Control Estadstico de Calidad

Guillermo Ayala Gallego

24 de mayo de 2005
2

Indice general
1. Estadstica y control de la calidad 5
2. Introducci on a los gracos de control 11
2.1. Principios b asicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Dise no del gr aco de control . . . . . . . . . . . . . . . . . . . . . 19
2.3. Subgrupos racionales . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4. An alisis de patrones en gr acos de control . . . . . . . . . . . . . 20
3. Gracos de control

X y R 21
3.1. Gr aco de control

X . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2. Gr aco R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3. Lmites de control y lmites de especicaci on . . . . . . . . . . . . 28
3.4. Lmites probabilsticos para los gr acos de control

X y R . . . . 28
3.5. Estimaci on de la capacidad del proceso . . . . . . . . . . . . . . . 28
3.6. Gr acos de control

X y S . . . . . . . . . . . . . . . . . . . . . . 29
3.7. Tiempo hasta la detecci on. Longitud de la racha media . . . . . . 32
3.8. Gr acos de control para mediciones individuales . . . . . . . . . . 33
3.9. Gr aco de control de suma acumulada . . . . . . . . . . . . . . . 35
3.10. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4. Gracos de control de atributos 41
4.1. Gr aco p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1.1. Tama nos variables . . . . . . . . . . . . . . . . . . . . . . 44
4.2. Gr aco C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3. Gr aco U . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5. Muestreo de aceptaci on 49
5.1. Planes de muestreo de aceptaci on . . . . . . . . . . . . . . . . . . 49
6. Conceptos basicos de Probabilidad y Estadstica 53
6.1. Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2. Estadstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3
4
Captulo 1
Estadstica y control de la calidad
La Estadstica es la ciencia que se ocupa de realizar inferencias y tomar deci-
siones a partir de datos que est an sujetos a variaci on.
La variaci on aleatoria est a presente en la industria, en la ingeniera, en la
ciencia en general. La cuesti on no es si uno va a realizar las funciones de un
estadstico, lo vamos a hacer. El problema es c omo de bien vamos a realizar el
trabajo.
La calidad de los productos y los servicios es uno de los factores de decisi on
fundamentales en las empresas. La mejora de la calidad es un aspecto fundamental
en la empresa actual. Nos ocupamos en esta parte de la asignatura del control
estadstico de la calidad
Calidad signica idoneidad de uso. Los consumidores esperan que los pro-
ductos y servicios cumplan con sus requerimientos que son los que denen la
idoneidad de su uso. La mejora de la calidad signica la sistem atica eliminaci on
del desperdicio. Una mejora de la calidad supone la reducci on del desperdicio y en
consecuentemente: una mayor productividad, una mayor satisfacci on del cliente,
mayor reputaci on en la empresa, mayor competitividad y en denitiva, una mayor
ganancia.
El control de calidad se lleva practicando, en distintas formas, desde hace
miles de a nos (en la construcci on de las pir amides de Egipto ya se haca). Lo
propio del siglo XX es la utilizaci on de metodos estadsticos de ah el adjetivo
de estadstico. Podemos datar este hecho fundamental en los a nos 20 en los Bell
Telephone Laboratories (Walter A. Shewhart, Harold F. Dodge, Harry G. Romig
entre otros).
El control estadstico de la calidad lo podemos denir como: conjunto de
metodos de ingeniera y estadsticos que se emplean en la medici on, vigilancia,
control y mejora de la calidad.
Una raz on b asico para la utilizaci on del control estadstico de la calidad es
que la industria cada vez trabaja con tolerancias cada vez menores. Fabricar con
un grado de precisi on grosero no es difcil. Lo difcil es fabricar con un objetivo
determinado y hacerlo con una tolerancia mnima.
5
Otra forma de variaci on a controlar es la presencia de piezas fabricadas que
no verican los requerimientos, piezas no conformes. La producci on de piezas
no conformes es el ideal de fabricaci on. Sin embargo, esto puede ser innecesario,
anti econ omico o, simplemente, imposible. En ocasiones, no podemos saber si la
pieza verica los est andares porque el control es destructivo. Ejemplos de esto
son pruebas de tensi on, tests de vida de componentes electr onicos entre otros.
Si vericamos cada pieza en un lote y nalmente vemos que cada una de ellas
estaba en perfectas condiciones, estaremos muy contentos pero sin ninguna pieza
utilizable.
De un modo resumido el creciente interes por el control estadstico de la
calidad viene determinado por:
1. El incremento en la competitividad entre las distintas empresas.
2. La necesidad de evitar las perdidas de material y ahorrar el n umero de
horas de las personas.
3. Incremento en el benecio de la empresa.
4. Incremento en el consumismo. En la decisi on de compra de un consumidor,
la calidad de un producto puede tener la misma importancia, o superior,
que el coste o el tiempo de entrega del mismo.
5. Incremento en las demandas como consecuencia del mal funcionamiento
del producto y la necesidad de tener informaci on documentada sobre el
proceso de fabricaci on para una posterior defensa legal frente a demandas
de consumidores.
6. La necesidad de conocer la capacidad real del proceso de fabricaci on.
7. Los cada vez m as exigentes requerimientos legales para que el producto
pueda ser comercializado.
8. La proliferaci on de est andares industriales de obligado cumplimiento.
9. El incremento en est andares internacionales para el comercio internacional.
En la secci on 6 se incluye un breve resumen de conceptos de Probabilidad y
de Estadstica que vamos a utilizar en lo que sigue. Se asume este mnimo de
conocimientos. El texto b asico de control de calidad que vamos a utilizar es [1] y
el texto disponible en la red [2]. Tambien es de interes, y lo usaremos sobre todo
en pr acticas, la p agina web http://www.sqconline.com/ que incorpora ayudas
interactivas.
Notas de R 1 Todo el an alisis estadstico lo realizamos con el lenguaje R,
versi on de libre disposici on del lenguaje SPLUS.
6
Es un interprete de comandos con una gran cantidad de funciones orientado
fundamentalmente al an alisis estadstico.
Se puede obtener en
http://cran.R-project.org/
Dentro del control estadstico de la calidad nos vamos a centrar en dos partes
concretas: (i) el control estadstico de procesos y (ii) el muestreo de aceptaci on.
En todo an alisis estadstico de datos hemos de empezar viendo c omo son
los datos?, esto es, haciendo alg un tipo de an alisis descriptivo de los mismos. El
codigo R que nos dara un an alisis b asico podra ser el siguiente.
Notas de R 2 #B asico en R
#Ayuda
help.start()
#Salir
q()
#Fijar directorio de trabajo
setwd(c:\directorio_de_trabajo)
#Una empresa produce cinta adhesiva y
#est a realizando un control de
#la fortaleza de la misma.
#Se ha observado la fortaleza de 100 muestras
x = scan(file=ls_pag24.dat)
#Histograma
postscript(file=ls24hist.ps,horizontal=T)
hist(x)
dev.off()
#Un resumen num erico b asico
summary(x)
sd(x)
var(x)
#Otras opciones gr aficas
stem(x)
boxplot(x)
7
density(x)
plot(density(x))
En la gura 1.1 podemos ver algunas de las representaciones gr acas asoci-
adas.
8
(a)
(b)
Figura 1.1: (a) Histograma y (b) densidad de los datos de resistencia
9
10
Captulo 2
Introducci on a los gracos de
control
En cualquier proceso de producci on, por bien dise nado y bien mantenido que
este siempre tenemos una variabilidad natural (consecuencia del efecto conjunto
de muchas causas peque nas e incontrolables).
Otros tipos de variabilidad pueden estar inuyendo en el proceso. B asicamente
tres son las causas: (i) m aquinas mal ajustadas, (ii) errores de los operarios y
(iii) materias primas defectuosas. Estas causas producen una variabilidad mucho
mayor que la anteriormente considerada y produce un funcionamiento inaceptable
en el proceso. Estas causas reciben el nombre de causas asignables. Un proceso que
funciona con causas asignable se dice que est a fuera de control. Ese es el objeto de
los gr acos de control que vamos a ver. La detecci on r apida de causas asignables
que eviten el malgasto de producir unidades de producto que no verique los
requerimientos.
Es frecuente ver en f abricas, gr acos en donde se representa como funci on del
tiempo alguna medida de funcionamiento del proceso productivo. Estos gr acos
son actualizables cada da o cuando tenemos nueva informaci on. Estas medidas
pueden ser: dimensiones, resistencias, porcentajes de rechazos o defectos encon-
trados en una inspecci on nal.
Notas de R 3
#Media y rangos en .0001" de di ametros de rodamientos en muestras
de n=5 con especificaciones dadas por .4710" \pm .0010
x = read.table(file=burr.p25a.dat,header=F)
medias = x[,1]
rangos = x[,2]
plot(1:length(medias),medias,type=l,main=Medias de 5
rodamientos,
11
xlab=N umero de muestra,
ylab=Medias del di ametro de cinco rodamientos en 0.0001 pulgadas)
plot(1:length(rangos),rangos,type=l,main=Rangos de 5
rodamientos,
xlab=N umero de muestra,
ylab=Rangos del di ametro de cinco rodamientos en 0.0001 pulgadas)
#Fracciones de defectuosas en dos factor as . Tama~ no muestral
alrededor de 1340
x = read.table(file=burr.p25b.dat,header=F)
fecha = x[,1]
fracdef = x[,2]
plot(fecha,fracdef,type=l,main="Fracci on de defectuosas")
#N umero de alineamientos incorrectos
x = read.table(file=burr.p25c.dat,header=F)
muestra = x[,1]
alineamientos = x[,2]
plot(muestra,alineamientos,type=l,main="Alineamientos incorrectos")
Las representaciones gr acas que obtenemos aparecen recogidas en la guras
2.1 y2.2 .
De los dibujos (comandos plot) considerados anteriormente notemos que el
primero nos da la media de los di ametros obtenidos en las sucesivas muestras
de tama no 5. El segundo atiende a la variabilidad de la muestra, en concreto,
mostrando el rango de la muestra. El tercer dibujo corresponde a datos de atrib-
uto o de estado del producto (correcta o incorrectamente fabricado). En concreto
tenemos la fracci on de piezas incorrectamente fabricadas en un da. Cada da se
fabrican alrededor de 1340 piezas. En el ultimo dibujo recogemos el n umero obser-
vado de alineamientos incorrectos que se han realizado en una serie de montajes
distintos. En denitiva, en este dibujo recogemos el n umero de defectos observa-
dos.
Los cuatro dibujos muestran variaci on en las cantidades representadas. Los
resultados varan de da a da, de material a material. La variaci on es inevitable.
Hemos de convivir con ella. En el primer dibujo valores o muy grandes o muy
peque nos no son deseables. En los otros tres dibujos no son deseables los valores
grandes. Es err oneo atribuir la variaci on observada a que las condiciones de
producci on son variables.
12
(a)
(b)
Figura 2.1: Gr acos de control

X y

R para di ametros de rodamientos incorrectos
13
(a)
(b)
Figura 2.2: Gr aco p para fracciones de piezas defectuosas (a) y (b) gr aco C
para n umero de alineamientos incorrectos
14
La representaci on en funci on del tiempo (recogido como el n umero de la mues-
tra, la fecha de fabricaci on) tiene como objetivo observar la evoluci on y detectar
(en el tiempo) cu ando se produce un comportamiento anormal, un comportamien-
to fuera de control (valores o muy grandes o peque nos en el primer dibujo o valores
muy grandes en los tres restantes). Cuando se detecte la situaci on hay que actuar.
Cu ando es anormal el funcionamiento del proceso de fabricaci on? Hemos de
utilizar procedimientos que detecten situaciones en las que hay que intervenir con
objeto de evitar:
1. Tomar acciones cuando no es necesario hacer nada (error tipo I que deno-
taremos por .
2. No actuar cuando es necesario perdiendo la oportunidad de conocer porque se
comporta el proceso de esa forma anormal y, por supuesto, perder parte de
la producci on. Tenemos un error tipo II denotado por .
2.1. Principios basicos
En cualquier proceso de producci on, sin importar lo bien dise nado que este o
con cuanto cuidado se mantenga, siempre existe cierta cantidad de variabil-
idad natural o inherente producto de un conjunto de causas aleatorias.
Son aquellas causas que producen variaciones en las medidas de calidad que
controlamos pero que no es, al menos en el nivel tecnico presente, controlar.
Un proceso que opera solamente con causas aleatorias est a bajo control
estadstico. Obviamente no es constante la medida de calidad. Variaci on
siempre tendremos.
Pueden existir otras fuentes de variabilidad como m aquinas mal ajustadas,
errores del operador o materias primas defectuosas. Son las causas asignables.
Uno de los objetivos fundamentales del control de calidad es la detecci on
r apida de las causas asignables con objeto de eliminarlas.
El gr aco de control es una tecnica de vigilancia en lnea que puede ser
utilizada para:
1. La detecci on r apida de causas asignables.
2. Estimar los par ametros del proceso de producci on.
3. Obtenci on de informaci on para la mejora del proceso, por ejemplo,
reduciendo la variabilidad.
Notas de R 4 (Graco de control basico) A las representaciones anterior-
mente consideradas incorporamos unos lmites de control.
15
Figura 2.3: Gr aco de control de Shewhart
tiempo = 1:100
media = 10
des.est = 1
tamanyo.muestra = 5
y = rnorm(length(tiempo)*tamanyo.muestra,mean=media,sd=des.est)
dim(y) = c(tamanyo.muestra,length(tiempo))
mean.y = apply(y,2,mean)
mean.des.est = des.est / sqrt(tamanyo.muestra)
pdf(file=gcteo.ps)
plot(tiempo,mean.y,ylim=c(media-3.5*mean.des.est,media+3.5*mean.des.est),
type=l)
abline(h=media)
abline(h=media+3*mean.des.est)
abline(h=media-3*mean.des.est)
El dibujo que obtenemos con el c odigo anterior aparece en la gura 2.3.
Que es un graco de control? Como hemos visto es una representaci on de
la cantidad (media, rango, proporci on, n umero de defectos) en funci on del tiempo
o n umero de muestra con unos lmites de control. Que limites de control son los
adecuados? Cu ando un proceso est a bajo control?
1. Los puntos de la gr aca est an entre los lmites de control.
16
2. Aunque los puntos de la gr aca se encuentren entre los lmites de control,
si se comportan de manera sistem atica o no aleatoria, entonces tambien es
un indicador de que el proceso est a fuera de control.
Existe una clara relaci on entre los gr acos de control y el contraste de hip otesis.
1. En cada punto del gr aco estamos contrastando la hip otesis de que el pro-
ceso se encuentra en estado de control estadstico.
2. Tenemos la probabilidad de error tipo I (concluir que el proceso est a fuera
de control cuando no lo est a) y la probabilidad del error tipo II (concluir
que el proceso est a bajo control cuando no lo est a).
Veamos un primer modelo (te orico) del gr aco de control. Sea W el estadstico
muestral que mide la caracterstica de calidad en la que se tiene interes. Las lnea
central, inferior y superior vienen dadas por
LSC =
W
+k
W
, (2.1)
LC =
W
, (2.2)
LIC =
W
k
W
, (2.3)
donde

W
= media de W, (2.4)

W
= desviaci on tpica de W. (2.5)
Estamos suponiendo que tanto la media,
W
, como la desviaci on tpica de W
son conocidas. Obviamente habitualmente esto no es as. Los par ametros son
tpicamente desconocidos y los habremos de estimar a partir de la muestra. Se
puede comprobar que
P(LIC W LSC) = P(
W
k
W
W
W
+k
W
) = 0,9973 (2.6)
La idea de utilizar estos gr acos se debe a Walter A. Shewhart y se habla del
gr aco de control de Shewhart.
Notas de R 5
tiempo = 1:100
media = 10
des.est = 1
tamanyo.muestra = 5
y = rnorm(length(tiempo)*tamanyo.muestra,mean=media,sd=des.est)
dim(y) = c(tamanyo.muestra,length(tiempo))
mean.y = apply(y,2,mean)
17
Figura 2.4: Gr aco de control con par ametros conocidos
mean.des.est = des.est / sqrt(tamanyo.muestra)
pdf(file=gcteo2.ps)
plot(tiempo,mean.y,ylim=c(media-3.5*mean.des.est,media+3.5*mean.des.est),
type=l)
abline(h=media)
abline(h=media+3*mean.des.est)
abline(h=media-3*mean.des.est)
abline(h=media+2*mean.des.est)
abline(h=media-2*mean.des.est)
abline(h=media+1*mean.des.est)
abline(h=media-1*mean.des.est)
dev.off()
El dibujo que obtenemos con el c odigo anterior aparece en la gura 2.4.
En la mayor parte de las ocasiones un gr aco de control se utiliza para el
control en lnea del proceso. Tomamos datos muestrales y construimos el gr aco.
Tambien podemos querer determinar si los datos hist oricos corresponden a un
proceso bajo control y lo mismo para los datos futuros.
Como hemos visto los gr acos de control se pueden clasicar en dos grupos:
1. Gr acos de control de variables en donde la caracterstica de calidad es una
variable cuantitativa. A su vez tendremos gr acos de control para la ten-
18
dencia central (gr aco x) y para la variabilidad (gr acos para la desviaci on
tpica y para el rango).
2. Gr acos de control de atributos: corresponden a aquellas situaciones en
que la caracterstica de calidad no puede ser medida cuantitativamente.
Podemos decidir si la unidad observada es conforme o no sobre la base
de vericar o no unos ciertos atributos. Posiblemente podamos contar el
n umero de defectos que aparece en una unidad de producto.
2.2. Dise no del graco de control
Hemos visto para que puede servir el gr aco de control. Hemos de dise narlo,
esto es, elegir los lmites de control, elegir el tama no de la muestra y elegir la
frecuencia de muestreo. Notemos que unos lmites de control m as alejados de la
lnea central suponen un menor error tipo I y un mayor error tipo II. Es habitual
utilizar k = 3, lmites de control 3-.
Ejemplo 1 (Fabricaci on de anillos para pistones de motor de autom ovil)
Observamos X, el di ametro interior de los anillos y vamos a suponer que X
N( = 74mm, = 0,01mm). Tomamos cada hora una muestra de cinco anillos
y tomamos el di ametro medio de la muestra. La caracterstica que controlamos es
W =
1
n
n

i=1
X
i
(2.7)
con n = 5 de modo que
W N(
W
= ,
W
=

n
). (2.8)
Los lmites de control 3 vienen dados por
LSC =
W
+k
W
= 74,0135 (2.9)
LIC =
W
k
W
= 73,9865 (2.10)
Dos problemas b asicos son determinar el tama no de la muestra y la frecuen-
cia de muestreo. Cu antos items muestreamos cada vez? Cada cuanto tiempo o
cada cuantos items muestreamos? Lo ideal: mucha muestra tomada con mucha
frecuencia. Lo habitual: peque nas muestras con alta frecuencia. Los procedimien-
tos automatizados nos van acercando a la situaci on en que muestreamos cada
item.
19
2.3. Subgrupos racionales
Pretendemos seleccionar muestras que, en la medida de lo posible, recoja
la variabilidad aleatoria o natural y excluya la variabilidad asignable. El orden
temporal de la producci on es una base l ogica para la formaci on de subgrupos
racionales. Sin embargo, una muestra puede parecer obtenida bajo control y una
parte de la misma corresponder la nal de un corrimiento y la otra al princi-
pio del siguiente. No obstante, lo m as natural es que podamos detectar causas
asignables en el tiempo y por lo tanto podamos construir subgrupos racionales
en el tiempo. Dos son las opciones b asicas para obtener subgrupos racionales: (i)
Cada subgrupo est a formado por unidades producidas al mismo tiempo (o lo m as
cercanas posibles). Tenemos una instant anea del proceso en el instante temporal
en que tomamos la muestra. (ii) Cada subgrupo est a formado por unidades del
producto que son representativas de todas las unidades producidas desde que se
tom o la ultima muestra.
El primer procedimiento es m as sensibles a leves corrimientos. Mediante el
segundo podemos decidir si aceptar toda la producci on desde la ultima muestra.
Los lmites de control est an m as alejados en el segundo procedimiento.
2.4. Analisis de patrones en gracos de control
Un gr aco de control puede indicar una condici on fuera de control cuando: (i)
Uno o m as puntos caen fuera de los lmites de control. (ii) Los puntos exhiben
alg un patr on no aleatorio de comportamiento. El comportamiento no aleatorio de
la secuencia se puede describir va el concepto de racha. Racha es una secuencia
de observaciones de un mismo tipo. Permiten detectar secuencias no aleatorias.
Pueden ser crecientes o decrecientes. Pueden ser secuencias de puntos que est an
por encima o por debajo de la lnea central. En general, rachas de longitud 8 o
superior son sospechosas.
Se han desarrollado distintas procedimientos empricos. El m as importante
son las reglas de la Western Electric. Seg un estas reglas un proceso est a fuera de
control cuando:
1. Un punto cae fuera de los lmites de control 3-sigma.
2. Dos de tres puntos consecutivos caen fuera de los lmites 2-sigma.
3. Cuatro de cinco puntos consecutivos est an fuera de los lmites 1-sigma.
4. Entendemos que en las dos reglas anteriores los puntos que caen fuera de
los lmites de control est an en el mismo lado, esto es, o son todos mayores
que el lmite superior correspondiente o menor que el lmite inferior.
5. Ocho puntos consecutivos de la gr aca est an en el mismo lado de la lnea
central.
20
Captulo 3
Gracos de control

X y R
En caractersticas de calidad cuantitativas controlamos tanto su valor medio
como su variabilidad. Que efectos tiene la modicaci on de la media y de la
varianza? El valor medio se controla mediante el gr aco

X. La variabilidad se
controla mediante el gr aco de rangos (R) o el gr aco de desviaci on est andar (S).
3.1. Graco de control

X
Si suponemos que la caracterstica de calidad X tiene una distribuci on normal
con media y varianza conocidas:
X N(, ), (3.1)
entonces la lnea central del gr aco

X es y los lmites inferior y superior son
LSC = + 3

n
, (3.2)
y
LIC = 3

n
. (3.3)
Que hacemos cuando no conocemos los par ametros y ?
Tomamos m muestras previas de tama no n.
Usualmente: m entre 20 y 25; n entre 4 y 6.
Si

X
i
es la media de i-esima muestra entonces es estimada mediante

X =
1
m
m

i=1

X
i
. (3.4)
La lnea central del gr aco

X es

X.
21
Con objeto de obtener los lmites de control necesitamos una estimaci on de la
desviaci on tpica . Lo podemos hacer con dos procedimientos, bien utilizando
las desviaciones est andar de las distintas muestras o bien utilizando los rangos
de dichas muestras. Veamos la segunda opci on.
Denici on 1 Sean X
i
con i = 1, . . . , n independientes e identicamente distribui-
dos (iid) con distribuci on normal con media y desviaci on tpica conocidas.
R = m ax
i
X
i
mn
i
X
i
, (3.5)
es el rango de la muestra aleatoria considerada y
W =
R

(3.6)
es el rango relativo.
Los par ametros de la distribuci on del rango relativo W depende solamente del
tama no muestral n que es conocido. En particular, se tiene que
EW = d
2
. (3.7)
Existen tablas con los valores de d
2
como funci on de n. Pero
EW = E
R

=
ER

. (3.8)
La esperanza del rango, ER, la estimamos mediante

ER =

R =
1
m
m

i=1
R
i
, (3.9)
donde R
i
es el rango correspondiente a la i-esima muestra. Finalmente estimare-
mos la desviaci on tpica como:
=

R
d
2
. (3.10)
En consecuencia los lmites inferior y superior de control del gr aco

X son
LSC =

X +
3
d
2

R, (3.11)
y
LIC =

X
3
d
2

R. (3.12)
Denotando
A
2
=
3
d
2

n
, (3.13)
22
Cuadro 3.1: Factores necesarios para el c alculo de los gr acos de control

X y R
n A
2
D
3
D
4
2 1.880 0 3.267
3 1.023 0 2.575
4 0.729 0 2.282
5 0.577 0 2.115
6 0.483 0 2.004
7 0.419 0.076 1.924
8 0.373 0.136 1.864
9 0.337 0.184 1.816
10 0.308 0.223 1.777
y

x, r los valores muestrales de los correspondientes estadsticos entonces el valor
central y los valores superior e inferior del gr aco de control

X son
LSC =

x +A
2
r (3.14)
LC =

x (3.15)
LIC =

x A
2
r (3.16)
Los valores de A
2
tambien aparecen tabulados. En particular, aparecen en la
tabla 3.1
La segunda opci on consistente en estimar la desviaci on tpica mediante la
desviaci on tpica muestral es m as eciente. Sin embargo, la diferencia no es apre-
ciable para los tama nos muestrales habituales de n = 4, 5, 6.
3.2. Graco R
En el caso de conocer la media y la desviaci on tpica del rango entonces
podramos tener un gr aco R sin necesidad de estimar los par ametros. El gr aco
tendra como valores centrales y lmites superior e inferior los siguientes
LSC =
R
+ 3
R
(3.17)
LC =
R
(3.18)
LIC =
R
3
R
, (3.19)
donde
R
y
R
son la media y desviaci on tpica del rango y la caracterstica de
calidad a utilizar es el rango de los valores observados. Si asumimos no conocidos
la media y desviaci on est andar (como es lo habitual) del rango R entonces:
R
es
estimada mediante r. Puesto que la desviaci on tpica de W, que se suele denotar
mediante d
3
, es un funci on de n conocida entonces:
R = W, (3.20)
23
de donde,

R
= d
3
. (3.21)
La desviaci on tpica es estimada como antes mediante
=

R
d
2
, (3.22)
y el estimador de
R
es

R
= d
3

R
d
2
. (3.23)
Finalmente la lnea central y los lmites de control superior e inferior de un gr aco
R vienen dados por
LSC =

R + 3
d
3
d
2

R = (1 + 3

W
d
2
)

R (3.24)
LC =

R (3.25)
LIC =

R 3
d
3
d
2

R = (1 3
d
3
d
2
)

R (3.26)
Si denotamos
D
3
= 1 3
d
3
d
2
(3.27)
y
D
4
= 1 + 3
d
3
d
2
(3.28)
y sustituimos los estimadores por las estimaciones tenemos
LSC = D
4
r (3.29)
LC = r (3.30)
LIC = D
3
r. (3.31)
Los valores de D
3
y D
4
para distintos valores de n aparecen recogidos en la tabla
3.1.
Notemos que estamos estimando unos par ametros asumiendo que las muestras
de que disponemos est an bajo control. Sin embargo, si existen sospechas sobre las
muestras podemos realizar un procedimiento iterativo para la determinaci on de
los lmites del gr aco de control. De este modo si encontramos causas asignables
a muestras que aparecen fuera de control se eliminan y recalculan los lmites de
control. Veamos la construcci on con R de los gr acos de control considerados.
Notas de R 6 #Gr aficos de control bar-x y R
#Datos de p agina 177 de Montgomery 1985
#Anillos de pistones
24
x = read.table(file=mont177.dat,header=FALSE)
dim(x)
bar.x = apply(x,1,mean)
rango = apply(x,1,range)
rango = rango[2,] - rango[1,]
bar.rango = mean(rango)
D3 = 0
D4 = 2.115
#Gr afico R
LCC = bar.rango
LSC = bar.rango * D3
LIC = bar.rango * D4
plot(1:nrow(x),rango,ylim=c(LIC,LSC),type=l)
abline(h=LCC)
abline(h=LIC)
abline(h=LSC)
#Gr afico bar-X
LCC = mean(bar.x)
A2 = 0.577
LSC = LCC + A2*bar.rango
LIC = LCC - A2*bar.rango
plot(1:nrow(x),bar.x,ylim=c(LIC,LSC),type=l)
abline(h=LCC)
abline(h=LIC)
abline(h=LSC)
En la gura 3.1 tenemos los dibujos correspondiente al c odigo anterior.
Tomamos muestras adicionales de anillos y los analizamos utilizando los lmites
de control previamente determinados. Los gr acos correspondientes aparecen en
gura 3.2. Que conclusiones podemos obtener? Tenemos un proceso bajo con-
trol?
25
(a)
(b)
Figura 3.1: Gr aco de control R y

X
26
(a)
(b)
Figura 3.2: Gr acos de control

X (a) y R (b) correspondientes a datos en Mont-
gomery, p agina 182
27
3.3. Lmites de control y lmites de especicaci on
Un punto a considerar es que no hay relaci on entre los lmites de control de
los gr acos de control

X y R y los lmites de especicaci on. Los lmites de control
est an basados y por lo tanto describen la variabilidad presente en el proceso,
son los lmites de tolerancia natural del proceso. Los lmites de especicaci on son
determinados externamente: por el usuario, por el empresario, por una normativa,
por el dise nador. No existe ning un tipo de relaci on matem atica o estadstica entre
lmites de control y lmites de especicaci on.
3.4. Lmites probabilsticos para los gracos de
control

X y R
Una vez elegida la caracterstica W de calidad que vamos a controlar hemos
determinado los lmites bas andonos en un n umero entero de desviaciones tpicas
de dicha caracterstica o, mejor, del valor estimado de su desviaci on tpica. Por
que no considerar un intervalo en donde especiquemos la probabilidad de perte-
nencia de la variable al intervalo? Parece m as natural tomar unos lmites tales
que
P(LL W UL) = 1 , (3.32)
con un valor predeterminado. Esto es habitual en el Reino Unido y algunos
pases del este europeo.
En el caso del gr aco

X la soluci on no es difcil ya que la variable

X tiene
una distribuci on aproximadamente normal. Los lmites de control seran los dados
anteriormente sustituyendo el valor de k por el percentil 1/2 de la distribuci on
normal. Concretamente, tomaramos k = Z
1/2
. Realmente un valor k = 3
corresponde con = ,0027. Cuando se especican los lmites en terminos de
probabilidad es habitual tomar = ,002 o, lo que es equivalente, k = Z
1/2
=
3,09. Vemos que son maneras alternativas de expresar un mismo gr aco.
Algo similar se puede hacer para el gr aco R.
3.5. Estimaci on de la capacidad del proceso
Cuando hablamos de la capacidad del proceso nos estamos reriendo a la
cuanticaci on de la capacidad que nuestro proceso de fabricaci on tiene de fabricar
piezas que verican los lmites de especicaci on.
Volvamos al ejemplo de los anillos. Habamos estimado una media

x = 74,001mm.
La desviaci on est andar vena dada por =
R
d
2
= ,0099. Los lmites de especi-
caci on del proceso venan dados por 74 ,03, en consecuencia, bajo la hip otesis
de normalidad tendramos que la fracci on de piezas no conformes sera de
p = P(X < 73,970) +P(X > 74,03) = ,00256. (3.33)
28
Aproximadamente, el .256 % de las piezas no son utilizables. Notemos que con
una gran producci on podemos estar hablando de bastantes piezas. Otra forma
de cuanticar la producci on aprovechable sera con el cociente de capacidad del
proceso (abreviadamente, CCP) dado por
CCP =
LSE LIE
6
, (3.34)
donde LSE y LIE son los lmites superior e inferior de especicaci on. El ancho
6 (3 a cada lado de la media) recibe el nombre de capacidad basica del
proceso mientras que los lmites 3 de cada lado de la media reciben el nombre
de lmites de tolerancia naturales.
1
CCP
100 es el porcentaje del ancho de las
especicaciones utilizadas por el proceso.
(a) CCP > 1: pocas unidades defectuosas.
(b) CCP = 1: 0.27 % de unidades defectuosas.
(a) CCP < 1: muchas unidades defectuosas.
La denici on de CCP asume que el proceso est a centrado en la dimensi on nom-
inal. Es razonable considerar CCP como una medida de la capacidad potencial
(si estuviera centrado entonces s que medira su capacidad). En un proceso no
centrado la capacidad es menor. Denimos CCP
k
como un indicador m as robusto
frente a la no centralidad del proceso:
CCP
k
= m ax{
LSE
3
,
LIE
3
}. (3.35)
Notemos que si CCP = CCP
k
entonces el proceso est a centrado en . Se
puede calcular (hay tablas) el porcentaje de piezas que no cumplen las especi-
caciones para un valor dado de CCP asumiendo que: (i) La caracterstica de
calidad sigue una distribuci on normal. (ii) El proceso est a centrado. (ii) El pro-
ceso est a bajo control estadstico (no hay causas asignables).
En muchas compa nas se suele utilizar: CCP=1.33 de un modo generico y
CCP=1.66 si la caracterstica de calidad se reere a resistencia o seguridad. Tam-
bien se utiliza CCP
k
= 2 que recibe el nombre de proceso 6-sigma ya que la
distancia entre la media y la especicaci on m as cercana es de seis desviaciones
est andar.
Veamos c omo analizar la capacidad del proceso utilizando el paquete qcc.
3.6. Gracos de control

X y S
Se utilizan cuando n es moderadamente grande, en concreto, para valores de n
mayores de 10 o 12. En estas situaciones, estimar la desviaci on tpica bas andonos
29
en el rango es poco ecaz. En estos casos, sustituimos el control de la variabilidad
basada en el gr aco R por el gr aco S. Tambien modicamos el modo en que
se calcula el gr aco

X. Esencialmente lo que vamos a modicar es el proced-
imiento utilizado para estimar la desviaci on tpica lo que supondr a que tambien
modiquemos el gr aco

X.
Ahora vamos a calcular para cada grupo de tama no n la media y la desviaci on
est andar, S, dada por
S
2
=

n
i=1
(x
i
x)
2
n 1
. (3.36)
S no es estimador insesgado de . En concreto tenemos que
ES = c
4
, (3.37)
donde
c
4
=

2
n 1
(n/2)
((n 1)/2)
, (3.38)
donde denota la funci on gamma. Adem as tenemos que

S
=

var(S) =

1 c
2
4
. (3.39)
Vamos a utilizar estas igualdades para construir los gr acos de control. Si cono-
cemos el valor de (cosa poco frecuente) los lmites de control vendran dados
por
LSC = c
4
+ 3

1 c
2
4
, (3.40)
LC = c
4
, (3.41)
LIC = c
4
3

1 c
2
4
. (3.42)
(3.43)
Se suele denotar
B
5
= c
4
3

1 c
2
4
, (3.44)
B
6
= c
4
+ 3

1 c
2
4
, (3.45)
de modo que el gr aco de control quedara
LSC = B
6
(3.46)
LC = c
4
, (3.47)
LIC = B
5
. (3.48)
(3.49)
30
Los valores de B
5
y B
6
est an tabulados. En la situaci on m as habitual en que
hay que estimarla tendremos m muestras de tama no n siendo S
i
la desviaci on
tpica de la muestra i-esima. Estimaremos ES mediante

S =
1
m
m

i=1
S
i
, (3.50)
y lo estimamos mediante
=

S
c
4
. (3.51)
Sustituyendo los valores te oricos por las estimaciones que acabamos de dar ten-
dremos que el gr aco S vendr a dado por
LSC =

S + 3

S
c
4

1 c
2
4
(3.52)
LC =

S, (3.53)
LIC =

S 3

S
c
4

1 c
2
4
. (3.54)
(3.55)
Si denotamos
B
3
= 1 3
1
c
4

1 c
2
4
, (3.56)
B
4
= 1 + 3
1
c
4

1 c
2
4
. (3.57)
(3.58)
Y el gr aco de control sera
LSC = B
4

S, (3.59)
LC =

S, (3.60)
LIC = B
3

S. (3.61)
(3.62)
Notemos que B
4
= B
6
/c
4
y B
3
= B
5
/c
4
. Teniendo en cuenta que =

S
c
4
entonces
el gr aco

X queda como
LSC =

x + 3

S
c
4

n
(3.63)
LC =

x, (3.64)
LIC =

x 3

S
c
4

n
. (3.65)
(3.66)
31
Denotando
A
3
=
3
c
4

n
, (3.67)
tenemos que el gr aco

X sera
LSC =

x +A
3

S (3.68)
LC =

x, (3.69)
LIC =

x A
3

S. (3.70)
(3.71)
3.7. Tiempo hasta la detecci on. Longitud de la
racha media
En gr acos de control hay dos cuestiones fundamentales que son:
1. Con que frecuencia tendremos falsas alarmas? Entendemos por falsa alar-
ma que tenemos un punto fuera de los lmites de control o bien detectamos
un patr on no aleatorio (reglas de la Western Electric) pero sin embargo el
proceso de fabricaci on est a bajo control.
2. Con que rapidez vamos a detectar cambios sistem aticos (como una modi-
caci on en la media) en el proceso de fabricaci on?
La longitud de la racha media nos da el n umero medio de muestras que hemos
de tomar hasta obtener un punto fuera de los lmites de control. En un gr aco

X si suponemos que el proceso est a bajo control entonces el n umero medio de

muestras es igual a 1/p donde p es la probabilidad de que el estadstico que
controlamos este fuera de los lmites. Si trabajamos con lmites 3 entonces p =
0,0027 y la longitud de la racha media sera de 371. Cada 371 muestras o puntos de
control tendremos una falsa alarma. Si la media de la variable que controlamos se
modica entonces detectaremos m as r apidamente una situaci on fuera de control.
El n umero de puntos de control que realmente necesitamos para una cambio
dado de la media es una variable aleatoria. Se tiene interes en la media de esta
variable en la longitud de la racha media. No es tan f acil responder cu al ser a la
longitud de la racha media cuando incorporamos procedimientos de detecci on de
patrones no aleatorios (como reglas de la Western Electric por ejemplo). En la
p agina http://www.sqconline.com/runplot.html tenemos un programa que nos
da interactivamente las probabilidades p correspondientes. Recordemos que el
valor que buscamos es 1/p.
Tambien el paquete qcc incorpora una funci on que nos puede servir de ayuda
en este sentido. La funci on caracterstica de operaci on da la probabilidad de
declarar bajo control un proceso que est a fuera de control cuando la media se
32
modica. Medimos el cambio en la medio en terminos del n umero de veces que
se modica la desviaci on est andar como es habitual. El siguiente c odigo con los
datos habituales de los di ametros de los anillos de los pistones nos muestra el uso
en gr acos

X.
data(pistonrings)
attach(pistonrings)
diameter = qcc.groups(diameter, sample)
beta = oc.curves.xbar(qcc(diameter, type="xbar", nsigmas=3,
plot=FALSE))
print(round(beta, digits=4))
# or to identify points on the plot use
## Not run: oc.curves.xbar(qcc(diameter, type="xbar", nsigmas=3,
##plot=FALSE), identify=TRUE)
detach(pistonrings)
3.8. Gracos de control para mediciones indi-
viduales
En ocasiones el tama no de la muestra de control utilizada para el control del
proceso es n = 1, por ejemplo:
1. Se utiliza tecnologa de medici on e inspecci on automatizada, con lo que se
analiza cada unidad producida.
2. El ritmo de producci on es lento, y resulta inconveniente permitir que mues-
tras de tama no n > 1 se acumulen antes de ser analizadas.
3. Las mediciones repetidas de un proceso dieren s olo debido a errores en
el laboratorio o a errores en el an alisis, como sucede en muchos procesos
qumicos.
4. En cualquier proceso donde la variabilidad entre muestras tenga una desviaci on
est andar muy peque na.
En situaciones como las descritas es de interes un gr aco de control para indi-
viduos. Este gr aco utiliza el rango m ovil de dos observaciones consecutivas para
estimar la variabilidad del proceso. El rango m ovil se dene como
MR
i
=| X
i
X
i1
| (3.72)
La idea es: construir grupos articiales formados por una observaci on y la sigu-
iente. Podemos generalizar la idea anterior tomando una observaci on y tres o
cuatro o m as consecutivas a ella. Hablaramos de rangos m oviles de orden mayor
33
a uno. C omo vamos a contruir el gr aco de control de rango m ovil? Recordemos
que el gr aco de control de rango viene dado por
LSC = D
4
r (3.73)
LC = r (3.74)
LIC = D
3
r. (3.75)
Sustituimos r por mr y tenemos en cuenta que n = 2, de donde, D
3
= 0 y
D
4
= 3,267. Tenemos el gr aco de control de rango m ovil:
LSC = 3,267mr (3.76)
LC = mr (3.77)
LIC = 0. (3.78)
Vamos a determinar el gr aco de control para individuos. Recordemos que el
gr aco de control

X es:
LSC =

x +A
2
r (3.79)
LC =

x (3.80)
LIC =

x A
2
r (3.81)
donde
A
2
=
3
d
2

n
. (3.82)
Si sustituimos r por mr, n = 1 y que

x = x entonces el gr aco de control para
individuos viene dado por
LSC = x + 3
mr
d
2
(3.83)
LC = x (3.84)
LIC = x 3
mr
d
2
(3.85)
Ejemplo 2 (Mediciones de concentraci on de un proceso qumico) Medimos
la concentraci on cada hora. Si tomamos varias mediciones simult aneamente en-
tonces la variabilidad observada responde al error de medici on que es peque no. El
gr aco de control de rango m ovil es
LSC = 3,267mr = 8,46 (3.86)
LC = mr = 2,59 (3.87)
LIC = 0. (3.88)
34
Todos los puntos est an entre los lmites de control. Construimos el gr aco de
control para individuos como
LSC = x + 3
mr
d
2
= 105,99 (3.89)
LC = x = 99,1 (3.90)
LIC = x 3
mr
d
2
= 92,21 (3.91)
ya que para n = 2: d
2
= 1,128. Notemos que todos los puntos est an entre los
lmites de control.
La interpretaci on del gr aco de control para individuos es an aloga a la del gr aco

X. Debe tenerse cuidado con la interpretaci on de patrones en el gr aco de control

de rango m ovil ya que:
1. Los distintos rangos m oviles est an correlacionados.
2. Esta correlaci on induce patrones que no se deben a causas asignables.
3. Los patrones no aleatorios hay que buscarlos en el gr aco de individuos.
El gr aco de control para individuos es poco sensible a peque nos corrimientos en
la media del proceso. Por ejemplo: un corrimiento en la media de una desviaci on
est andar, da lugar a una longitud de racha promedio LCP = 43,9 muestras. Se
ha sugerido utilizar lmites de control m as estrechos que los 3-sigma en este tipo
de gr acos de control. Sin embargo, se aumentan las falsas alarmas e inutiliza en
gran media el uso del procedimiento. Una alternativa mejor es utilizar el gr aco
de control de suma acumulada.
3.9. Graco de control de suma acumulada
Los gr acos de control de Shewhart son poco sensibles a peque nos corrimientos
de la media (del orden de 1,5 o inferiores). Por que? Utilizan informaci on del
ultimo punto. No consideran toda la secuencia. Alternativas como las reglas de
la Western Electric tienen inconvenientes: (i) Se complica la interpretaci on del
gr aco. (ii) La longitud de corrida promedio bajo control se reduce por debajo
de 370. El incremento de las falsas alarmas puede tener consecuencias pr acticas
serias.
Una alternativa es utilizar los gr acos de control de sumas acumuladas o
gr acos cusum. Tomamos muestras de tama no n 1 con

X
j
la j-esima media
muestral y sea
0
el valor nominal o media deseada del proceso. El gr aco de con-
trol de suma acumulada consiste en representar las sumas dadas por la siguiente
ecuaci on
S
i
=
i

j=1
(

X
j

0
), (3.92)
35
con i = 1, . . . , m. Notemos que las sumas S
i
combinan informaci on de distintas
muestras. El punto b asico a tener en cuenta es que si el proceso est a bajo control
alrededor de
0
, los distintos S
i
han de uctuar alrededor de cero. Si la media se
desplaza a
1
mayor que
0
entonces los S
i
tender an a tomar valores positivos
y cada vez mayores. Si la media se desplaza a
1
menor que
0
entonces los
S
i
tender an a tomar valores negativos y cada vez menores. En consecuencia, la
observaci on de una tendencia en el gr aco es un indicativo de que ha habido una
modicaci on de la media y la b usqueda de alguna causa asignable debiera de
hacerse. Nos vamos a centrar en el gr aco de sumas acumuladas para la media
del proceso. Se pueden plantear para el n umero de defectos, para la desviaci on
est andar o para el rango.
C omo dise nar un procedimiento formal para determinar si el proceso est a fuera
de control? La m ascara V es un procedimiento habitual. Fue propuesto por Barn-
hard en 1959. En la gura 3.3 aparece la m ascara que utilizamos para controlar las
sumas acumuladas. El origen se coloca en cada una de las sumas y los puntos an-
teriores han de estar contenidos entre los brazos de la m ascara. El funcionamiento
del procedimiento depende de la distancia d y el angulo que denen la m ascara
V. Si denotamos por
X
la desviaci on tpica de

X, la probabilidad de error
tipo I (se ha producido un corrimiento pero no es cierto que se ha producido),
la probabilidad del error tipo II (no detectamos un corrimiento que si se ha
producido) y el corrimiento mnimo en la media del proceso que deseamos
detectar entonces valores habituales de la m ascara V son los siguientes:
d =
2

2
ln(
1

) (3.93)
y
= arctan(

2k
) (3.94)
con
=


X
(3.95)
la magnitud del corrimiento expresado en unidades de desviaci on est andar de la
media. k es un factor de escala que relaciona la unidad del eje de ordenadas con
la unidad del eje de abscisas. Habitualmente k est a entre
X
y 2
X
siendo un
valor razonable 2
X
.
Veamos una implementaci on tabular para el gr aco de suma acumulada. Es
util para la programaci on del procedimiento. Tomamos
b = tan(2
X
) (3.96)
y
h = 2d
X
tan (3.97)
Denimos la suma acumulada unilateral superior en el periodo i como:
S
H
(i) = m ax{0, x
i
(
0
+b) +S
H
(i 1)}, (3.98)
36
y la suma acumulada unilateral inferior como
S
L
(i) = m ax{0, (
0
b) x
i
+S
L
(i 1)}. (3.99)
donde
S
H
(0) = S
L
(0) = 0. (3.100)
S
H
(i) y S
L
(i) acumulan las desviaciones, respecto al valor deseado, que son may-
ores que b, con ambas cantidades puestas a cero cuando se convierten en negativas.
Si S
H
(i) o S
L
(i) exceden el valor h entonces el proceso est a fuera de control.
3.10. Problemas
1. Se toman muestras de tama no n = 8 en un proceso de manufactura en in-
tervalos regulares. Se mide una cierta caracterstica de calidad y denotamos
por x y r los valores que calculamos en cada muestra. Despues de tomar 50
muestras tenemos que
50

i=1
x
i
= 2000, y
50

i=1
r
i
= 250. (3.101)
Suponemos que la caracterstica de calidad tiene una distribuci on normal.
Se pide:
a) Determinar los lmites de control para los gr acos

X y R.
b) Suponemos que todos los puntos caen entre los lmites de control de-
terminados en el punto anterior. Cu ales son los lmites de tolerancia
naturales del proceso?
c) Si los lmtes de especicaci on son 415,0, cu ales son tus conclusiones
sobre la capacidad que tiene el proceso de fabricar piezas dentro de los
lmites de especicaci on?
d) Supongamos que si una pieza supera el lmite superior de especicaci on
entonces puede ser reelaborado. Sin embargo, si est a por debajo del
lmite inferior ha de ser desechado. . Que porcentaje hemos de rec-
hazar y que porcentaje hemos de reelaborar?
2. Se toman muestras de tama no n = 6 en un proceso de manufactura en in-
tervalos regulares. Se mide una cierta caracterstica de calidad y denotamos
por x y s los valores de la media muestral y la desviaci on tpica calculadas
en cada muestra. Despues de tomar 50 muestras tenemos que
50

i=1
x
i
= 1000, y
50

i=1
s
i
= 75. (3.102)
37
(a)
(b)
Figura 3.3: Metodo de sumas acumuladas: la m ascara V (a). El angulo es el
formado por cada brazo con la horizontal. (b) Uso del metodo
38
Suponemos que la caracterstica de calidad tiene una distribuci on normal.
Se pide:
a) Determinar los lmites de control para los gr acos

X y S.
b) Suponemos que todos los puntos caen entre los lmites de control de-
terminados en el punto anterior. Cu ales son los lmites de tolerancia
naturales del proceso?
c) Si los lmtes de especicaci on son 194,0, cu ales son tus conclusiones
sobre la capacidad que tiene el proceso de fabricar piezas dentro de los
lmites de especicaci on?
d) Supongamos que si una pieza supera el lmite superior de especicaci on
entonces puede ser reelaborado. Sin embargo, si est a por debajo del
lmite inferior ha de ser desechado. . Que porcentaje hemos de rec-
hazar y que porcentaje hemos de reelaborar?
e) Si el proceso estuviera centrado en = 19,0, que efecto tendra sobre
el porcentaje de piezas a desechar y a reelaborar?
3. Tomamos muestras de tama no n = 6 en un proceso cada media hora.
Despues de haber recogido 50 muestras obtenemos que

x = 20,0 y s =
1,5. Supongamos que ambos gr acos muestran que el proceso est a bajo
control. Tambien asumimos que la caracterstica que controlamos tiene una
distribuci on normal. Se pide
a) Estimar la desviaci on est andar del proceso.
b) Determinar los lmites de control de los gr acos

X y S.
c) Si la media del proceso se traslada a 22, que probabilidad tenemos
de concluir que el proceso todava est a bajo control?
4. Un gr aco

X tiene una lnea central de 100, utiliza lmites de control 3-
sigma y est a basado en un tama no muestral de 9. Se sabe que la desviaci on
est andar es 6. Si la media del proceso se traslada de 100 a 92, que probabili-
dad tenemos de detectar este corrimiento de la media en la primera muestra
que lo sigue? Cu al sera el n umero esperado de muestras necesarias para
detectar el corrimiento?
5. Se tienen gr acos de control para

X y para S. El tama no de cada muestra
es n = 7. Despues de tomar 30 muestras, tenemos que
50

i=1
x
i
= 12,870, y
50

i=1
s
i
= 426. (3.103)
Se pide:
39
a) Determinar los lmites 3-sigma para el gr aco S.
b) Suponiendo que ambos gr acos muestran control, estimar los par amet-
ros y .
6. Un gr aco

X se realiza asumiendo que los valores de los par ametros son
= 100, = 8 y n = 4. Se pide:
a) Determinar los lmites de control 2-sigma.
b) Determinar los lmites probabilsticos 0,005.
40
Captulo 4
Gracos de control de atributos
Se utilizan cuando la caracterstica de calidad no puede ser cuanticada. Nos
hemos de limitar a indicar si la unidad es conforme o no con unas especicaciones.
Las caractersticas de calidad de este tipo reciben el nombre de atributos.
Vamos a ver tres gr acos de control de atributos. El primero es el gr aco de
control para la fracci on de defectuosos (o no conformes) tambien llamado gr aco
p.
El segundo gr aco va a trabajar con el n umero de defectos por cada unidad
muestreada. Ser a el gr aco c.
4.1. Graco p
Es un gr aco de control para la fracci on de artculos defectuosos o que no
cumplen con las especicaciones. A menudo es deseable clasicar un producto co-
mo defectuoso o no defectuoso compar andolo con un est andar. Se logra economa
y simpleza en la inspecci on. Por ejemplo, vericar el di ametro de un cojinete
viendo si pasa por un probador que consiste en agujeros circulares cortados en
una plantilla. En resumen, el producto ha de vericar diversas caractersticas de
calidad simult aneamente. Si esto no es as entonces la unidad es clasicada como
no conforme.
El gr aco de control para la fracci on de unidades no conformes se basa en la
distribuci on binomial. Denotamos por p la fracci on de piezas no conformes que se
producen cuando el proceso est a funcionando de un modo estable. El resultado
con cada unidad es una variable Bernoulli con par ametro p. Si seleccionamos una
muestra de tama no n y D es el n umero de unidades no conformes entonces
D Bi(n, p), (4.1)
es decir, tiene una distribuci on binomial con par ametro n y p.
Estimamos p mediante la fracci on de artculos defectuosos en la muestra
p =
D
n
. (4.2)
41
Tenemos que
E p = = p, (4.3)
y la varianza de p viene dada por
var( p) =
p(1 p)
n
. (4.4)
El gr aco p para la fracci on de artculos defectuosos sera, si conocemos p,
LSC = p + 3

p(1 p)
n
(4.5)
LC = p (4.6)
LIC = p 3

p(1 p)
n
(4.7)
Normalmente p es desconocido y lo que hacemos es tomar m muestras de tama no
n. Normalmente m suele variar entre 20 y 25. Sea D
i
el n umero de unidades
no conformes en la muestra i. Entonces p
i
=
D
i
n
es la proporci on de artculos
defectuosos en la muestra i. Estimaremos p mediante
p =
1
m
m

i=1
p
i
=
1
mn
m

i=1
D
i
. (4.8)
El gr aco p para la fracci on de artculos defectuosos es
LSC = p + 3

p(1 p)
n
(4.9)
LC = p (4.10)
LIC = p 3

p(1 p)
n
. (4.11)
El gr aco de control anterior est a basada en la aproximaci on normal a la dis-
tribuci on binomial. Con p peque no puede no ser adecuada. En estos casos pueden
emplearse las probabilidades binomiales directamente. Si p es peque no, el lmite
inferior puede ser negativo: tomamos el valor 0.
En principio, puede parecer innecesario controlar inferiormente. Si una mues-
tra cae por debajo del lmite inferior signicara en principio un mejor fun-
cionamiento del proceso. En muchas ocasiones, esto se debe a errores de inspecci on
m as que a una mejora real.
Tambien podemos controlar el total de unidades no conformes en lugar de
la fracci on. Es incluso m as f acil de interpretar por el personal que realiza la
inspecci on. Tendramos el gr aco np que vendra dado por
LSC = n p + 3

n p(1 p) (4.12)
LC = p (4.13)
LIC = n p 3

n p(1 p) (4.14)
42
El siguiente c odigo muestra c omo podemos obtener estos gr acos de control
con el paquete qcc.
data(orangejuice)
attach(orangejuice)
qcc(D[trial], sizes=size[trial], type="p")
inc = setdiff(which(trial), c(15,23))
q1 = qcc(D[inc], sizes=size[inc], type="p")
qcc(D[inc], sizes=size[inc], type="p", newdata=D[!trial],
newsizes=size[!trial])
detach(orangejuice)
data(orangejuice2)
attach(orangejuice2)
names(D) = sample
qcc(D[trial], sizes=size[trial], type="p")
q2 = qcc(D[trial], sizes=size[trial], type="p",
newdata=D[!trial], newsizes=size[!trial])
detach(orangejuice2)
oldpar = par(no.readonly = TRUE)
par(mfrow=c(1,2), mar=c(5,5,3,0))
plot(q1, title="First samples", ylim=c(0,0.5), add.stats=FALSE,
restore.par=FALSE)
par("mar"=c(5,0,3,3), yaxt="n")
plot(q2, title="Second sample", add.stats=FALSE, ylim=c(0,0.5))
par(oldpar)
Tambien podemos evaluar la curva caracterstica de operaci on.
data(orangejuice)
attach(orangejuice)
beta <- oc.curves(qcc(D[trial], sizes=size[trial], type="p",
plot=FALSE))
print(round(beta, digits=4))
# or to identify points on the plot use
## Not run: oc.curves(qcc(D[trial], sizes=size[trial], type="p",
## plot=FALSE), identify=TRUE)
detach(orangejuice)
43
4.1.1. Tama nos variables
Que ocurre cuando el n umero de unidades que componen nuestra muestra es
variable? En este caso, el gr aco de control debiera de considerar este hecho. Dos
son las opciones que se emplean. La primera consiste en estimar la proporci on p
globalmente y luego ajustar la desviaci on tpica de cada muestra considerando su
tama no. Si denotamos n
i
el tama no de la i-esima muestra entonces estimamos p
mediante
p =

m
i=1
D
i

m
i=1
n
i
. (4.15)
Los lmites de control para la muestra i-esima seran
LSC = p + 3

p(1 p)
n
i
(4.16)
LC = p (4.17)
LIC = p 3

p(1 p)
n
i
. (4.18)
Esto produce unos lmites de control que no son constantes de muestra a muestra.
En el caso en que los tama nos no sean muy distintos puede ser m as pr actico
tomar una especie de tama no promedio que aproxime m as o menos bien a todos
los puntos. En concreto, tomaramos
n =

m
i=1
n
i
m
(4.19)
y lo utilizaramos para todos los puntos. Esta aproximaci on solo sera utilizable
cuando los tama nos no son muy distintos.
4.2. Graco C
Una unidad no conforme es una unidad de producto que no satisface una o
m as de una especicaci on del producto. Cada punto en el cual no se verica una
especicaci on constituye un defecto o no conformidad. Una unidad o item no
conforme tiene como mnimo una no conformidad o defecto.
Un ejemplo, supongamos que revisamos un monitor TFT. Concretamente el
n umero de pxeles en mal estado. Si el n umero de pxeles no es muy grande el pro-
ducto puede prestar su servicio con una buena calidad. Obviamente, un n umero
excesivo de pxeles que no funcionan adecuadamente ser a algo desagradable para
el usuario y nalmente repercutir a en la venta del mismo.
Se puede trabajar con gr acos de control para el n umero total de defectos en
la muestra o bien con el n umero de defectos por unidad que compone la muestra.
44
En un gr aco de control del n umero de defectos controlamos el n umero total
de defectos en la muestra de n unidades, C. El modelo probabilstico que se
suele asumir para el n umero de defectos es una distribuci on de Poisson. Esto es
adecuado si el n umero de puntos en donde puede aparecer una no conformidad es
muy grande (recordar el ejemplo del monitor) y la probabilidad de que se presente
es muy peque na. Adem as la unidad de inspecci on ha de ser la misma en cada
muestra.
Suponemos
C P(), (4.20)
es decir, que la funci on de probabilidad viene dada por
P(C = x) = e

x
x!
con x = 0, 1, . . . (4.21)
Es un hecho bien conocido que la media y la varianza de la distribuci on coinciden
y son iguales a : EC = var(C) = .
Los lmites (te oricos y desconocidos) del gr aco de control seran
LSC = + 3

LC =
LIC = 3

Si el lmite de control inferior es negativo tomaramos el valor 0 en su lugar. Un

punto importante a destacar es que al no ser simetrica la distribuci on de Poisson
no tenemos el mismo riesgo de falsa alarma por arriba que por abajo. Algunos
autores sugieren m as razonable trabajar en este gr aco con lmites probabilsticos.
Si no conocemos entonces tomaremos, como es habitual, m muestras siendo
C
i
el n umero de defectos en la i-esima muestra y consideraremos el siguiente
estimador.

=

C =
1
m
m

i=1
C
i
. (4.22)
El gr aco de control C viene dado por
LSC = c + 3

c
LC = c
LIC = c 3

c
Tambien siguiendo el procedimiento habitual de contrucci on de los gr acos de
control si no tenemos valores est andar tomaremos una primera muestra. A partir
de esta muestra inicial determinaremos los lmites anteriores como lmites de
prueba. Quitaremos las muestras que aparecen fuera de control y recalculamos
los lmites. Aplicaremos el procedimiento iterativamente. Veamos un ejemplo de
an alisis con el gr aco C utilizando la librera qcc.
45
data(circuit)
attach(circuit)
qcc(x[trial], sizes=size[trial], type="c")
## Quitamos los puntos fuera de control
inc <- setdiff(which(trial), c(6,20))
qcc(x[inc], sizes=size[inc], type="c", labels=inc)
qcc(x[inc], sizes=size[inc], type="c", labels=inc,
newdata=x[!trial], newsizes=size[!trial], newlabels=which(!trial))
qcc(x[inc], sizes=size[inc], type="u", labels=inc,
newdata=x[!trial], newsizes=size[!trial], newlabels=which(!trial))
detach(circuit)
Finalmente tambien podemos utilizar la curva caracterstica de operaci on.
data(circuit)
attach(circuit)
q <- qcc(x[trial], sizes=size[trial], type="c", plot=FALSE)
beta <- oc.curves(q)
print(round(beta, digits=4))
# or to identify points on the plot use
oc.curves(qcc(x[trial], sizes=size[trial],
type="c", plot=FALSE), identify=TRUE)
detach(circuit)
4.3. Graco U
Es un gr aco de control de defectos por unidad. Utilizamos el promedio de
defectos por unidad en la muestra. Si tenemos n unidades y un total de defectos
C entonces
U =
C
n
, (4.23)
es el promedio de defectos por unidad. Un detalle curioso: podemos tener una
cantidad no entera de unidades. En este caso tenemos EU = /n y var(U) = /n
2
por lo que var(U) = EU/n. Con m muestras preliminares y valores observados
u
1
, . . . , u
m
entonces estimamos la media U, EU, mediante
u =
1
m
m

i=1
u
i
. (4.24)
46
Teniendo en cuenta que la desviaci on tpica de U verica
U
=

var(U) =

EU/n estimaremos
U
mediante

u/n. El gr aco de control U es el siguiente:

LSC = u + 3

u
n
LC = u
LIC = u 3

u
n
Acabamos la secci on con el an alisis de unos datos utilizando la librera qcc.
data(pcmanufact)
attach(pcmanufact)
qcc(x, sizes=size, type="u")
detach(pcmanufact)
4.4. Problemas
1. Un gr aco de control indica que la fracci on de items no conformes es de
0,02. Inspeccionamos 50 items cada da: cu al es la probabilidad de detectar
un corrimiento en la fracci on de no conformes a 0,04 el primer da despues
de producirse? Y al nal del tercer da despues del corrimiento?
2. Un gr aco de control para el n umero de piezas no conformes es mantenido
para un proceso donde np = 16. Tomamos un tama no muestral diario de
100 unidades.
a) Cu al es la probabilidad de detectar un corrimiento de la media del
proceso a np = 20 el primer da despues del corrimiento? Y la prob-
abilidad de detectarlo como mucho al nal del tercer da?
b) Determinar el tama no muestral necesario para que tengamos un lmite
inferior de control positivo.
3. Un gr aco de control para la fracci on de no conformes se ha dise nado con
una lnea central de p = 0,1 Que tama no muestral es necesario si queremos
detectar un corrimiento en la fracci on de no conformes de a p = 0,16 con
una probabilidad de 0,5?
4. Un proceso es controlado con gr aco de control de fracci on de no conformes
y lmites 3-sigma, n = 100, LSC = 0,161, LC = 0,08 y LIC = 0. Se pide:
a) Determinar el gr aco de control equivalente para el n umero de no
conformes.
47
b) Utilizar la aproximaci on de Poisson a la binomial para determinar la
probabilidad de un error tipo I.
c) Determinar la probabilidad de un error tipo II si la fracci on de no
conformes para a ser de 0,2.
d) Cu al es la probabilidad de detectar el corrimiento del apartado ante-
rior como mucho en la cuarta muestra despues del mismo?
48
Captulo 5
Muestreo de aceptaci on
Tenemos un lote de unidades fabricadas. De ese lote tomamos una muestra y
utilizando la informaci on de esta muestra hemos de tomar la decisi on de aceptar
o rechazar todo el lote. Esta tecnica de control de calidad recibe el nombre de
muestreo de aceptaci on de lotes o simplemente muestreo de aceptaci on.
Existen dos tipos de planes de muestreo de aceptaci on: por atributos o por
variables. Notemos que el muestreo de aceptaci on simplemente trata de decidir si
el lote es aceptable o no lo es. No pretende estimar la calidad del lote. Cu ando
empleamos muestreo de aceptaci on?
1. Cuando el testeo de una unidad destruye la unidad examinada.
2. Cuando el coste de inspeccionar todas las unidades del lote es muy alto.
3. Cuando lleva mucho tiempo inspeccionar todas las unidades del lote.
5.1. Planes de muestreo de aceptaci on
Un plan de muestreo de aceptaci on de lotes es un procedimiento de muestreo y
un conjunto de reglas para tomar decisiones. La decisi on, que ha de estar basada
en el n umero de unidades defectuosas en la muestra, puede ser:
1. Aceptar el lote.
2. Rechazar el lote.
3. Tomar otra muestra y repetir el proceso.
Veamos algunos tipos de planes de muestreo.
Planes de muestreo simples: Tomamos una sola muestra del lote. Se les de-
nota como planes (n, c) donde n denota el tama no de la muestra y c el
n umero de defectuosos. Si hace al menos c defectuosos rechazamos el lote.
Son los m as utilizados y los m as sencillos.
49
Planes de muestreo dobles: Tomamos una muestra y tomamos una de tres
opciones posibles:
1. Aceptamos el lote.
2. Rechazamos el lote.
3. Ninguna decisi on.
En el tercer caso tomamos una segunda muestra y la decisi on se toma
combinando los resultados de las dos muestras.
Planes de muestreo m ultiples: Extendemos los planes de muestreo dobles a
m as de dos muestras antes de tomar una decisi on.
Planes de muestreo secuenciales: Seleccionamos los items del lote de uno en
uno. Despues de muestrear cada unidad tomamos una de las tres posibles
decisiones: rechazar el lote, aceptar el lote o muestrear otra unidad.
Veamos tambien alguna terminologa b asica en el muestreo de aceptaci on.
Nivel de calidad aceptable (AQL, acceptable quality level): AQL es el por-
centaje de defectuosos. El productor quiere un plan de muestreo que de una
alta probabilidad de aceptar un lote cuya proporci on de unidades defectu-
osas sea menor o igual a AQL.
Porcentaje de defectuosos para tolerancia del lote: (LPTD, lot tolerance
percent defective). LTPD es un nivel alto de defectos que es inaceptable
para el consumidor. El consumidor desea un plan de muestreo con una baja
probabilidad de aceptar un lote con un nivel de unidades defectuosas tal
alto como LTPD.
Error tipo I, riesgo del productor: Es la probabilidad, para un plan de muestreo
(n, c), de rechazar un lote que tiene un nivel de defectuosos igual a AQL.
El productor pierde ya que un lote de calidad aceptable es rechazado. Se
denota por y los valores habituales van de 0,2 a 0,01.
Error tipo II, riesgo del consumidor: Probabilidad, para un plan (n, c), de
aceptar un lote con un nivel de defectos igual a LTPD. El consumidor pierde
ya que acepta un lote con una calidad inaceptable. Se denota con y toma
valores de 0,2 a 0,01.
Curva caracterstica de operaci on: Representamos la probabilidad de acep-
tar el lote frente al porcentaje de unidades defectuosas en el lote.
Calidad de salida media (AOQ, average outgoing quality): Cuando el muestreo
no es destructivo entonces es habitual muestrear todas las unidades de los
lotes rechazados y sustituirlas todas las unidades defectuosas por unidades
50
correctas o conformes. De este modo solo tenemos defectos en los lotes que
son aceptados. AOQ es el nivel de defectos en este procedimiento. Supong-
amos que la proporci on de defectuosas es p y que la curva caracterstica de
operaci on para el plan (n, c) nos da una probabilidad p
a
de aceptar el lote.
Entonces tenemos que
AOQ =
p
a
p(N n)
N
, (5.1)
donde N es el tama no del lote.
51
52
Captulo 6
Conceptos basicos de
Probabilidad y Estadstica
6.1. Probabilidad
Dadas un conjunto de condiciones, un experimento, no siempre podemos pre-
decir exactamente lo que va a ocurrir. La Probabilidad es la disciplina matem atica
que estudia estos experimentos.
En primer lugar determinamos el conjunto de posibles resultados que se puede
producir en la experiencia, es el espacio muestral, . Los posibles subconjuntos
de A son los sucesos aleatorios y la probabilidad no nos dice si cada suce-
so si va a producir o no sino que se limita a cuanticar para cada experimento
la mayor o menor certidumbre que tenemos en la ocurrencia de A antes de re-
alizar la experiencia. P(A) es como se suele denotar habitualmente la probabilidad
del suceso A. Obviamente cada suceso tiene asignada una probabilidad. Han de
darse unas condiciones de consistencia mnimas que han de vericar las distintas
probabilidades de los sucesos aleatorios. Son las siguientes
Denici on 2 (Medida de probabilidad) P funci on de conjunto denida so-
bre los sucesos es una medida de probabilidad si:
1. (No negativa) P(A) 0 para todo A .
2. (La probabilidad del espacio muestral es uno) P() = 1.
3. (Numerablemente aditiva o aditiva) Si {A
n
}
n1
es una sucesi on de suce-
sos disjuntos entonces
P(

n1
A
n
) =

n1
P(A
n
). (6.1)
Supongamos el experimento consistente en elegir a una individuo al azar de
la Comunidad Valenciana. Obviamente el espacio muestral est a formado por los
53
distintos individuos. Si los numeramos tendramos = {
i
}
N
i=i
donde N es el
n umero total de personas de la Comunidad. Elecci on al azar supone que cada
individuo tiene la misma probabilidad de ser elegido y viene dada por P({
i
}) =
1
N
. Obviamente cuando se elige una muestra de personas pensamos en alguna
caracterstica numerica de la misma por ejemplo su edad. Denotemos por X
la aplicaci on tal que X() es la edad de la persona . Puesto que el individuo
es seleccionado de un modo aleatorio, tambien ser a aleatoria la cantidad X().
La aplicaci on X recibe el nombre de variable aleatoria. Si B es un subconjunto
arbitrario de n umeros reales entonces cualquier armaci on de interes sobre la
variable aleatoria X suele poderse expresar como P({ : X() B}). Por
ejemplo, si nos interesa la proporci on de personas que tienen 37 o m as a nos esto
supone plantearse el valor de P({ : X() [37, +)}).
Dos son los tipos de variables de mayor interes pr actico, las variables aleato-
rias discretas y las continuas. Una variable aleatoria se dice discreta si toma un
conjunto de valores discreto, esto es, nito o si innito numerable. Si el conjunto
de valores que puede tomar lo denotamos por D entonces se dene la funci on de
probabilidad de X como P(X = x). En estas variables se tiene que
P(a X b) =

axb
P(X = x), (6.2)
para cualesquiera valores reales a b.
Una variable aleatorio se dice continua cuando
P(a X b) =

b
a
f(x)dx, (6.3)
para cualesquiera valores reales a b. La funci on f recibe el nombre de funci on
de densidad de la variable X.
De un modo generico cuando se habla de la distribuci on de una variable aleato-
ria X hablamos de las probabilidades P(X B) para cualquier subconjunto B
de . Obviamente, para variables discretas,
P(X B) =

xB
P(X = x) (6.4)
y para variables continuas
P(X B) =

A
f(x)dx. (6.5)
En resumen, si conocemos la funci on de probabilidad o la de densidad conocemos
la distribuci on de la variable.
Se dene la funci on de distribuci on de una variable aleatoria X como la funci on
real de variable real dada por F(x) = P(X x) con x .
54
Una variable suele describirse de un modo simple mediante su media y su
varianza. La media nos da una idea de alrededor de que valor se producen los
valores aleatorios de la variable mientras que la varianza cuantica la disper-
si on de estos valores alrededor de la media. Se denen para variables discretas
como: la media es EX = =

xD
xP(X = x); mientras que la varianza es
var(X) =
2
= E(X )
2
=

xD
(x )
2
P(X = x). Habitualmente adem as
de la varianza se suele utilizar para medir variabilidad la desviaci on tpica dada
por =

var(X).
En variables continuas las deniciones de media y varianza son las an alogas
sustituyendo sumatorios por integrales, de modo que la media se dene como
EX = =

xf(x)dx mientras que la varianza ser a var(X) =

2
=

(x
)
2
f(x)dx.
En tablas 6.1 y 6.2 presentamos un breve resumen de las distribuciones que
vamos a utilizar en este curso.
6.2. Estadstica
Pretendemos estimar la proporci on de personas que est an a favor del euro en
Espa na. Sea p dicha proporci on de personas. Es una cantidad desconocida que
pretendemos conocer a partir de una muestra de personas seleccionadas al azar e
independientemente una de otra. Esto es lo que se conoce como un problema de
estimaci on en Estadstica. La persona i que seleccionemos al azar producir a un
valor aleatorio (porque la persona que elegimos lo hacemos de un modo aleato-
rio) que denotamos X
i
que tomar a los valores 1 (a favor del euro) o cero (en
contra de la moneda) con probabilidades p y 1 p respectivamente. Cuando se-
leccionamos los individuos no tenemos valores aleatorios X
1
, . . . , X
n
sino valores
jos x
1
, . . . , x
n
. Una estimaci on puntual natural o l ogica de p sera
p =
n

i=1
x
i
n
. (6.6)
Esto es una estimaci on puntual. Obviamente diferentes selecciones aleatorias pro-
ducen distintos valores de modo que el estimador ser a

X =
n

i=1
X
i
n
, (6.7)
es decir, un valor aleatorio que produce distintas estimaciones.
Suele ser m as interesante dar, en lugar de un valor, un intervalo como esti-
maci on del valor desconocido de p. Es lo que se conoce como intervalo de con-
anza. Esencialmente consiste en determinar un valor c tal que
P(

X c p

X +c) 1 , (6.8)
55
Cuadro 6.1: Distribuciones discretas
Distribuci on Funci on de probabilidad Media Varianza
Bernoulli f(x|p) = p
x
(1 p)
1x
si x = 0, 1 p p(1 p)
Binomial f(x|n, p) =

n
x

p
x
(1 p)
nx
si x = 0, 1, . . . , n np np(1 p)
Hipergeometrica f(x|A, B, n) =
0
@
A
x
1
A
0
@
B
n x
1
A
0
@
A+B
n
1
A
si x = 0, . . . , n.
nA
A+B
nAB(A+Bn)
(A+B)
2
(A+B1)
Geometrica f(x|p) = p(1 p)
x
si x = 0, 1, 2, . . .
1p
p
1p
p
2
Binomial Negativa f(x|r, p) =

r +x 1
x

p
r
(1 p)
x
si x = 0, 1, 2, . . .
r(1p)
p
r(1p)
p
2
Poisson f(x|) =
e

x
x!
si x = 0, 1, . . .
5
6
Cuadro 6.2: Distribuciones continuas
Distribuci on Funci on de densidad Media Varianza
Uniforme f(x|, ) =
1

si < x <
+
2
()
2
12
Normal, N(,
2
) f(x|,
2
) =
1

2
e

1
2
(
x

)
2
x
2
Gamma Ga(, ) f(x|, ) =

()
x
1
e
x
si x > 0
a

2
Exponencial Expo() f(x | ) =
1

exp
x

si x 0
2
Ji-Cuadrado
2
() X
2
() si X Ga(

2
,
1
2
) 2
Beta Be(, ) f(x|, ) =
(+)
()()
x
1
(1 x)
1
si 0 < x < 1

+

(+)
2
(++1)
t-Student t() f(x) =
(
+1
2
)

2
)

1 +
x
2

+1
2
x 0 si > 1

2
si > 2
F-Snedecor F(m, n) f(x) =
(
m+n
2
)
(
m
2
)(
n
2
)
m
m/2
n
n/2 x
m/21
(mx+n)
(m+n)/2
si x > 0
n
(n2)
si n > 2
2n
2
(m+n2)
m(n2)
2
(n4)
si n > 4
Weibull(, ) f(x | , ) =

x
1
exp (
x

si x > 0

(
1

)

2

(2(
2

)
1

2
(
1

))
Lognormal X N(,
2
) e
X
LN(,
2
)
a
La funci on gamma se dene como () =

+
0
x
1
exp{x}dx, que existe y es nita > 0
5
7
donde [X c, X +c] sera el intervalo de conanza con nivel de conanza 1 .
Valores habitualmente utilizados para son 0,01, 0,05 o 0,1. En el ejemplo que
nos ocupa el valor de c es, para muestras n razonablemente grandes,
c = Z
1

p(1 p)
n
, (6.9)
donde Z
1

2
es el 1 cuantil de la normal est andar (normal con media 0 y
varianza 1).
Una situaci on especialmente interesante son las poblaciones normales. Si X
1
, . . . , X
n
son n valores independientes y con la misma distribuci on N(,
2
). De los dos
par ametros y
2
suele interesar fundamentalmente estimar la media . El in-
tervalo de conanza para la media en poblaciones normales viene dado por
P(

X t
n1,1/2
S

n


X +t
n1,1/2
S

n
) = 1

2
. (6.10)
La demostraci on de este resultado se puede encontrar en cualquier libro de intro-
ducci on a la estadstica.
58
Bibliografa
[1] D.C. Montgomery. Introduction to Statistical Quality Control. Wiley, second
edition edition, 1991.
[2] NIST/SEMATECH. e-Handbook of Statistical Methods.
http://www.itl.nist.gov/div898/handbook/, 5-5-2003.
59