta a la curva
"menor que" y por este punto se traza una recta horizontal. La
aproximacin al porcentaje deseado se obtiene al leer el punto de
interseccin de la horizontal con el eje de la escala vertical. Fig. 10.
En este caso, aproximadamente el 80% de los lingotes pesarn menos de
95.1 Kg. Esto implica que el 20% de los lingotes pesan 95.1 Kg o ms. Esto
se obtiene al trazar una lnea vertical por 95.1 Kg hasta que corte la curva
"mayor o igual que", luego trazar una horizontal y leer el punto de
interseccin de esta horizontal con el eje de la escala vertical Fig. 10.
(Observe la direccin de la flecha).
Si por el contrario, el investigador quiere saber por debajo de que valor
est situado un cierto porcentaje especfico de la distribucin de
observaciones, (es decir ordenada conocida, hallar la abscisa). Por
ejemplo, si se quiere saber por debajo de qu valor est el 25% de los
pesos de los lingotes de acero.
MECNICA DE PRODUCCIN
101
9/113
99/147
ESTADSTICA APLICADA
1.00
Frecuencia Relativa
0.90
Ojiva
menor que
0.80
0.70
0.60
0.50
0.40
Ojiva
menor
o igual que
0.30
25%
0.20
0.10
0
91.5
92.5
93.5
93.3
94.5
94.0
95.5
95.1
Por este punto se traza una horizontal que intersecta a la curva "menor
que" y por la interseccin una vertical. La aproximacin al valor buscado
se obtiene al leer el punto de interseccin de la vertical con el eje de las
abscisas (Fig. 10). En este caso es aproximadamente 93.3 Kg. Es decir, el
25% de los lingotes de acero pesan menos de 93.3 Kg.
Una conclusin importante que se extrae del grfico de ambas ojivas
(Fig. 10) es que stas se intersectan en un punto "M" que corresponde al
50% de las observaciones. Para nuestro ejemplo este punto es
aproximadamente 94 Kg.
Ejemplo 4: La revista econmica "Per en cifras" ha recabado los
siguientes datos en una muestra de 130 vendedores que representan los
ingresos anuales totales por concepto de comisin:
<Utilidades (en S)]
Frecuencia
5 000 o menos
5 000 - 10 000
10 000 - 15 000
15 000 - 20 000
20 000 - 30 000
30 000 - 40 000
40 000 - 50 000
ms de 50 000
5
9
11
33
37
19
9
7
MECNICA DE PRODUCCIN
102
100/147
ESTADSTICA APLICADA
Frecuencia
ni
5
9
11
33
37
19
9
7
5 000 o menos
5 000 - 10 000
10 000 - 15 000
15 000 - 20 000
20 000 - 30 000
30 000 - 40 000
40 000 - 50 000
ms de 50 000
Altura =
ci
Amplitud
estandarizado
c = 5000 = unidad
--5 000
5 000
5 000
10 000
10 000
10 000
---
--1
1
1
2
2
2
---
--9
11
33
18.5
9.5
4.5
---
Amplitud de
clase
ni
ci
estandar
30
25
20
15
10
5
FRECUENCIA ABSOLUTA
35
Siete vendedores
que ganan
50 mil o ms
10
15
20
25
30
35
40
45
50 ingreso
(en miles de S)
Ingresos (en S)
ni
Frecuencia (hi )
relativa
< 5 000
5 000 - 10 000
10 000 - 15 000
15 000 - 20 000
20 000 - 30 000
30 000 - 40 000
40 000 - 50 000
< 50 000
11
33
37
19
9
7
0.038
0.069
0.085
0.254
0.285
0.146
0.069
0.054
TOTAL
130
1.000
5
9
MECNICA DE PRODUCCIN
Frecuencia relativa
acumulada Hi
0.038
0.107
0.192
0.446
0.731
0.877
0.946
1.000
103
101/147
ESTADSTICA APLICADA
i. Por el punto 25 se traza una vertical que corta a la ojiva y por este una
horizontal. El valor es aproximadamente 42%. Es decir,
aproximadamente el 42% de los vendedores ganan ms de $ 25 000.
30
25
20
50 ingreso
40
(en miles de S)
}
x 30
20
40
50
}
}
}
}
37
10
30 - 25
Por tanto:
19
37
(30-25) 37
= 5 x 3.7 = 18.5 = 19
x, Luego x =
10
N = 19 + 19 + 9 + 7 = 54
El porcentaje ser : P =
N
54
x 100 =
x 100 42%
130
130
}
30
20
40
50
}
}
}
}
28.5%
MECNICA DE PRODUCCIN
14.6%
104
6.9%
5.4%
102/147
ESTADSTICA APLICADA
P=
Piezas
4.5
5.2
5.8
6.5
7.5
6.5
8
Fig. 13
7
6
5
4
0
Ene.
Feb.
Mar.
Abril
May.
MECNICA DE PRODUCCIN
Jun..
Jul.
Agos.
Set.
Oct.
105
Nov.
Dic.
Meses
103/147
ESTADSTICA APLICADA
Nota: La grfica de una distribucin simtrica se le puede doblar a lo largo
de un eje vertical de manera que coincidan los dos lados. Una distribucin
cuya grfica no tiene esta caracterstica se le conoce como sesgada. Se
dice que la distribucin que se ilustra en la Fig. 14 est sesgada a la
derecha, porque tiene una cola prolongada aliado derecho y una cola
mucho ms corta al lado izquierdo. En la Fig. 15 se observa que la
distribucin es simtrica, mientras que la Fig. 16 est sesgada a la
izquierda.
MECNICA DE PRODUCCIN
106
104/147
ESTADSTICA APLICADA
PRCTICA N 5
1. Establezca la veracidad o falsedad de cada una de las proposiciones
siguientes. Reemplace cada enunciado falso por la proposicin
verdadera correspondiente.
a. La escala vertical de una ojiva para una distribucin de frecuencia
relativa, marca la fraccin del nmero total de observaciones que
caen dentro de cada clase.
b. El histograma es una serie de rectngulos, cada uno de ancho
proporcional al nmero de elementos que caen dentro de una clase
particular de datos.
c. La ojiva "mayor o igual que" tiene la forma S y pendiente negativa.
d. Una ventaja del histograma frente a un polgono de frecuencias
consiste en que muestra con mayor claridad cada clase individual en
la distribucin.
2. Cul de los siguientes enunciados sobre los rectngulos del
histograma es correcto?
a. Los rectngulos son de altura proporcional al nmero de elementos
que caen dentro de las clases.
b. Generalmente hay 5 rectngulos en cada histograma.
c. El rea de un rectngulo depende del nmero de elementos de la
clase en comparacin con el nmero de los que hay en el resto de las
clases.
d. Todos los anteriores.
e. a y c pero no b.
3. En la oficina de el diario El Peruano, el tiempo que se tarda en imprimir
la primera plana fue registrado durante 50 das. A continuacin se
transcriben los datos, aproximados a dcimas de minuto:
20.1
19.5
21.8
23.9
22.7
20.8
25.3
23.7
21.3
19.7
22.8
20.7
20.3
21.5
24.2
21.9
22.5
23.6
23.1
23.8
22.0
21.2
19.0
19.9
20.7
20.7
23.8
25.1
24.2
23.8
20.9
23.3
25.0
24.1
24.3
25.0
20.9
19.5
19.8
21.1
22.2
22.9
24.1
23.9
20.9
22.8
23.5
24.2
22.8
21.6
MECNICA DE PRODUCCIN
107
105/147
ESTADSTICA APLICADA
4. La siguiente distribucin de las edades de las personas hospitalizadas
en una sala de ciruga. Dibuje el histograma y el polgono
correspondiente.
Intervalo (edad en aos)
Frecuencia
27 - 32
32 - 37
37 - 47
47 - 62
2
5
6
3
16
Total
Aos
Mortalidad (%)
0 - 0.20
0.20 - 0.50
0.50 - 1.00
1.00 - 2.00
2.00 - 3.00
50.0
30.0
12.0
05.0
03.0
Frecuencia (nmero de
reparaciones efectuadas)
12
9
6
Tiempo necesario
para terminar una
reparacin (en h.)
3
0
3.5 5.5
7.5
MECNICA DE PRODUCCIN
108
106/147
ESTADSTICA APLICADA
10
a. R e c o n s t r u y a l a t a b l a d e
distribucin de frecuencias.
8
6
2
0
127 132 137
147
162
Venta
Costos en almacn
de mercanca vendida
1988
S/. 58 6474
36 3252
1989
1990
47 6892
59 9886
33 5817
37 2338
MECNICA DE PRODUCCIN
109
107/147
ESTADSTICA APLICADA
12. Muestre en un pictograma los habitantes (en miles) de cinco ciudades
A
350 D 400
(A, B, C, D y E) que en 1988 fueron:
B
500 E 250
C
600
13. Representar mediante diagramas de barras mltiples los datos del
siguiente cuadro:
PER: DELITOS ECONMICOS REGISTRADOS POR LA POLICIA
DE INVESTIGACIONES: 1986 - 1988
DELITOS ECONMICOS
TOTAL
ADULTE- ACAPARARACIN
MIENTO
ESPECULACION
OTROS
1986
1945
230
614
457
644
1987
3616
236
480
1290
1610
1988
13582
2708
3149
4025
3700
ATENCIN
MDICA
(CONSULTA)
ATENCIN
ODONTOL.
(SESIN)
VACUNAS
(DOSIS)
PARTOS
(PARTOS)
HOSPITALES
EGRESO
DIAS
1987
7110
950
278
46
183
2134
1988
8641
1253
330
52
212
1956
1989
8154
1373
518
59
197
1675
Algodn Arroz
1980 528707
1981 565516
1982 548337
1983 462149
1984 600790
1985 681457
1986 1039798
1987 1056549
1988 945752
139524
119133
105138
74478
111302
184041
109388
108010
134145
130156
162598
159291
165060
197488
182277
209038
217726
174438
Caf Caa de
azcar
49939 8183
35577 11484
36883 35002
37276 5104
40888 7178
49328 9700
92202 18348
62216 5549
70669 4908
Frijol
Maz 1/ Papa
Sorgo 2/ Trigo
21167
15317
15347
13266
15562
4477
7052
8144
10827
Otros
4300 54522
3364 64726
1787 63118
805 53242
1512 73156
9340 91213
23557 189712
22171 229739
22047 198183
MECNICA DE PRODUCCIN
110
108/147
ESTADSTICA APLICADA
16.Representar mediante un diagrama de sectores los datos del siguiente
informe. En una industria el informe de contabilidad muestra que la
produccin fue de S/. 62600 y los gastos as: de administracin
S/.11160, de materiales y energticos S/. 15650, salarios y
prestaciones S/.18780.
17.Represente mediante un diagrama de sectores (grfico circular) para
cada ao los datos del siguiente cuadro.
EXPORTACIONES FOB POR GRUPO DE PRODUCTOS
(Millones de US dlares)
1984
1985
1986
1368
618
198
137
100
1205
645
225
118
71
1023
236
333
204
65
726
3147
714
2978
648
2509
I Productos Tradicionales
Mineros
Petrleo y derivados
Agrcolas
Pesqueros
Otros tradicionales
II Productos No Tradicionales
Total
Fuente: Banco Central de Reserva del Per
18. Los beneficios de la empresa ROS, S.A. (en miles de soles) han sido:
425
200 1986
1980
400
250 1987
1981
400
250 1988
1982
300
300 1989
1983
350
350 1990
1984
400
400 1991
1985
representar en un grfico de lneas estos datos.
19. Si ud. es publicista y tiene que presentar grficamente los siguientes
datos relativos a tres academias de preparacin en el Examen de
Admisin:
ACADEMIA
N INGRESANTES
N NO INGRESANTES
300
600
100
1200
1800
400
A
B
C
111
109/147
ESTADSTICA APLICADA
DISTRIBUCIN NORMAL
1. Concepto:
Esta distribucin es frecuentemente utilizada en las aplicaciones
estadsticas. Su propio nombre indica su extendida utilizacin,
justificada por la frecuencia o normalidad con la que ciertos fenmenos
tienden a parecerse en su comportamiento a esta distribucin,
Muchas variables aleatorias continuas presentan una funcin de
densidad cuya grfica tiene forma de campana.
0,2
0,1
0,0
0
10
2. Aplicacin:
La importancia de la distribucin normal se debe principalmente a que
hay muchas variables asociadas a fenmenos naturales que siguen el
modelo de la normal.
Caracteres morfolgicos de individuos (personas, animales,
plantas,...) de una especie, p. ejm. Tallas, pesos, envergaduras,
dimetros, permetros...
Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un
frmaco, o de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen.
Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de
adaptacin a un medio......
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos maestrales, por ejemplo: la media.
Otras distribuciones como la binomial o la de Poisson son
aproximaciones normales...
Y en general cualquier caracterstica que se obtenga como suma de
muchos factores.
MECNICA DE PRODUCCIN
112
110/147
ESTADSTICA APLICADA
3. Funcin de Densidad
Empleando clculos bastante laboriosos, puede demostrarse que el
modelo de la funcin de densidad que corresponde a tales
distribuciones viene dado por la frmula.
Funcin de Densidad
(x - m)2
f(x)
1
2s2
f(x) =
e
s 2p
m = media
s = desv. tpica
s2 = varianza
Dominio:
Campana de Gauss
p = 3.1415
e = 2,7182...
x = abscisa
Dom f = R
Mximo: m,
1
s 2p
m-s
m+s
P. Inflexin: en x = m + s y x = m - s
Asntotas: El eje OX es una asntota horizontal
Simetras: Respecto a la recta x = m
Monotona: Creciente (-, m), decreciente (,+m)
Signo:
Es siempre positiva
P. Corte:
OY
m2
- 2
1
0,
e 2s
s 2p
Funcin de Distribucin
f(x)
(x - m)2
F(x) =
- s
1
2p
2s2
dx
e
F (x)
F(x) = P(X x)
U
MECNICA DE PRODUCCIN
113
Xi
111/147
ESTADSTICA APLICADA
5. Tipificacin
Si la variable X es N(m,s) entonces la variable tipificada de X es
X-m
Z = s Y sigue tambin una distribucin normal pero
De m = 0 y s = 1, es decir, N(0, 1)
Por tanto su funcin de densidad es:
z2
j (z) =
-2
1
e
2p
;-<z<+
Y su funcin se distribucin es
2
1
2p
-2
e dt
0,4
0,3
0,2
F(z)
-1.5
-1
-s
-0,5
0,1
1-F(z)
0,5
00
m
Z1
1
+s
1.5
2
MECNICA DE PRODUCCIN
X - np
npq
es N(0,1)
114
Teorema de
De Moivre
112/147
ESTADSTICA APLICADA
Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto
ms prximo sea p a 0.5, tanto mejor ser la aproximacin realizada. Es
decir, basta con que se verifique.
np 5 y nq 5
gracias a esta aproximacin es fcil hallar probabilidades binomiales, que
para valores grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta
transformacin de una variable discreta (binomial) en una variable
continua (normal) es necesario hacer una correccin de continuidad.
P(X = a) = P(a - 0.5 X a + 0.5)
P(X a) = P( X a + 0.5)
a b
a b
Teorema de
DE MOIVRE
X es B(n, p)
Z=
Y es N(np, npq )
X - np
es N (0,1)
npq
MECNICA DE PRODUCCIN
115
113/147
ESTADSTICA APLICADA
P (Z a) Tablas
P (Z > a) = 1 - P (Z a)
P (Z -a) = 1 - P (Z a)
-a
-a
MECNICA DE PRODUCCIN
116
114/147
ESTADSTICA APLICADA
P (-bZ > a) = 1 - P (Z a)
-b
-a
Ejemplo:
Consideremos que el peso de los nios varones espaoles en el momento
del nacimiento se distribuye normalmente. Si sabemos que el peso medio
en el momento de nacer son 3,25 kgs y la desviacin tpica es de 0,82 kgs,
Cal es la probabilidad de que el peso de un nio varn al nacer sea
superior a 4 kgs?
Tipificamos la variable aleatoria x, peso de los nios al nacer. En el
proceso de tipificacin, al valor de x=4, le corresponde el valor, t=0,9146 :
En la tabla de la distribucin normal tipificada, buscamos el valor de a
correspondiente al valor de t=0,9146; la probabilidad de t > 0,9146 es,
segn se puede apreciar en la figura: a/2. Luego:
0,36 = 0,18
p (x > 4) = p (t > 0,9146) =
2
La curva tipificada
-1
MECNICA DE PRODUCCIN
117
115/147
ESTADSTICA APLICADA
+
0.00
.5000
.4602
.4207
.3821
.3446
.3085
.2743
.2420
.2119
.1841
.1587
.1357
.1151
.0968
.0808
.0668
.0548
.0446
.0359
.0287
.0228
.0179
.0139
.0107
.0082
.0062
.0047
.0035
.0026
.0019
.0013
.0010
.0007
.0005
.0003
.0002
.0001
.0001
.0001
.0000
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
1.50
1.60
1.70
1.80
1.90
2.00
2.10
2.20
2.30
2.40
2.50
2.60
2.70
2.80
2.90
3.00
3.10
3.20
3.30
3.40
3.50
3.60
3.70
3.80
3.90
0.01
.4960
.4562
.4168
.3783
.3409
.3050
.2709
.2389
.2090
.1814
.1562
.1335
.1131
.0951
.0793
.0655
.0537
.0436
.0351
.0281
.0222
.0174
.0136
.0104
.0080
.0060
.0045
.0034
.0025
.0018
.0013
.0009
.0007
.0005
.0003
.0002
.0001
.0001
.0001
.0000
0.02
.4920
.4522
.4129
.3745
.3372
.3015
.2676
.2358
.2061
.1788
.1539
.1314
.1112
.0934
.0778
.0643
.0526
.0427
.0344
.0274
.0217
.0170
.0132
.0102
.0078
.0059
.0044
.0033
.0024
.0018
.0013
.0009
.0006
.0005
.0003
.0002
.0001
.0001
.0001
.0000
0.03
.4880
.4483
.4090
.3707
.3336
.2981
.2643
.2327
.2033
.1762
.1515
.1292
.1093
.0918
.0764
.0630
.0516
.0418
.0336
.0268
.0212
.0166
.0129
.0099
.0075
.0057
.0043
.0032
.0023
.0017
.0012
.0009
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.04
.4840
.4443
.4052
.3669
.3300
.2946
.2611
.2296
.2005
.1736
.1492
.1271
.1075
.0901
.0749
.0618
.0505
.0409
.0329
.0262
.0207
.0162
.0125
.0096
.0073
.0055
.0041
.0031
.0023
.0016
.0012
.0008
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.05
.4801
.4404
.4013
.3632
.3264
.2912
.2578
.2266
.1977
.1711
.1469
.1251
.1056
.0885
.0735
.0606
.0495
.0401
.0322
.0256
.0202
.0158
.0122
.0094
.0071
.0054
.0040
.0030
.0022
.0016
.0011
.0008
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.06
.4761
.4364
.3974
.3594
.3228
.2877
.2546
.2236
.1949
.1685
.1446
.1230
.1038
.0869
.0721
.0594
.0485
.0392
.0314
.0250
.0197
.0154
.0119
.0091
.0069
.0052
.0039
.0029
.0021
.0015
.0011
.0008
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.08
.4721
.4325
.3936
.3557
.3192
.2843
.2514
.2206
.1922
.1660
.1423
.1210
.1020
.0853
.0708
.0582
.0475
.0384
.0307
.0244
.0192
.0150
.0116
.0089
.0068
.0051
.0038
.0028
.0021
.0015
.0011
.0008
.0005
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.08
.4681
.4286
.3897
.3520
.3156
.2810
.2483
.2177
.1894
.1635
.1401
.1190
.1003
.0838
.0694
.0571
.0465
.0375
.0301
.0239
.0188
.0146
.0113
.0087
.0066
.0049
.0037
.0027
.0020
.0014
.0010
.0007
.0005
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.09
.4641
.4247
.3859
.3483
.3121
.2776
.2451
.2148
.1867
.1611
.1379
.1170
.0985
.0823
.0681
.0559
.0455
.0367
.0294
.0233
.0183
.0143
.0110
.0084
.0064
.0048
.0036
.0026
.0019
.0014
.0010
.0007
.0005
.0003
.0002
.0002
.0001
.0001
.0001
.0000
z2
-2
1
e dz = A
2p
b2 = 0.35656378
b3 = 1.78147794
z2
1
to =
z
2
1 + p0
b4 = 1.82125598
b5 = 1.33027443
118
116/147
ESTADSTICA APLICADA
DIAGRAMA CAUSA - EFECTO
Concepto:
El diagrama causa-efecto es una forma de organizar y representar las
diferentes teoras propuestas sobre las causas de un problema. Se
conoce tambin como diagrama de Ishikawa o diagrama de espina de
pescado y se utiliza en las fases de Diagnstico y Solucin de la causa.
Cmo interpretar un diagrama de causa-efecto:
El diagrama causa-efecto es un vehculo para ordenar, de forma muy
concentrada, todas las causas que supuestamente pueden contribuir a un
determinado efecto. Nos permite, por tanto, lograr un conocimiento comn
de un problema complejo, sin ser nunca sustitutivo de los datos. Es
importante ser conscientes de que los diagramas de causa-efecto
presentan y organizan teoras. Slo cuando estas teoras son
contrastadas con datos podemos probar las causas de los fenmenos
observables.
Errores comunes son construir el diagrama antes de analizar globalmente
los sntomas, limitar las teoras propuestas enmascarando
involuntariamente la causa raz, o cometer errores tanto en la relacin
causal como en el orden de las teoras, suponiendo un gasto de tiempo
importante.
Ejemplos de causa-efecto
A continuacin veremos como el valor de una caracterstica de calidad
depende de una combinacin de variables y factores que condicionan el
proceso productivo (entre otros procesos). Vamos a utilizar el ejemplo de
fabricacin de mayonesa para explicar los Diagramas de Causa-Efecto:
Mtodos de
trabajo
Medicin
Mquinas y
Equipos
Caractersticas
de Calidad
Personas
Materias
Primas
MECNICA DE PRODUCCIN
119
117/147
ESTADSTICA APLICADA
Las Siete Herramientas de la Calidad
H1 - Diagramas de Causa-Efecto
Hemos visto en la introduccin como el valor de una caracterstica de
calidad depende de una combinacin de variables y factores que
condicionan el proceso productivo. Vamos a continuar con el ejemplo de
fabricacin de mayonesa para explicar los Diagramas de Causa-Efecto:
Mtodos de
trabajo
Medicin
Mquinas y
Equipos
Caractersticas
de Calidad
Personas
Materias
Primas
Caracterstica
de Calidad
MECNICA DE PRODUCCIN
120
118/147
ESTADSTICA APLICADA
Mquinas y
Equipos
Medicin
Caracterstica
de calidad
Personas
Materias
Primas
121
119/147
ESTADSTICA APLICADA
Un diagrama de Causa-Efecto es de por si educativo, sirve para que la
gente conozca en profundidad el proceso con que trabaja, visual izando
con claridad las relaciones entre los Efectos y sus Causas.
Sirve tambin para guiar las discusiones, al exponer con claridad los
orgenes de un problema de calidad. Y permite encontrar ms
rpidamente las causas asignables cuando el proceso se aparta de su
funcionamiento habitual.
Inspeccin
Medicin
Capacitacin
Error
Irregular
Taladro de Metal
Tope Axial
Inspector
Cubierta F
Cubierta de Eje F
Ancho de Punzn
Instrumento
Cubierta de Eje G
Experiencia
Evaluacin
Mtodo
Personalidad
Conocimientos
Operarios
Irregular
6.4
11.6
Pequeo
Grande
Roscas
Tamao
Grande
Tuercas
Materiales
Medicin
Refrigeracin
Flojas
Ajustadas
Calibracin
Picnmetro
Equipo de
Medicin
Capacitacin
Mantenimiento
Operador
Agitacin
Limpieza
2,6
Eje Central
Mezcladora
Ajuste
Motor
Oscilacin
del Eje
Cubierta F
Capacitacin
Descentrada
Intervalo
Cavidad Axial
Experiencia
Abertura de Cubierta
Ajuste
Descentrada
Contenido
Blindado
Herramientas
Balanza
Habilidad
Caractersticas
de calidad
Proveedor A
Incentivos
Capacitacin
Composicin
Aceite
Cantidad
Huevos
Balanza
Personas
Materias
primas
MECNICA DE PRODUCCIN
122
Cantidad
Mantenimiento
120/147
ESTADSTICA APLICADA
Ejercicio: Diagrama de Causa - Efecto
Equipo
Personas
Termostato roto
Pobre capacidad de lectura
Cocina
muy
pequea
Vlvula de
temperatura errada
La torta se
quema en el
horno
Medio
Pre-calentado
por mucho
tiempo
Instrucciones confusas
Materiales
Mtodos
Categoras
Recipiente equivocado
Categoras
Categoras
Problema
Categoras
MECNICA DE PRODUCCIN
Categoras
Categoras
123
121/147
ESTADSTICA APLICADA
Mtodo de fabricacin
Materia prima
Evaluacin
Inspeccin
recepcin
Actualizacin
Instrucciones
de trabajo
Proveedor X
CARACTERISTICAS
DE CALIDAD
(Efecto)
Rotacin
Horno
Obsolescencia
Pirmetro
Capacitacin
Temperatura
Presupuesto
Operarios
Contenido de
Humedad
Mquina
MANO DE OBRA
(PERSONAL)
MAQUINA
(EQUIPO)
Falta de
Reactivos
Deficiencia en la
Corriente Elctrica
Pocos
refrigeradores
Impuntualidad
del Personal
Ausentismo
Microscopios
(Desajustes)
Falta de
capacitacin
MEDIO AMBIENTE
(POLTICAS)
MECNICA DE PRODUCCIN
No hay Plan
de Trabajo
DEMORA EN LA
ENTREGA DE
RESULTADOS DE
ANLISIS DE
LABORATORIO
Hay Pasos
Innecesarios
en el Trabajo
MTODO
(PROCEDIMIENTO)
124
122/147
MECNICA DE PRODUCCIN
125
Nutricin
Estrategia
Sentido comn
Cantidad
Comida
Caloras
Movimiento
Potencia
Concentracin
Cuidado
Paciencia
Animo
Itinerario
Confianza
Experiencia en partidos
Tcnia
Modelo
Compostura
Calma
Devocin
Espritu de lucha
Orgullo
Entusiasmo
Repeticin
Ejercicio
Velocidad
Cooperacin
Calidad
Anlisis
Cantidad
Trabajo en equipo
Observacin
Consejo
Juicio de la situacin
Funcin
Forma
Estudio
del oponente
Informacin
Qu tan bien
Teora
Reglas
Planeacin
Dormir
Tiempo
Diversin
Descanso
Relajamiento
Salud
Derrota en
un torneo
deportivo
ESTADSTICA APLICADA
123/147
ESTADSTICA APLICADA
Hueso grande
Hueso pequeo
Hueso mediano
Columna
vertebral
Caracterstica
Caracterstica (efecto)
Factores (Causas)
PRCTICA N 6
Ejercicio: Diagrama de Causa - Efecto
Demora en la entrega de los resultados de los anlisis en la U.M.F. # "XX".
a) La deficiencia en equipo (causa) puede ser responsable de que se
demore la entrega de resultados.
b) La demora de resultados de los anlisis (efecto) se puede deber a
que no existe un plan adecuado de trabajo.
c) El desconocimiento de cmo realizar algunos cultivos (causa) puede
influir en la no entrega de resultados de anlisis.
d) La demora en la entrega de resultados de anlisis (efecto) es debido
a no considerar el periodo necesario para su realizacin (causa).
MECNICA DE PRODUCCIN
126
124/147
ESTADSTICA APLICADA
DIAGRAMA DE DISPERSIN
La investigacin de una relacin entre dos variables, comienza con un
intento de descubrir la forma aproximada de la relacin, para lo cual se
representan los datos observados en un sistema de coordenadas.
Esta grfica recibe el nombre de diagrama de dispersin, el cual muestra
la ubicacin de los valores o puntos (xi, yj) de la variable bidimensional
(x, y), en un sistema de coordenadas rectangulares.
En la grfica se puede observar si existe o no una relacin acentuada
entre las variables x e y, y se puede ver que forma tiene: lineal u otra.
Ejemplo 1: A continuacin se presentan los pesos (x) y la estatura (y) de
12 estudiantes. Trace el diagrama de dispersin.
x 60
56
42
72
36
63
47
55
49
38
42
61
160
152
149 150
147 145
140
128
125
118
115
36
38
42
47
49
55 56
60 61
63
72
MECNICA DE PRODUCCIN
127
125/147
ESTADSTICA APLICADA
CORRELACIN LINEAL
Hemos dicho que la covarianza mide la relacin lineal entre x e y. Para
ilustrarlo, dibujamos en los ejes coordenadas los diagramas de
dispersin, de la Fig. 1.
y
X
a. Covarianza positiva
X
c. Covarianza negativa
X
d. Covarianza prxima a cero
MECNICA DE PRODUCCIN
128
126/147
ESTADSTICA APLICADA
Definicin 1: El coeficiente de correlacin (o ndice de correlacin lineal
de Pearson) entre dos variables x e y se define por:
R=
Cov (x, y)
Sx Sy
4 6 5 8 7
2 5 6 7 9
xi
yi
xiyi
xi
yi
3
10
9
1
2
4
6
5
8
7
3
8
10
4
1
2
5
6
7
9
9
80
90
4
2
8
30
30
56
63
9
100
81
1
4
16
36
25
64
49
9
64
100
16
1
4
25
36
49
81
55
55
372
385
385
x=
55
= 5.5
10
y=
55
= 5.5
10
Cov (x, y) =
= 37.2 - 30.25
= 6.95
129
127/147
ESTADSTICA APLICADA
2. De la tabla:
Sx2i 2 385
- (5.5)2 = 8.25
Sx= n -x =
10
2
Sy i 2 385
- (5.5)2 = 8.25
S2y = n - y =
10
Por tanto, el coeficiente de correlacin es
2
r=
Cov (x, y)
6.95
6.95
=
=
= 0.84
Sx Sy
8.25 8.25 8.25
rS = 1 -
di
6S
i=1
n (n2 - 1)
MECNICA DE PRODUCCIN
130
128/147
ESTADSTICA APLICADA
Ejemplo 2: La Tabla adjunta muestra la altura de un padre y un hijo (en
pulgadas). Hallar el coeficiente de correlacin de Spearman.
Solucin: Las estaturas de los padres y los hijos, as como los rangos
correspondientes de las ordenaciones en forma descendente aparecen
en la tabla.
Los rangos de los valores
iguales se calculan as:
x
padre
y
hijo
Rx
Ry
di
d2i
65
63
67
64
68
62
71
76
68
67
69
70
68
66
68
65
69
66
68
75
71
67
68
70
9
11
7.5
10
5.5
12
2
1
5.5
7.5
4
3
6.5
10.5
6.5
12
4
10.5
6.5
1
2
9
6.5
3
2.5
0.5
1
-2
1.5
1.5
-4.5
0
3.5
-1.5
-2.5
0
6.25
0.25
1
4
2.25
2.25
20.25
0
12.25
2.25
6.25
0
para x:
5 + 6 11
=
= 5.5
2
2
7 + 8 15
=
= 7.5
2
2
para y:
5 + 6 + 7 + 8 26
=
= 6.5
4
4
10 + 11 21
=
= 10.5
2
2
57.00
rS = 1 -
di
6S
i=1
2
n (n - 1)
=1-
6 x 57
= 1 - 0.1980 = 0.802
2
12 (12 - 1)
ad - bc
ad + bc
Si
No
Total
Si
No
Total
11
4
15
7
10
17
18
14
32
MECNICA DE PRODUCCIN
131
11 x 10 - 7 x 4
11 x 10 + 7 x 4
82
= 0.594
138
129/147
ESTADSTICA APLICADA
Coeficiente de Correlacin PHI Es un coeficiente para medir el grado de
asociacin entre dos variables cualitativas ordinal o nominal, de solo dos
categoras. La distribucin del nmero de puntos se dispone como en la
siguiente tabla.
y
x
Total
a+b
0
a
b
c+d
1
c
d
Total a + c b + d n
F=
ad - bc
(a + b) (c + d) (a + c) (b + d)
Favorable
Desfavorable
Total
86
41
127
62 71
133
148 112 n = 260
F=
86 x 71 - 41 x 62
127 x 133 x 148 x 112
6106 - 252
279985216
3564
16732 . 7588
= 0.213
Correlacin y Causalidad
Los coeficientes de correlacin son slo medida de la covariacin de las
variables.
En cuanto a la variacin misma puede deberse a causas que afectan a
cada variable de una misma manera o de maneras opuestas, o bien una
de ellas es causa de la variacin de la otra, o puede suceder que la
relacin causal sea recproca; todo esto es ajeno a la comprobacin de la
existencia de la correlacin y del valor del coeficiente de correlacin.
Es fcil imaginarse al aprendiz parejas de variables que pudieran dar un
alto valor de un coeficiente de correlacin y que no se deba realmente a
una estrecha relacin entre ellas, sino el efecto comn sobre stas de una
tercera variable, y entonces este alto valor del coeficiente de correlacin
refleja slo ese efecto comn.
En consecuencia los coeficientes de correlacin se deben manejar con
mucho cuidado, ya que de no ser as, puede llevamos a conclusiones
errneas.
MECNICA DE PRODUCCIN
132
130/147
ESTADSTICA APLICADA
REGRESIN LINEAL SIMPLE
El estudio de la asociacin entre dos variables se dan en dos aspectos.
El primero se conoce como anlisis de correlacin, el cual se ocupa de
determinar "el grado de la relacin" entre las variables.
El segundo aspecto se llama anlisis de regresin que trata de
establecer la "forma de la relacin entre las variables"; es decir, se estudia
la relacin funcional entre las variables (y = f(x) o x = f(y)) , de modo que
podamos predecir el valor de una con base en la otra u otras.
Convencionalmente la variable o variables que son la base de la
prediccin se llaman variable o variables independientes y la variable que
se va a predecir se llama variable dependiente.
La palabra regresin se us por primera vez en este contexto por
FRANCIS GALTON (1822 - 1911) en sus estudios biolgicos sobre la
herencia. En ellos se not que las caractersticas promedio de la siguiente
generacin de un grupo particular tendan a moverse en la direccin de las
caractersticas promedio de la poblacin en general, ms que hacia las de
la generacin previa de ese grupo. Esta tendencia fue referida como una
regresin hacia la media de la poblacin.
Luego, la regresin tiene dos significados: uno surge de la distribucin
conjunta de probabilidad de dos variables aleatorias; el segundo emprico
y nace de la necesidad de ajustar alguna funcin a un conjunto de datos.
El primer significado est fuera del alcance de este texto. El segundo es
ms prctico. En l, no se tienen los elementos necesarios para
determinar la curva de regresin, sin embargo, dado un conjunto de datos
puede asumirse una forma funcional para la curva de regresin y tratar de
ajustar sta a los datos.
Asi, la regresin de la variable y en x est dado por;
y = f(x)
Definicin 2: Si la regresin de y en x es una [uncin lineal,
y = a + bx,
a, b constantes
133
131/147
ESTADSTICA APLICADA
n
2
SCD = S [ yi - (a + bxi) ] sea mnima
i =1
yi
SCD
= 2 S [yi - (a + b xi)] ( -1 ) = 0
2
SCD
= 2 S [yi - (a + b xi)] ( - xi ) = 0
b
a + b xi
(xi,a + bxi)
Fig. 1
xi
(*)
Cov (x, y)
(x - x)
v (x)
r =
134
132/147
ESTADSTICA APLICADA
DIAGRAMA DE PARETO
Concepto
El Diagrama de Pareto es una grfica en donde se organizan diversas
clasificaciones de datos por orden descendente, de izquierda a derecha
por medio de barras sencillas despus de haber reunido los datos para
calificar las causas. De modo que se pueda asignar un orden de
prioridades.
Qu es?
El nombre de Pareto fue dado por el Dr. Joseph Juran en honor del
economista italiano Vilfredo Pareto (1848-1923) quien realizo un estudio
sobre la distribucin de la riqueza, en el cual descubri que la minora de la
poblacin posea la mayor parte de la riqueza y la mayora de la poblacin
posea la menor parte de la riqueza. Con esto estableci la llamada "Ley
de Pareto" segn la cul la desigualdad econmica es inevitable en
cualquier sociedad.
El Dr. Juran aplic este concepto a la calidad, obtenindose lo que hoy se
conoce como la regla 80/20.
Segn este concepto, si se tiene un problema con muchas causas,
podemos decir que el 20% de las causas resuelven el 80% de! problema y
el 80% de las causas solo resuelven el 20% del problema.
Por lo tanto, el Anlisis de Pareto es una tcnica que separa los "pocos
vitales" de los "muchos triviales". Una grfica de Pareto es utilizada para
separar grficamente los aspectos significativos de un problema desde los
triviales de manera que un equipo sepa dnde dirigir sus esfuerzos para
mejorar. Reducir los problemas ms significativos (las barras ms largas
en una Grfica Pareto) servir ms para una mejora general que reducir
los ms pequeos. Con frecuencia, un aspecto tendr el 80% de los
problemas.
En el resto de los casos, entre 2 y 3 aspectos sern responsables por el
80% de los problemas.
En relacin con los estilos gerenciales de Resolucin de Problemas y
Toma de Decisiones (Conservador, Bombero, Oportunista e Integrador)
1[1], vemos como la utilizacin de esta herramienta puede resultar una
alternativa excelente para un gerente de estilo Bombero, quien
constantemente a la hora de resolver problemas solo "apaga incendios'"
es decir, pone todo su esfuerzo en los "muchos triviales".
Cundo se utiliza?
Al identificar un producto o servicio para el anlisis para mejorar la
calidad.
Cuando existe la necesidad de llamar la atencin a los problema o
causas de una forma sistemtica.
Al identificar oportunidades para mejorar.
MECNICA DE PRODUCCIN
135
133/147
ESTADSTICA APLICADA
Al analizar las diferentes agrupaciones de datos (ej: por producto por
segmento del mercado, rea geogrfica, etc.).
Al buscar las causas principales de los problemas y establecer la
prioridad de las soluciones.
Al evaluar los resultados de los cambos efectuados a un proceso (antes
y despus).
Cuando los datos puedan clasificarse en categoras.
Cuando el rango de cada categora es importante.
Pareto es una herramienta de anlisis de datos ampliamente utilizada y es
por lo tanto til en la determinacin de la causa principal durante un
esfuerzo de resolucin de problemas. Este permite ver cuales son los
problemas ms grandes, permitindoles a Ios grupos establecer
prioridades. En casos tpicos, los pocos (pasos, servicios, tems,
problemas, causas) son responsables por la
mayor parte el impacto negativo sobre la calidad. Si enfocamos nuestra
atencin en estos pocos vitales, podemos obtener la mayor ganancia
potencial
de nuestros esfuerzos por mejorar la calidad.
Un equipo puede utilizar la Grfica de Pareto para varios propsitos
durante un proyecto para lograr mejoras:
Para analizar las causas
Para estudiar los resultados
Para planear una mejora continua.
Las Grficas de Pareto son especialmente valiosas como fotos de
"antes y despus" para demostrar qu progreso se ha logrado. Como tal,
la Grfica de Pareto es una herramienta sencilla pero poderosa.
Cmo se utiliza?
1. Seleccionar categoras lgicas para el tpico de periodo de tiempo).
2. Reunir datos. La utilizacin, de un Check List puede ser de mucha
ayuda en este paso.
3. Ordenar los datos de la mayor categora a la menor.
4. Totalizar los datos para todas las categoras.
5. Calcular el porcentaje del total que cada categora representa.
6. Trazar los ejes horizontales (x) y verticales (y primario y secundario)
7. Trazar la escala del eje vertical izquierdo para frecuencia (de 0 al
total), segn se calcul anteriormente.
MECNICA DE PRODUCCIN
136
134/147
ESTADSTICA APLICADA
8. De izquierda a derecha trazar las barras para cada categora en orden
descendente. Si existe una categora otros debe ser colocada al final,
sin importar su valor. Es decir que no debe tenerse en cuenta al
momento de ordenar de mayor a menor la frecuencia de las categoras.
9. Trazar la escala del eje vertical derecho para el porcentaje
acumulativo, comenzando por el 0 y hasta el 100%
10.Trazar el grfico lineal para el porcentaje acumulado, comenzando en
la parte superior de la barra de la primera categora (la ms alta)
11. Dar un ttulo al grfico, agregar las fechas de cuando los datos fueron
reunidos y citar la fuente de los datos.
12.Analizar la grfica para determinar los "pocos vitales
Consejos para la construccin I interpretacin
Como hemos visto, un Diagrama de Pareto es un grfico de barras que
enumera las categoras en orden descendente de izquierda a derecha, el
cual puede ser utilizado por un equipo para analizar causas, estudiar
resultados y planear una mejora continua.
Dentro de las dificultades que se pueden presentar al tratar de interpretar
el Diagrama de Pareto es que algunas veces los datos no indican una clara
distincin entre las categoras. Esto puede verse en el grfico cuando
todas las barras son ms o menos de la misma altura.
Otra dificultad es que se necesita ms de la mitad de las categoras para
sumar ms del 60% del efecto de calidad, por lo que un buen anlisis e
interpretacin depende en su gran mayora de un buen anlisis previo de
las causas y posterior recogida de datos.
En cualquiera de los casos, parece que el principio de Pareto no aplica.
Debido a que el mismo se ha demostrado como vlido en literalmente
miles de situaciones, es muy poco probable que se haya encontrado una
excepcin. Es mucho ms probable que simplemente no se haya
seleccionado un desglose apropiado de las categoras. Se deber tratar
de estratificar los datos de una manera diferente y repetir el Anlisis de
Pareto.
Esto nos lleva a la conclusin que para llevar a cabo un proceso de
Resolucin de Problemas/Toma de Decisiones (RP/TD) es necesario
manejar cada una de las herramientas bsicas de la calidad, tanto desde
el punto de vista terico como desde su aplicacin.
La interpretacin de un Diagrama de Pareto se puede definir completando
las siguientes oraciones de ejemplo:
"Existen (nmero de categoras) contribuyentes relacionados con
(efecto). Pero estos (nmero de pocos vitales) corresponden al (nmero)
% del total (efecto). Debemos procurar estas (nmero) categoras pocos
vitales, ya que representan la mayor ganancia potencial para nuestros
esfuerzos.
MECNICA DE PRODUCCIN
137
135/147
ESTADSTICA APLICADA
Relacin con otras herramientas
Un Diagrama de Pareto generalmente se relaciona con:
Diagrama de Causa y Efecto (Ishikawa)
Check List de Revisin
Check List de reunin de datos
Matriz para Planeacin de Acciones
Ejemplo de aplicacin
Un fabricante de heladeras desea analizar cuales son los defectos ms
frecuentes que aparecen en las unidades al salir de la lnea de produccin.
Para esto, empez por clasificar todos los defectos posibles en sus
diversos tipos:
Tipo de defecto
Motor no detiene
no enfra
Burlete Def.
Pintura Def.
Rayas
No funciona
Puerta no cierra
Gavetas Def.
Motor no arranca
Mala nivelacin
Puerta Def.
Otros
Burlete Def.
Pintura Def.
Gavetas Def.
Mala Nivelacin
Motor no arranca
Motor no detiene
No enfra
No funciona
Otros
Puerta Def.
Puerta no cierra
Rayas
Total:
MECNICA DE PRODUCCIN
138
Frec.
9
5
1
1
1
36
27
2
0
0
2
4
88
136/147
ESTADSTICA APLICADA
La ltima columna muestra el nmero de heladeras que presentaban cada
tipo de defecto, es decir, la frecuencia con que se presenta cada defecto.
En lugar de la frecuencia numrica podemos utilizar la frecuencia
porcentual, es decir, el porcentaje de heladeras en cada tipo de defecto:
Tipo de defecto
Burlete Def.
Pintura Def.
Gavetas Def.
Mala Nivelacin
Motor no arranca
Motor no detiene
No enfra
No funciona
Otros
Puerta Def.
Puerta no cierra
Rayas
Total
Frec. Frec. %
9
5
1
1
1
36
27
2
0
0
2
4
88
10.2
5.7
1.1
1.1
1.1
40.9
30.7
2.3
0.0
0.0
2.3
4.5
100
45.0%
40.0%
35.0%
30.0%
25.0%
20.0%
20.0%
10.0%
5.0%
0.0%
Pintura Def.
Mala
Nivelacin
Motor no
arranca
Motor se
detiene
No enfra
No funciona
Otros
Puerta Def.
Puerta no
cierra
Rayas
Pero Cules son los defectos que aparecen con mayor frecuencia? Para
hacerlo ms evidente, antes de graficar podemos ordenar los datos de la
tabla en orden decreciente de frecuencia:
MECNICA DE PRODUCCIN
139
137/147
ESTADSTICA APLICADA
Tipo de
Defecto
Motor no detiene
No enfra
Burlete Def.
Pintura Def.
Rayas
No funciona
Puerta no cierra
Gavetas Def.
Mala Nivelacin
Motor no arranca
Puerta Def.
Otros
Total:
Frec.
36
27
9
5
4
2
2
1
1
1
0
0
88
Frec. %
40.9
30.7
10.2
5.7
4.5
2.3
2.
1.1
1.1
1.1
0.0
0.0
100
120,0%
100,0%
80,0%
60,0%
40,0%
20,0%
0,0%
Motor no
detiene
No enfra
MECNICA DE PRODUCCIN
Pintura Def.
Rayas
No funciona
140
Puerta no
cierra
Gavetas Def.
Mala
Nivelacin
Motor no
arranca
Puerta Def.
Otros
138/147
ESTADSTICA APLICADA
PRCTICA N 7
1. Diagrama de Pareto
2. Diagrama de Causa - Efecto
3. Diagrama de Flujo
4. Diagrama de Control
Ejercicio: Diagrama de Pareto
En el Departamento de Sistemas existen paralizaciones de trabajo debido
a fallas de ciertas mquinas. Se decide analizar este problema para tomar
decisiones encaminadas a solucionarlo.
El personal del rea enumera las principales causas que pueden estar
incidiendo sobre el problema.
Interrupcin de la energa elctrica.
Manejo incorrecto por parte del operador.
Programa inadecuado
Falta de mantenimiento
Virus en el sistema
Otros
Para constatar tales apreciaciones, se decide recolectar datos en
cualquiera de los dos turnos (matutino-vespertino) de forma aleatoria
durante 8 horas, en cada uno de los cuatro das determinados como
periodo de recoleccin.
Ordenados:
Paralizacin de trabajo
Causas
Tiempo de Paralizacin
del trabajo (en minutos)
(f)
Falta de mantenimiento
Programa inadecuado
Interrupcin de energa
elctrica
Manejo incorrecto del
aprendizaje
Virus en el sistema
Otros
Total
% Relativo de tiempo
de paralizacin
% Relativo
acumulado
202
114
92
45
19
16
488
100 %
80 %
300
60 %
200
40 %
100
20 %
MECNICA DE PRODUCCIN
141
139/147
ESTADSTICA APLICADA
DIAGRAMA DE CONTROL
Concepto:
El proceso de determinar lo que se esta llevando a cabo, a fin de
establecer las medidas correctivas necesarias y as evitar desviaciones
en la ejecucin de los planes.
Puesto que el control implica la existencia de metas y planes, ningn
administrador puede controlar sin ellos. El no puede medir si sus
subordinados estn operando en la forma deseada a menos que tenga un
plan, ya sea, a corto, a mediano o a largo plazo. Generalmente, mientras
ms claros, completos, y coordinados sean los planes y ms largo el
periodo que ellos comprenden, ms completo podr ser el control.
Un administrador puede estudiar los planes pasados para ver dnde y
cmo erraron, para descubrir qu ocurri y porqu, y tomar las medidas
necesarias para evitar que vuelvan a ocurrir los errores. Sin embargo, el
mejor control previene que sucedan las desviaciones, anticipados a ellas.
Elementos del control.
1. Relacin con lo planeado. El control siempre existe para verificar el
logro de los objetivos que se establecen en la planeacin.
2. Medicin. Para controlar es imprescindible medir y cuantificar los
resultados.
3. Detectar desviaciones. Una de las funciones inherentes al control,
es descubrir las diferencias que se presentan entre la ejecucin y la
planeacin.
4. Establecer medidas correctivas. El objeto del control es prever y
corregir los errores.
2. Hoja de control
La Hoja de Control u hoja de recogida de datos, tambin llamada de
Registro, sirve para reunir y clasificar las informaciones segn
determinadas categoras, mediante la anotacin y registro de sus
frecuencias bajo la forma de datos. Una vez que se ha establecido el
fenmeno que se requiere estudiar e identificadas las categoras que
los caracterizan, se registran estas en una hoja, indicando la frecuencia
de observacin.
Lo esencial de los datos es que el propsito este claro y que los datos
reflejen la verdad. Estas hojas de recopilacin tienen muchas
funciones, pero la principal es hacer fcil la recopilacin de datos y
realizada de forma que puedan ser usadas fcilmente y analizados
automticamente.
De modo general las hojas de recogida de datos tienen las siguientes
funciones:
De distribucin de variaciones de variables de los artculos producidos
(peso, volumen, longitud, talla, clase, calidad, etc...)
MECNICA DE PRODUCCIN
142
140/147
ESTADSTICA APLICADA
De clasificacin de artculos defectuosos
De localizacin de defectos en las piezas.
De causas de los defectos.
De verificacin de chequeo o tareas de mantenimiento.
Una vez que se ha fijado las razones para recopilar los datos, es
importante que se analice las siguientes cuestiones:
La informacin es cualitativa o cuantitativa
Como, se recogern los datos y en que tipo de documento se har.
Cmo se utiliza la informacin recopilada
Cmo de analizar
Quin se encargar de la recogida de datos
Con qu frecuencia se va a analizar
Dnde se va a efectuar
Esta es una herramienta manual, en la que clasifican datos a travs de
marcas sobre la lectura realizadas en lugar de escribirlas, para estos
propsitos son utilizados algunos formatos impresos, los objetivos mas
importantes de la hoja de control son:
Investigar procesos de distribucin
Artculos defectuosos
Localizacin de defectos
Causas de efectos
Una secuencia de pasos tiles para aplicar esta hoja en un Taller es la
siguiente:
1. Identificar el elemento de seguimiento
2. Definir el alcance de los datos a recoger
3. Fijar la periodicidad de los datos a recolectar
4. Disear el formato de la hoja de recogida de datos, de acuerdo con
la cantidad de informacin a recoger, dejando un espacio para
totalizar los datos, que permita conocer, las fechas de inicio y
termino, las probables interrupciones, la persona que recoge la
informacin, fuentes, etc.
Grficas de dispersin
Se utilizan para estudiar la variacin de un proceso y determinar a que
obedece esta variacin.
Un grfico de control es una grfica lineal en la que se han determinado
estadsticamente un lmite superior (lmite de control superior) y un lmite
inferior (lmite inferior de control) a ambos lados de la media o lnea central.
La lnea central refleja el producto del proceso. Los lmites de control
proveen seales estadsticas para que la administracin acte, indicando
la separacin entre la variacin comn y la variacin especial.
Estos grficos son muy tiles para estudiar las propiedades de los
productos, los factores variables del proceso, los costos, los errores y
otros datos administrativos.
MECNICA DE PRODUCCIN
143
141/147
ESTADSTICA APLICADA
Un grfico de control muestra
1. Si un proceso est bajo controlo no
2. Indica resultados que requieren una explicacin
3. Define los lmites de capacidad del sistema, los cuales previa
comparacin con los de especificacin pueden determinar los
prximos pasos en un proceso de mejora.
Este puede ser de lnea quebrada o de crculo. La lnea quebrada es a
menudo usada para indicar cambios dinmicos. La lnea quebrada es la
grfica de control que provee informacin del estado de un proceso y en
ella se indica si el proceso se establece o no. Ejemplo de una grfica de
control, donde las medidas planteadas versus tiempo.
En ella se aclara como las medidas estn relacionadas a los lmites de
control superior e inferior del proceso, los puntos afuera de los lmites de
control muestran que el control esta fuera de control.
Todos los controles de calidad requieren un cierto sentido de juicio y
acciones propias basadas en informacin recopilada en el lugar de
trabajo. La calidad no puede alcanzarse nicamente a travs de calcular
desarrollado en el escritorio, pero si a travs de actividades realizadas en
la planta y basadas desde luego en clculos de escritorio.
El control de calidad o garanta de calidad se inici con la idea de hacer
hincapi en la inspeccin.
Necesidad de la participacin total
Para aplicar desde el comienzo la garanta de calidad en la etapa de
desarrollo de un producto nuevo, ser preciso que todas las divisiones de
la empresa y todos sus empleados participen en el control de calidad.
Cuando el control de calidad slo hace hincapi en la inspeccin,
nicamente interviene una divisin, bien sea la divisin de inspeccin o la
divisin de control de calidad, y sta se limita a verificar en la puerta de
salida para impedir que salgan productos defectuosos.
Sin embargo, el programa de control de calidad hace hincapi en el
proceso de fabricacin, la participacin se hace extensiva a las lneas de
ensamblaje, a los subcontratistas y a las divisiones de compras, ingeniera
de productos y mercadeo.
En una aplicacin ms avanzada del control de calidad, que viene a ser la
tercera fase, todo lo anterior se toma insuficiente. La participacin ya tiene
que ser a escala de toda la empresa.
Esto significa que quienes intervienen en planificacin, diseo e
investigacin de nuevos productos, as como quienes estn en la divisin
de fabricacin y en las divisiones de contabilidad, personal y relaciones
laborales, tienen que participar sin excepcin.
La garanta de calidad tiene que llegar a esta tercera fase de desarrollo,
que es la aplicacin de la garanta de calidad desde las primeras etapas de
desarrollo de un producto. Al mismo tiempo, el control de calidad ha
acogido el concepto de la participacin total por parte de todas las
divisiones y sus empleados. La convergencia de estas dos tendencias ha
dado origen al control de calidad en toda la empresa, la caracterstica ms
importante del Control de Calidad japons hoy.
MECNICA DE PRODUCCIN
144
142/147
ESTADSTICA APLICADA
En la fabricacin de productos de alta calidad con garanta plena de
calidad, no hay que olvidar el papel de los trabajadores. Los trabajadores
son los que producen, y si ellos y sus supervisores no lo hacen bien, el
Control de Calidad no podr progresar.
La satisfaccin de un trabajo bien hecho con calidad. Esto incluye lo
siguiente:
El gozo de completar un proyecto o alcanzar una meta
El gozo de escalar una montaa simplemente porque esta all.
Se sugiere que se establezcan fabricantes especializados en sus propios
campos, al menos en cada provincia. De lo contrario no podremos mejorar
la calidad ni aumentar la productividad.
Ejercicio: Diagrama de Control
Ejemplo:
En el proceso de lavado de ropa hospitalaria (sbanas) se vio la
conveniencia de controlar la acidez del desinfectante (PH), para evitar el
deterioro de la prenda sin que esto afecte el nivel de asepsia en la ropa.
Para tal efecto, se hicieron pruebas cada 20 minutos y se registraron los
resultados en grupos de tamao 6. Las mediciones se presentan en la
siguiente tabla.
DA
MEDIDA
NUMERO
2/8
a
4.22
b
4.20
c
4.20
d
4.08
e
4.15
f
4.15
4.166
0.14
2/8
4.25
4.22
4.10
4.15
4.10
4.15
4.161
0.15
2/8
4.20
4.22
4.01
4.17
4.18
4.30
4.180
0.29
2/8
4.20
4.25
4.18
4.05
4.17
4.10
4.158
0.20
3/8
4.15
4.20
4.03
4.15
4.31
4.25
4.181
0.28
3/8
4.18
4.17
4.17
4.30
4.15
4.10
4.178
0.20
3/8
4.22
4.24
4.23
4.07
4.19
4.25
4.196
0.18
3/8
4.00
4.15
4.18
4.10
4.30
4.20
4.155
0.30
4/8
4.10
4.15
4.30
4.36
4.15
4.10
4.193
0.26
4/8
10
4.20
4.25
4.20
4.30
4.15
4.10
4.200
0.20
4/8
11
4.35
4.20
4.25
4.12
4.30
4.10
4.220
0.25
45.988
245
S Ri R1 + R2 + R3 + ... Rk
k =
k
4. Grficas de rangos
D3 y D4 son constantes
LICR = D3 R
LICR =
LSCR = D4 R
LSCR =
5. Grficas de promedios (x)
4.
4.2
x=
x1 + x2 + ... xk
k
x=
pH
LICx = x - A2 R
LICx =
LICx =
LSCx =
LSCx =
LSCx =
4.0
0.
0.4
pH 0.222
0.
0.
0.
Subgrupos
MECNICA DE PRODUCCIN
145
143/147
ESTADSTICA APLICADA
EVALUACIN PARCIAL II
1.
2.
3.
4.
5.
6.
7.
8.
9.
MECNICA DE PRODUCCIN
146
144/147
ESTADSTICA APLICADA
LA RUTA DE LA CALIDAD
La Ruta de la Calidad es un procedimiento estndar de solucin de
problemas. Se trata de una especie de recuento o representacin de las
actividades relacionadas con el Ciclo de Control de Calidad: Planear,
Hacer, Verificar, Actuar (PHVA). Consiste de los siete pasos siguientes:
a) Definicin del Problema.
b) Reconocimiento de las Caractersticas del Problema
(Observacin).
c) Bsqueda de las principales causas (Anlisis).
d) Acciones para eliminar las causas (Accin).
e) Confirmacin de la eficacia de la accin (Verificacin).
f) Eliminacin permanente de las causas (Estandarizacin).
g) Revisin de las actividades y planeacin del trabajo futuro
(Conclusiones).
Los tres primeros pasos corresponden a la accin de Planear, el cuarto
paso a la accin de Hacer, el quinto paso a la accin de Verificar y el sexto
paso a la accin de Actuar, del Circulo de Control de Calidad. Con el paso
siete se inicia nuevamente este Circulo de Control.
Primer Paso: Definicin del Problema.
Este es el primer paso del procedimiento estandarizado de solucin de
problemas o Ruta de la Calidad. Debemos comenzar definiendo lo que
entendemos por problema.
Para nuestro propsito el problema se define como el resultado no
deseado de un trabajo, la desviacin con respecto a un estndar o a una
norma de funcionamiento, o la desviacin con respecto al deber ser.
En este sentido: la no satisfaccin del Cliente, los resultados que no
concuerdan con los objetivos o metas o todo aquello que se desve de las
polticas, representa problemas para una organizacin.
Analizando esta definicin podemos ver que para definir un problema se
necesita en primer lugar conocer lo deseable, lo que quiere el Cliente, en
dos palabras el "debe ser".
Esto nos lleva a reconocer la importancia de los objetivos y el compromiso
de los directivos o de la Alta Gerencia para definir los objetivos.
Permitir a ellos mismos, a los Mandos Medios, a los Supervisores y a los
Operativos saber la direccin de la empresa y de esa manera definir sus
problemas.
Las actividades que deben realizarse en este primer paso son:
a) Toma de conocimiento de los lineamientos, los objetivos y las metas de
la organizacin o rea de estudio.
b) Identificacin de los problemas prioritarios, comparando los resultados
obtenidos con lo previsto. Para ello puede utilizarse histogramas,
grficos de control o grficos varios, as como el Diagrama de Pareto.
MECNICA DE PRODUCCIN
147
145/147
ESTADSTICA APLICADA
Es recomendable usar una Matriz de Seleccin de Problemas, tcnica que
actualmente es muy utilizada para valorar y priorizar los problemas en
funcin a factores tales como: importancia, frecuencia, costo,
accesibilidad, entre otros.
c) Seleccin de un problema de entre todos los muchos problemas que se
hayan identificado. La eleccin de este problema debe estar en funcin
de su importancia (debe ser mucho mas importante que cualquier otro)
y del objetivo de mejora que se tenga: la calidad, la disponibilidad, la
seguridad, el ambiente de trabajo, del servicio, etc.
d) Definicin de los responsables de solucionar el problema. Puede ser
una persona, un equipo de personas como por ejemplo un Equipo de
Mejora o un Circulo de Calidad.
e) Elaboracin de un presupuesto para la mejora y un cronograma de
actividades (Diagrama de Gant) que nos permita planear lo que
queremos o necesitamos en funcin del tiempo.
Segundo Paso: Reconocimiento de las Caractersticas del Problema
(Observacin) Actividades
a) Anlisis y comprensin del problema. Debe investigarse el tiempo ,
lugar y el contexto donde se presenta el problema as como los muchos
puntos de vista para descubrir la variacin del resultado.
En este punto se requiere la determinacin de ciertos indicadores de
medicin del problema a fin de tener una explicacin o evidencia mas
objetiva.
b) Fijacin de una meta cuantitativa de lo que se desea, a partir del punto
anterior
Las herramientas tpicamente utilizadas en este paso son el Diagrama
de Pareto y el Grfico de Control.
Tercer Paso: Bsqueda de las Principales Causas(Anlisis)
Actividades
a) Anlisis minucioso de todas las posibles causas que pueden originar el
problema, con la participacin de todas las personas que intervienen en
el problema. Es decir se plantea lo que se denomina las hiptesis de
causas.
Para ello se debe efectuar un diagrama de causa-efecto, utilizando la
informacin obtenida en la observacin. A partir de este Diagrama
determinar las causas que parecen tener una alta prioridad de ser las
principales.
b) Someter a prueba las causas mas probables (hiptesis de causas), a fin
de verificar y concluir con la determinacin de las causas que realmente
tienen incidencia en el problema.
MECNICA DE PRODUCCIN
148
146/147
ESTADSTICA APLICADA
Esto exige a veces nueva informacin o nuevos experimentos. La
herramienta utilizada para verificar las causas es bsicamente la Hoja de
Recogida de Datos. Tambin se recomienda aplicar encuestas u otra
herramienta dentro de un plan cuidadosamente diseado.
Cuarto Paso: Acciones para eliminar las causas (Accin) Actividades
a) Planteamiento de las alternativas de solucin para eliminar las causas
del problema. Es preciso distinguir aqu las soluciones que solamente
constituyen remedios inmediatos de las que realmente eliminan los
factores causales. Debe examinarse las ventajas y desventajas de
cada alternativa diseada, seleccionando aquella que sea mas
conveniente.
b) Diseo de medidas para los efectos secundarios, en caso necesario.
Complementariamente a las herramientas expuestas en este paso se
suele hace uso del Diagrama denominado "COMO" para la formulacin
de las alternativas de solucin, luego en el Diagrama Gant programar la
implantacin.
Quinto Paso: Confirmacin de la eficacia de la accin (Verificacin).
Actividades
a) Comparacin de los resultados obtenidos con la solucin implantada
con los obtenidos anteriormente, haciendo uso de histogramas,
grficos lineales grficos de control o cualquier otra grfica que resulte
til para este fin.
b) Medicin del efecto en trminos monetarios y comparar con el objetivo
deseado.
Esta es una fase tpica de monitoreo de las mejoras implantadas.
Sexto Paso: Eliminacin permanente de las causas del problema
(Estandarizacin)
Actividades:
a) Formalizacin de los nuevos estndares que reflejan la mejora en
manuales de: operacin, procedimientos, especificaciones de nuevos
limites de control, etc.
b) Comunicacin de los nuevos estndares a todos los que resulten
involucrados.
c) Capacitacin y entrenamiento al personal.
d) Diseo de un sistema de monitoreo para verificar la aplicacin de los
nuevos estndares.
Stimo Paso: Revisin de las actividades y planeacin del trabajo
futuro (Conclusiones).
Actividades
a) Revisin de todo lo actuado, beneficios obtenidos, experimentos
realizados, dificultades obtenidas, grado de participacin de las
personas involucradas, costos incurridos, herramientas utilizadas, etc.
b) Preparacin de una lista de los problemas no resueltos, incluyendo los
nuevos problemas que hayan surgido.
Definicin del nuevo problema a resolver, y continuar en forma
indefinida con el proceso de mejora de la calidad.
MECNICA DE PRODUCCIN
149
147/147
ESTADSTICA APLICADA
BIBLIOGRAFA
INTRODUCCIN A LA TEORA DE
PROBABILIDADES
HAROLD J, LARSON
LA ENSEANZA DE LA ESTADSTICA
ALFA 10
EDITORIAL NORMA
QU ES EL CONTROL TOTAL
DE LA CALIDAD?
KAORU ISHIKAWA
EDITORIAL NORMA
CALIDAD TOTAL
EDITORIAL PAX
INTRODUCCIN A LA GESTIN
DE CALIDAD
CAMPINS MASRIERA,
JUAN
WWW.MONOGRAFAS.COM/TRABAJOS15/
CALIDAD TOTAL/CALIDAD-TOTAL.SHTML
INTERNET
WWW.AITECO.COM/CALIDAD.HTM
INTERNET
WWW.IMPROVEN-CONSULTAS.COM
INTERNET
150
CDIGO DE MATERIAL
0751
EDICIN
ABRIL 2006