Capacidad de Procesos Iso 9000 Arvelo

1
Capacidad de Procesos segn ISO 9000

Ing
o
Angel Francisco Arvelo

2
Ing
o

EVALUACION DE LA CAPACIDAD DE CALIDAD
DE UN PROCESO INDUSTRIAL
METODOS ESTADISTICOS SUGERIDOS POR LA NORMA ISO 9000

ANGEL FRANCISCO ARVELO L.
Ingeniero Industrial
Master en Estadstica Matemtica

CARACAS, MARZO de 1997

3
Ing
o

ANGEL FRANCISCO ARVELO LUJAN
Angel Francisco Arvelo Lujn es un Profesor Universitario Venezolano en el
rea de Probabilidad y Estadstica, con ms de 40 aos de experiencia en las
ms reconocidas universidades del rea metropolitana de Caracas.
Universidad Catlica Andrs Bello : Profesor Titular Jubilado 1970 a 2003
Universidad Central de Venezuela: Profesor por Concurso de Oposicin desde
1993 al presente
Universidad Simn Bolvar: Profesor desde 2005 al presente
Universidad Metropolitana: Profesor desde 1973 a 1987
Universidad Nacional Abierta: Revisor de contenidos, desde 1979 hasta 2004

Sus datos personales son :
Lugar y Fecha de Nacimiento: Caracas, 16-02-1947
Correo electrnico: angelf.arvelo@gmail.com
Telfono: 58 416 6357636

Estudios realizados:
Ingeniero Industrial. UCAB Caracas 1968
Mster en Estadstica Matemtica CIENES , Universidad de Chile 1972
Cursos de Especializacin en Estadstica No Paramtrica Universidad de
Michigan 1982
Doctorado en Gestin Tecnolgica: Universidad Politcnica de Madrid 2006 al
Presente

El Profesor Arvelo fue Director de la Escuela de Ingeniera Industrial de la
Universidad Catlica Andrs Bello (1974-1979) , Coordinador de los
Laboratorios de esa misma Universidad especializados en ensayos de Calidad,
Auditor de Calidad, y autor del libro Capacidad de Procesos Industriales UCAB
1998.

En numerosas oportunidades, el Profesor Arvelo ha dictado cursos
empresariales en el rea de Estadstica General y Control Estadstico de
Procesos.

Una mayor informacin pueden ser obtenidos en la siguiente pgina web:
www.arvelo.com.ve

4
Ing
o

PROLOGO
La actual crisis econmica por la que atraviesa nuestro pas , con la consecuente
prdida en la capacidad de compra de los consumidores, ha trado como
consecuencia que muchas empresas industriales vean en la exportacin una
salida para su desarrollo.
Sin embargo, a la hora de tratar de penetrar los mercados internacionales,
nuestras empresas se han encontrado con la dificultad de que all, las normas de
calidad son mucho ms exigentes, y de obligatorio cumplimiento.
As por ejemplo, el cumplimiento de las clusulas establecidas en la Norma ISO-
9000 y sus anexos, ya es un requisito mundialmente exigido para cualquier
empresa industrial o de servicios, que pretenda competir en los mercados de los
pases desarrollados.
Con el objeto de garantizarle a los consumidores y usuarios, que las empresas
productoras y de servicios tienen un sistema de aseguramiento de la calidad, y
que dicho sistema es permanente en el tiempo, ha aparecido la figura de las
llamadas "Auditoras de Calidad" , en donde un agente externo a la empresa
certifica ante terceros , la existencia de este sistema de aseguramiento de la
calidad, y que la empresa responder ante el consumidor frente a cualquier
problema derivado de la produccin de alguna pieza defectuosa , o de alguna falla
en la prestacin del servicio.
Aunque las clusulas previstas en la norma ISO - 9000 , son de un carcter
bastante general, y estn enfocadas exclusivamente hacia el sistema y no hacia
el producto, algunas de ellas hacen mencin a la necesidad de que la empresa
cuente con la existencia de mtodos estadsticos para el control de calidad, y
sugiere la implantacin de tcnicas de muestreo para detectar a tiempo la
aparicin de cualquier tipo de fallas .
La aplicacin de mtodos de muestreo en la industria venezolana, ya era
conocida an antes de la aparicin de la Norma ISO-9000, y as desde hace ya
muchos aos , COVENIN adopt los planes de muestreo por atributos , conocidos
como "Tablas Militares 105-D" , como normas venezolanas.
Sin embargo, adems de los planes de muestreo, otra evaluacin muy importante
en las auditoras de calidad, son los llamados estudios de capacidad o de
habilidad de procesos, los cuales requieren de una metodologa estadstica.

5
Ing
o

As por ejemplo, la Norma Venezolana Covenin 9004-90, en donde se dan los
lineamientos para la "Gestin de Calidad", establece textualmente en su Ttulo N
10 "Calidad en Produccin" , Seccin 10.2 " Capacidad del Proceso", lo siguiente:
A los procesos de produccin se les debe verificar su capacidad para producir de acuerdo
con las especificaciones establecidas para el producto. Deben ser identificadas las
operaciones asociadas con las caractersticas del producto o proceso, que puedan tener
efectos significativos sobre la calidad del producto. Se debe establecer un control
apropiado para asegurar la permanencia de estas caractersticas dentro de las
especificaciones y que se hayan realizado los cambios y modificaciones apropiadas.
La verificacin de los procesos de produccin debe incluir la revisin de los
procedimientos relativos a material, equipo , sistemas de computacin , procedimientos y
el personal involucrado .
El concepto de capacidad de procesos se refiere fundamentalmente a la
disposicin que tiene el proceso para cumplir con las especificaciones que le son
impuestas por las normas, y as por ejemplo , si el proceso presenta un alto grado
de variabilidad y las especificaciones son muy estrechas, entonces generar un
alto porcentaje de piezas defectuosas , es decir fuera de especificacin .
Si por el contrario, el proceso es muy preciso, y fabrica piezas con poco margen
de variabilidad, entonces con calibraciones adecuadas, se podr lograr que la
totalidad de las piezas caigan dentro de las especificaciones exigidas, y el
proceso se denominar capaz. Un proceso "capaz" es entonces, aquel que
puede cumplir a cabalidad con los requisitos de calidad impuestos por las
especificaciones.
El concepto de capacidad de procesos no es nuevo en los textos de "Control
Estadstico de Calidad " , pero si es una novedad dentro del medio industrial
venezolano. De hecho , antes de la aparicin de la Norma ISO-9000 , solo era
puesto en prctica por un limitado nmero de industrias , tales como las petroleras
, la industria automotriz , y algunas transnacionales.
El objetivo del presente trabajo, es presentar de una manera clara y precisa, la
metodologa estadstica necesaria para estimar la capacidad de cualquier proceso
industrial que deba someterse a ciertas especificaciones externas, y puede ser de
utilidad tanto para la empresa a fin de autoevaluarse, como para el auditor externo
.
La metodologa que aqu se presenta no es propia, de hecho aparece dispersa en
buena parte de los textos de "Control Estadstico de Calidad". Considero que mi
6
Ing
o

principal contribucin es organizarla, y presentarla de una manera didctica, a fin
de que pueda ser fcilmente utilizada por las personas relacionadas con el tema.
Dado que la metodologa aqu descrita requiere conocimientos bsicos de
Estadstica, Probabilidades e Inferencia Estadstica, es conveniente que las
personas responsables de aplicarla , repasen los conceptos fundamentales de
tales asignaturas, puesto que algunos de ellos como el clculo de ciertos
estadsticos muestrales de deformacin y de curtoss, o el manejo de tablas
normales , y pruebas de hiptesis, se suponen ya conocidos.
He tratado de desarrollar la metodologa conciliando dos aspectos: el prctico y el
acadmico.
El aspecto prctico es sumamente importante puesto que este trabajo est
dirigido a personas del medio industrial, a quienes les interesa principalmente el
aspecto metodolgico, con el fin de evaluar su proceso.
El aspecto acadmico es tambin para m sumamente importante, ya que dada mi
condicin de Profesor Universitario , actividad a la que he dedicado gran parte de
mi vida profesional por ms de 26 aos , no me sentira satisfecho si me limitara a
dar un "recetario" de frmulas y procedimientos, sin justificacin terica alguna.
Para conciliar estos dos aspectos decid dividir el trabajo en cinco captulos; los
cuatro primeros se refieren exclusivamente a aspectos de carcter prctico que
constituyen la esencia de la metodologa, y en el quinto captulo se da el
fundamento terico de la misma.
En lo personal, considero que el Capitulo V es junto con la sntesis de la
metodologa , el gran aporte de este trabajo , ya que en los textos de Control de
Calidad no aparece la justificacin de muchos procedimientos , como la deduccin
de los coeficientes para construir los grficos de control , o los coeficientes para
estimar la desviacin tpica del proceso a partir del rango medio, etc., y cuyas
demostraciones han sido desarrolladas por m , con la ayuda de tcnicas de
Estadstica Matemtica .
Sinceramente espero que el presente trabajo sea una contribucin para el
desarrollo del sector industrial venezolano, de utilidad para las personas
relacionadas con el Control Estadstico de Calidad, y para aquellos estudiantes y
profesionales interesados en conocer el porque de las cosas.

EL AUTOR
7
Ing
o

CAPITULO I : DISTRIBUCION NORMAL Y CAPACIDAD
DE PROCESOS INDUSTRIALES .

La curva normal es la ms importante de las distribuciones estadsticas, y
representa un modelo terico de comportamiento para una variable aleatori a
continua X, cuya funcin de densidad de probabilidad viene dada por la
ecuacin:

f x e ( )
1
2
-
- ( ) x
2
2
2
; - < x <
- < < > 0

En la expresin anterior , "" y " " representan los parmetros de la distribucin ,
que reciben el nombre de media y desviacin tpica respectivamente ,y definen
en realidad una familia, pues al tomar diferentes valores obtendremos una nueva
curva .
Los parmetros de la curva tienen una influencia determinante en su geometra,
y as , el parmetro "" representa el eje de simetra o valor central de la
distribucin, mientras que el parmetro " " , por ser una medida de la
variabilidad en los valores de "X" con respecto a la media "" , incide en su
ancho ; de manera que a un menor valor de " " ,la curva se hace ms estrecha
al estar los valores de la variable ms concentrados alrededor del valor de "" , y
a un mayor valor de " " obtendremos una curva ms ancha, con una mayor
dispersin de los valores de la variable con relacin a la media.
Uno de los principales objetivos del Control Estadstico de Calidad es conocer
los parmetros con que el proceso est produciendo las piezas , pues mediante
su conocimiento se podr determinar si se est en capacidad de cumplir con las
especificaciones que le son exigidas al producto, y obviamente en la medida en
que la desviacin tpica del proceso se reduzca, se obtendr un proceso ms
estable y un producto ms homogneo.

VARIABILIDAD DE LOS PROCESOS INDUSTRIALES

La Teora de Control Estadstico de Calidad establece que en todo proceso
industrial existen dos tipos de causas de variabilidad, que se conocen como
comunes y asignables.
Las causas comunes constituyen la suma de los efectos de un conjunto total de
causas aleatorias no controlables, que producen una variacin en la calidad del
producto manufacturado, y que son semejantes al conjunto de fuerzas que dan
lugar a que una moneda caiga de uno u otro lado cuando es lanzada al aire. Con
respecto a estas causas comunes, es poco lo que se puede hacer para
reducirlas, debido a que son inherentes al proceso, a la precisin de las
8
Ing
o

mquinas, etc. La desviacin tpica " " de la curva, es justamente el reflejo de la
variabilidad debida a estas causas aleatorias.
Las causas asignables por el contrario, son debidas a la presencia de algunos
factores que perturban el proceso, y que por s solos son capaces de explicar en
gran medida la variabilidad en la calidad del producto. Entre estas causas
podran ser citadas como ejemplo, diferencias entre las mquinas, diferencias
entre los operarios, diferencias entre los materiales, etc.
El Control Estadstico de Procesos supone que si se estudia un grupo de datos
y se encuentra que se ajustan a una Distribucin Normal, entonces no existen
causas asignables, y se dice que el proceso est bajo control estadstico debido
a que es posible pronosticar con un alto grado de certeza su variabilidad .
Por el contrario, cuando los datos obtenidos del proceso no se ajustan a la
Normal, se dice que estn actuando una o ms causas asignables, y que el
proceso est fuera de control.
De lo anterior se deduce entonces que el punto de partida o axioma de la Teora
de Control Estadstico de Procesos es que cuando no actan causas asignables,
el proceso se comporta segn una Distribucin Normal, y que la variabilidad
observada es simplemente aleatoria.

PROPIEDADES DESCRIPTIVAS DE LA DISTRIBUCION NORMAL

Cuando se tiene un conjunto de datos provenientes de un proceso industrial, es
importante reconocer si su comportamiento es o no normal, a fin de poder
identificar causas comunes y causas asignables.
A continuacin se enuncian una serie de propiedades que tiene la curva normal,
y se sealan algunos procedimientos prcticos que permiten verificar si desde
un punto de vista descriptivo es razonable suponer la normalidad del proceso.
En el captulo siguiente se trataran en detalle las pruebas de ajuste, que son las
que en definitiva permitirn aceptar o rechazar la hiptesis de normalidad.

1) La curva normal tiene una forma acampanada y es simtrica respecto de su
media.
Para verificar la forma acampanada de los datos basta con construir el
histograma de frecuencias para los datos agrupados, y comprobar que la clase
modal se ubica en el zona central de la grfica y que a medida que nos alejamos
de ella, en cualquiera de las dos direcciones la frecuencia disminuye.
Para verificar la simetra respecto de la media, es necesario calcular las
diferentes medidas de deformacin las cuales deben dar cero.
Las principales medidas de deformacin son:
Coeficiente momento de sesgo.
Coeficiente percentlico de sesgo.
Coeficiente cuartlico de sesgo.

9
Ing
o

2) En la Distribucin Normal, la media, la mediana y la moda coinciden.

Para verificar esta propiedad, basta con calcularle a la muestra agrupada, estos
tres estadsticos muestrales, y comprobar que el resultado de estos clculos dan
cifras muy cercanas.

3) En el intervalo ( ) deben caer el 68,27% de los datos muestrales , en el
intervalo ( 2 ) deben caer el 95,45% de los datos muestrales , y en el
intervalo ( 3 ) deben caer el 99,73% de los datos muestrales .

El valor estimado del parmetro "" es la media de la muestra , y el de " " la
desviacin tpica muestral , y para verificar que la muestra satisface estos
porcentajes, es necesario calcular el puesto percentil correspondiente a cada
extremo del intervalo ,a fin de hallar el porcentaje de observaciones que se
encuentran por debajo de cada extremo, y finalmente restar dichos porcentajes.

4) La Distribucin Normal es una curva mesocrtica, para la cual el coeficiente
momento de curtosis vale 3 , y el coeficiente percentlico de curtosis vale
0,263.*
1

En el capitulo V , sobre Fundamentos Tericos de la metodologa ,se encuentra
la demostracin de estas propiedades.

Ejemplo Prctico: Supongamos que al tomar una muestra de 250 botellas de
refresco y analizar sus contenidos, se agruparon las observaciones en intervalos
de 5 cc de amplitud , dando lugar a la siguiente distribucin de frecuencias:

11
Para una mayor explicacin sobre estos conceptos estadsticos bsicos, y su metodologa de clculo, el
lector puede consultar algunos textos de Estadstica tales como : Estadstica de Murray R. Spiegel, o
Estadstica para las Ciencias Administrativas de Lincoln L. Chao , ambos de la Editorial Mac. Graw Hill .

10
Ing
o

Contenido ( cc ) Frecuencia
190 - 195 9
195 - 200 29
200 - 205 47
205 - 210 72
210 - 215 51
215 - 220 30
220 - 225 12
Para hacer un tratamiento descriptivo de estos datos procedemos como sigue:

1) En primer lugar se dibuja un Histograma de frecuencias:

2) A continuacin , se estiman los parmetros de la distribucin:

= Media Muestral = X =
L
i
*
i=1
i=k
f
f
i
i
i
i k
1

2
=Varianza Muestral = S
2
=
i k
* 2
i i
i 1
i k
i
i 1
(L X) f
f 1
=
i k
* 2 2
i i
i 1
i k
i
i 1
(L ) f X
f
n
1

11
Ing
o

En donde:
L
i
* = Marca de Clase del intervalo "i"
f
i
= Frecuencia del intervalo "i" .
k= Nmero de intervalos .
n=
i k
i
i 1
f = Nmero total de datos
Es conveniente organizar los clculos en la siguiente tabla:
Intervalo L
i
* f
i
L
i
* f
i
(L
i
*)
2
.f
i

190 - 195 192.50 9 1732.50 333506.25
195 - 200 197.50 29 5727.50 1131181.25
200 - 205 202.50 47 9517.50 1927293.75
205 - 210 207.50 72 14940.00 3100050.00
210 - 215 212.50 51 10837.50 2302968.75
215 - 220 217.50 30 6525.00 1419187.50
220 - 225 222.50 12 2670.00 594075.00
Totales 250 51950.00 10808262.5

Sustituyendo obtenemos: = X =
51950 00
250
. ,
= 207,80

2
= S
2
=
2
(10.808.262,50) (250)(207,80)
249
= 52,21
= S = 7,23

Aclaratoria: Uno de los problemas importantes que se estudia en Inferencia Estadstica es el de
estimacin, que trata sobre la metodologa a seguir para inferir el valor desconocido de un
parmetro poblacional a partir del estadstico muestral.
Usualmente los parmetros poblaciones se designan con letras griegas, mientras que sus
correspondientes estimadores con letras latinas.
As por ejemplo representa a la media poblacional, mientras que X a la media muestral que
es su estimador.
Cuando esta nomenclatura se aplica sobre la varianza, se obtiene que la varianza poblacional
designada por
2
,viene dada por :
2
2
1
( ) x
N
i
i
i N
; mientras que la muestral :
S
x X
n
i
i
i n
2
2
1
( )
. Sin embargo, en Inferencia Estadstica se demuestra que un mejor
estimador
2
de
2
es: S
c
i
i
i n
x X
n
2
2
1
1
( )
, y recibe el nombre de cuasi varianza muestral .

2
Es un estimador Insesgado. Vanse textos de Inferencia Estadstica .
12
Ing
o

Como la diferencia en la estimacin, entre uno y otro es realmente muy pequea especialmente
para muestras grandes y adems S
c
2
es mejor estimador por ser insesgado
2
, muchos autores
definen de una vez a S
c
2
como varianza muestral y omiten definir al otro. Tal es el caso del
control estadstico de calidad en donde ha hecho ya costumbre definir a la varianza muestral
como
i n
2
i
2 i 1
(x X)
S
n 1

3) Como siguiente paso se verifica que la mediana y la moda coinciden con la
media.
La mediana se calcula mediante como un caso particular de percentiles.
La frmula general para calcular un percentil es : P L
n p
F
f
c
p i
i
i
1
1
100

P
p
= Percentil "p"
L
i-1
= Lmite inferior del intervalo donde se encuentra P
p

F
i-1
= Frecuencia acumulada hasta el intervalo anterior .
f
i
= Frecuencia del intervalo donde se encuentra P
p
.
c = Amplitud de los intervalos de clase .
n= Tamao de muestra = f
i
i
i k
1

Para identificar el intervalo donde cae la mediana, construimos la tabla
acumulada de frecuencias:
Contenido ( cc ) f
i
F
i
190 - 195 9 9
195 - 200 29 38
200 - 205 47 85
205 - 210 72 157
210 - 215 51 208
215 - 220 30 238
220 - 225 12 250
Aqu vemos que la mediana cae en el cuarto intervalo , pues en el intervalo
donde la frecuencia acumulada sobrepasa el valor 125 , que representa la mitad
de los datos.
Haciendo p=50 , se halla la mediana, y resulta ser:

Mediana =
P
50

=
205
250 50
100
85
72
5 = 207,78

El clculo de la moda se hace por la expresin siguiente: Moda = L c
i
1
1 2

13
Ing
o

L
i
= Lmite inferior de la clase modal .
1
= Diferencia de frecuencias a la izquierda de la clase modal .
2
= Diferencia de frecuencias a la derecha de la clase modal .

Para este caso, la clase modal es la cuarta, y se tiene:
Moda 205
25
25 21
5 = 207,72

Los tres estadsticos muestrales calculados moda, mediana y media resultaron
ser entonces 207,72 , 207,78 y 207,80 respectivamente , lo que refleja un
comportamiento muy cercano al modelo normal .

4) Para verificar que se cumplen los porcentajes tericos dados por la curva
normal , se procede a definir los intervalos ( ) , ( 2 ) y ( 3 ) , en
base a las estimaciones obtenidas .
Intervalo ( ) = 207,80 7,23 = [200,57 ; 215,03]
Intervalo ( 2 ) = 207,80 2 (7,23 ) = [193,34 ; 222,26]
Intervalo ( 3 ) = 207,80 3 (7,23) = [186,11 ; 229,49]
Para calcular el porcentaje de observaciones muestrales que caen en cada uno
de estos intervalos, se aplica la frmula del Puesto Percentil "p" , que da el
porcentaje de observaciones menores o iguales que un lmite P
p
.
p
n
F
P L
c
f
i
p i
i
100
1
1

p = Porcentaje de observaciones menores iguales o menores que P
p
.
L
i-1
= Lmite inferior del intervalo donde se encuentra P
p
.
F
i-1
= Frecuencia acumulada hasta el intervalo anterior.
f
i
= Frecuencia del intervalo donde se encuentra P
p
.
n= Tamao de muestra.
De la tabla de frecuencias acumuladas, ya encontrada anteriormente, se tiene:
Para P
p
= 215,03 : p
1
100
250
208
215 03 215
5
30
,
= 83,27 %
Para P
p
= 200,57 : p
2
=
100
250
38
200 57 200
5
47
,
= 17,34 %
En consecuencia, el porcentaje de observaciones que corresponde al intervalo
[200,57 ; 215,03] es: 87,27% - 17,34 % = 65,93 % .

Para el segundo intervalo:
Para P
p
= 222,26 : p
1
=
100
250
238
22226 220
5
12
,
= 97,37 %
14
Ing
o

Para P
p
= 193,34 : p
2
=
100
250
0
193 34 190
5
9
,
= 2,40 %

Porcentaje en el segundo intervalo = 97,37 - 2,40 = 94,97%
Para el tercer intervalo el 100% de las observaciones muestrales caen en l.
Los resultados obtenidos estn bastante prximos a los tericos, lo que se
interpreta como un nuevo sntoma de normalidad para la poblacin de donde
proviene esta muestra .

5) Para verificar ahora la simetra de los datos, se precisa encontrar las
diferentes medidas de deformacin.
La primera de ellas es el coeficiente momento de sesgo "a
3
", que se calcula por
la expresin: a
m
S
3
3
3
.
m
3
= Tercer momento muestral respecto de la media =
(L X) f
f
i
*
i 1
i k
3
i
i
i 1
i k

El clculo de m
3
se hace elaborando la siguiente tabla , teniendo en cuenta que
X = 207,80 .
Contenido L
i
* f
i

L
i
*- X (L
i
*- X)
3
.f
i

190 - 195 192.50 9 -15.3 -32234.193
195 - 200 197.50 29 -10.3 -31689.083
200 - 205 202.50 47 -5.3 -6997.219
205 - 210 207.50 72 -0.3 -1.944
210 - 215 212.50 51 4.7 5294.973
215 - 220 217.50 30 9.7 27380.190
220 - 225 222.50 12 14.7 38118.276
Total 250 -129

Por tanto: m
3
=
129
250
= -0.52 , y a
3
=
052
23
3
.
(7. )
= - 0.001

Una segunda medida de deformacin es el coeficiente percentlico de sesgo,
que se determina por la expresin:
Coeficiente de sesgo percentilico =
P P P
P P
90 50 10
90 10
2

P
90
= Percentil 90
P
50
= Percentil 50 = Mediana
P
10
= Percentil 10
15
Ing
o

Para el caso en cuestin, la Mediana ya se calcul y resulto ser 207,78 ; falta
calcular el Percentil 10 y el 90 , por la frmula general para el clculo de
percentiles, obtenindose:
P
10
= 195
25 9
29
5 = 197,76
P
90
= 215
225 208
30
5 = 217,83

Coeficiente de sesgo percentlico =
217 83 2 20778 19776
217 83 19776
, , ,
, ,
= 0,0015
Una tercera medida de deformacin es el coeficiente cuartlico de sesgo, que se
determina por la expresin:
Coeficiente de sesgo cuartlico =
Q Q Q
Q Q
3 2 1
3 1
2

Q
3
= P
75
= Tercer Cuartil = Percentil 75 = 210
187 50 157
51
5
.
= 212.99
Q
2
= P
50
= Segundo Cuartil = Percentil 50 = Mediana = 207.78
Q
1
= P
25
= Primer Cuartil = Percentil 25 = 200
625 38
47
5
.
= 202.61
Coeficiente de sesgo cuartlico =
21299 2 20778 20261
21299 20261
. . .
. .
= 0.004
Las tres medidas de deformacin dan un resultado casi nulo, lo que se
interpreta como una simetra casi perfecta de los datos, lo que revela otra
coincidencia con la Distribucin Normal.

6) Un ltimo paso para verificar la normalidad de los datos, desde un punto de
vista descriptivo es calcular las medidas de apuntamiento, como lo son el
coeficiente momento de curtosis , y el el coeficiente percentlico de curtosis, las
cuales tienen para la Distribucin Normal , un valor terico de 3 y de 0,263
respectivamente. ( Vase la demostracin en el Captulo de Fundamentos
Tericos) .
El coeficiente momento de curtosis a
4
se calcula por la expresin: a
4
=
m
S
4
4

Donde: m
4
= Cuarto momento muestral respecto de la media =
(L X) f
f
i
* 4
i
i 1
i k
i
i 1
i k

El clculo de m
4
se hace a travs de la siguiente tabla , teniendo en cuenta que X
= 207,80 .
16
Ing
o

Contenido Li* f
i

Li*- X (Li*- X)
4
f
i

190 - 195 192.50 9 -15.3 493183.153
195 - 200 197.50 29 -10.3 326397.555
200 - 205 202.50 47 -5.3 37085.2607
205 - 210 207.50 72 -0.3 0.5832
210 - 215 212.50 51 4.7 24886.3731
215 - 220 217.50 30 9.7 265587.843
220 - 225 222.50 12 14.7 560338.657
250 1707479.43

En consecuencia : m
4
=
1707 479 43
250
. . ,
= 6.829,92
y el coeficiente momento de curtosis: a
4
=
682992
23
4
. ,
(7. )
= 2.50
La expresin para calcular el coeficiente percentlico de curtosis " " es:
Coeficiente Percentlico de Curtosis = =
1
2
3 1
90 10
( ) Q Q
P P

Anteriormente ya haban sido calculados los cuartiles, y los percentiles 10 y 90 ,
obteniendo : Q
3
= 212.99 ; Q
1
= 202.61 ; P
10
= 197.76 ; P
90
= 217.83
Reemplazando: =
1
2
21299 20261
217 83 19776
( . . )
. .
= 0.2586
De los resultados obtenidos concluimos que la curva obtenida es ligeramente
menos puntiaguda que la normal (Curva Planticrtica) , puesto que ambos
coeficientes resultaron ligeramente menores a los tericos dados por la curva
normal .
Es muy frecuente que en el anlisis descriptivo de los datos, se encuentren
situaciones como esta, en donde los resultados muestrales se alejan ligeramente
17
Ing
o

de los tericos dados por la Curva Normal , y de all la importancia de las Pruebas
de Ajuste a la Normalidad , que se analizan en el captulo siguiente, a fin de
evaluar si tales diferencias son o no significativas.

CONCEPTO DE CAPACIDAD DE UN PROCESO INDUSTRIAL
El hecho de que un proceso industrial se encuentre bajo control estadstico no
significa que va a producir artculos de calidad, lo que significa es simplemente
que sobre su variabilidad estn actuando solamente causas comunes , y es
perfectamente posible que a pesar de hallarse bajo control, este margen de
variabilidad sea tan amplio que le impida cumplir con las especificaciones exigidas
por el consumidor .
Para poder controlar la calidad deben existir unas especificaciones, que son los
lmites entre los cuales debe caer una determinada caracterstica cuantitativa para
que se considere que el producto satisface los requisitos de calidad; as por
ejemplo, cuando se exige que un eje debe tener un dimetro de (100.00 0.25)
mm , esto significa que su dimetro debe caer en el intervalo (99.75 ; 100.25) mm
para que cumpla con este requisito de calidad. Estos lmites del intervalo definen
lo que se denominan las especificaciones, y sus extremos, reciben el nombre de
"lmite inferior de especificacin" y "lmite superior de especificacin" , que
en lo sucesivo se designaran por "L
i
" y "L
S
" respectivamente .
La diferencia entre esos lmites se define como la tolerancia: T = L
S
-L
i

Resulta obvio que cuanto mayor sea la tolerancia de un producto, ms fcil le
resultar al proceso cumplir con las exigencias de calidad, puesto que el producto
permite una mayor variabilidad; pero por el contrario, cuanto ms pequea sea la
tolerancia, es ms difcil cumplir puesto que el margen de variabilidad es ms
estrecho, y por tanto ms exigente.
Hemos visto, que cuando un proceso est bajo control estadstico, los productos
que fabrica se comportan segn un modelo normal, y que entre los lmites "-3 "
y "+3 " , debe caer entonces el 99.73% de la produccin. De all entonces, que
resulte conveniente que un proceso trate de ubicarse entre estos lmites, a fin de
garantizar que la casi totalidad de la produccin va a cumplir con la
especificacin.
Por otra parte, hay que tener en cuenta que los parmetros "" y " " del proceso
constituyen una caracterstica propia del mismo . Su media "" generalmente
puede ser fijada a voluntad, segn ciertos ajustes y calibraciones que se le hagan
18
Ing
o

a las mquinas, pero su desviacin tpica " " es mucho ms difcil de modificar,
puesto que depende de las causas comunes que lo afectan, tales como precisin
de las mquinas, destreza de los operarios, etc.

Cuando la media "" del proceso coincide con el punto medio de las
especificaciones, se dice que el proceso est centrado.
Centrar un proceso no es garanta de que la produccin va a cumplir con las
especificaciones, pues si los lmites de especificacin resultan ms estrechos que
los lmites de variacin 3 , entonces un cierto porcentaje de la produccin va a
resultar defectuosa, tal como se muestra en la figura:

Cuando un proceso est centrado, el porcentaje de piezas defectuosas se reparte
por igual a ambos lados de la curva .
Cuando la media de un proceso no coincide con la media de la especificacin, se
dice que est descentrado o que la media est corrida, y en ese caso el
porcentaje de piezas por encima del lmite superior (defectuosas por exceso) es
diferente de las que resultan por debajo del lmite inferior (defectuosas por
defecto) .
19
Ing
o

Por lo general, en el Control de Calidad, se trata de mantener al proceso
centrado, porque bajo esta situacin, el porcentaje de piezas fuera de
especificacin es lo mnimo posible (demostracin en el captulo de
"Fundamentos Tericos" ).
Hay situaciones especiales en que deliberadamente se provoca un corrimiento de
la media y el proceso se descentra, debido a que por un extremo es posible
corregir las piezas defectuosas, y por el otro extremo las piezas resultan
inservibles. Cuando se presentan situaciones de esta naturaleza, la
determinacin del punto en que hay que colocar la media del proceso, depende
del costo de la correccin, del costo de perder la pieza inservible, y de la utilidad
que se obtenga por una pieza dentro de la especificacin. ( Ver Cap.V)
Se dice que un proceso es capaz, cuando los lmites de la especificacin
resultan ms amplios que sus lmites 3 , pues en este caso, de estar centrado
el proceso, podremos garantizar que prcticamente el 100% de las piezas
producidas cumple con la especificacin exigida.

PROCESO CAPAZ CENTRADO
La capacidad del proceso es entonces la disposicin que tiene para adaptarse a
las especificaciones, y es por consiguiente una cualidad que debe exigrsele a
todo proceso industrial, si se quiere garantizar la fabricacin de piezas que
cumplan los requisitos de calidad establecidos en las normas.
Para medir la capacidad del proceso es necesario comparar la amplitud de su
intervalo natural de variacin, que como se sabe es desde -3 hasta +3 , lo
20
Ing
o

que da una amplitud de 6 , con la amplitud del intervalo de especificacin L
S
-L
i

que es "T" tolerancia de la especificacin, y de all que la medida utilizada para
expresar la capacidad es el denominado "Coeficiente de Capacidad" , C
P
definido por: C
L L T
p
s i
6 6

Cuando C
P
1, el proceso es capaz siempre que est centrado, mientras que
cuando C
P
< 1, el proceso es incapaz aunque est centrado, pues los lmites de la
especificacin resultan demasiados estrechos en comparacin con los lmites de
variabilidad natural del proceso, por efecto de las causas comunes.
El hecho de que un proceso sea capaz no significa sin embargo, que no deba ser
controlado, pues si aparecen circunstancias externas que provoquen un
corrimiento de la media y lo descentran, van a aparecer entonces un cierto
porcentaje de defectuosas, en caso de que la distancia de la nueva media a uno
de los lmites de especificacin sea inferior a 3 , tal como se muestra en la figura:

Para detectar a tiempo estos corrimientos en la media, es por lo que los "Grficos
de Control" constituyen una herramienta muy til en el Control de Procesos .
En conclusin, los estudios de capacidad denominados tambin de habilidad,
tienen como objetivo el determinar si el proceso puede someterse a las
especificaciones que le son impuestas, o si por el contrario, dichas
especificaciones resultan demasiado estrictas para el proceso, y por consiguiente
deben ser ampliadas o debe recurrirse a otro proceso que sea ms preciso.

USO DE LAS TABLAS NORMALES
21
Ing
o

En numerosas oportunidades interesa determinar la probabilidad de que una
pieza al azar cumpla con determinadas dimensiones, o el valor en que debe
fijarse la media de un proceso, para tener una determinada probabilidad de que
una pieza cumpla con una especificacin. Para hacer tales clculos, es
indispensable el uso de las tablas normales.
La tabla normal permite calcular la probabilidad de que una observacin sea igual
o menor que una determinada abscisa "x" (Funcin de distribucin), para unos
parmetros "" y " " dados. Dicha probabilidad viene dada por el rea bajo la
curva, a la izquierda de la abscisa "x" , tal como se muestra en la figura:

Para entrar en la tabla normal, es necesario en primer lugar, tipificar previamente
la abscisa "x" , mediante la transformacin: Z =
X -

La abscisa tipificada "z" representa la distancia entre la abscisa "x" y la media ""
, expresada en funcin de la desviacin tpica " " . As por ejemplo, una abscisa
tipificada z=2, representa que la abscisa "x" se halla a dos desviaciones tpicas de
la media "".
El signo de "Z" , indica la posicin de la abscisa 'x" con respecto a la media "" , y
as cuando "Z" es negativo la abscisa "x" es menor que la media "" ; mientras
que cuando "Z" es positiva , la abscisa "x" es mayor que la media "".
Las tablas que se encuentran en el anexo, y utilizan la siguiente nomenclatura:
(z) = Area que en la Normal tipificada hay desde "z" a la izquierda .
(-z) = Area que en la Normal tipificada hay desde "-z" a la izquierda .
D(z) = Area que en la Normal tipificada hay entre "-z" y "+z" .
z = Abscisa que en la normal tipificada deja a la derecha un rea .
La tabla 1 se utiliza cuando se tiene una abscisa tipificada "z" , y se quiere
calcular el rea a la izquierda . Si "z" es positivo se lee en la columna (z), si "z"
22
Ing
o

es negativo en la columna (-z) ,y en caso de que se trate de un intervalo central
simtrico, el rea entre "-z y + z" se lee en la columna D(z) .
Si se quiere el rea a la derecha de una abscisa tipificada "z" , ser necesario
restar de 1, el rea a la izquierda leda en la tabla 1 .
La tabla 2 se utiliza en el caso inverso, cuando se quiere determinar la abscisa
tipificada que deja a la izquierda un determinado porcentaje de rea, en cuyo caso
se lee en la columna z ( ), y si lo que se tiene es un rea central comprendida en
un intervalo simtrico, el extremo positivo de dicho intervalo se lee en la columna
z(D) .
Ejemplo 1 : Supongamos que un proceso fabrica piezas cuya longitud sigue una
Distribucin Normal con media 72.50 mm y desviacin tpica de 0.20 mm.
Calcular las siguientes probabilidades:
a) Que una pieza mida menos de 72.80 mm .
b) Que una pieza mida menos de 72.10 mm .
c) Que una pieza mida ms de 72.60 mm
d) Que una pieza caiga en el intervalo (72.15 ; 72.75) mm .
e) Que una pieza caiga en el intervalo (72.50 0.35) mm .

Solucin :
Designando como X la longitud de una pieza, se tiene : X N ( 72.50 ; 0.20
2
)

P ( X 72.80 ) = P ( Z <
7280 7250
0 20
. .
.
) = P ( Z < 1.50) = (1.50) = 0.9322
P ( X 72.10 ) = P ( Z <
7210 7250
0 20
. .
.
) = P ( Z < -2) = (-2) = 0.0228
P ( X > 72.60 ) = P ( Z >
7260 7250
0 20
. .
.
) = P ( Z > 0.50) =1- (0.50) =
1 - 0.6915 = 0.3085
P( 72.15 < X < 72.75) = P(
7215 7250
0 20
. .
.
< Z <
7275 7250
0 20
. .
.
) =
P ( -1.75 < Z < 1.25) = ( 1.25) - (-1.75) = 0.8944 - 0.0401 = 0.8543
P ( 72.15 < X < 72.85) = P (
7215 7250
0 20
. .
.
< Z <
7285 7250
0 20
. .
.
) =
P ( -1.75 < Z < 1.75 ) = D ( 1.75 ) = 0.9199 ( Por ser un intervalo simtrico)
Ntese que en todos estos casos, las lecturas fueron hechas en la tabla 3.a ,
puesto que se daban abscisa para encontrar una probabilidad , la cual se mide
por el rea bajo la curva .
Ejemplo 2 : Suponiendo que la duracin de unas bateras sigue una Distribucin
Normal con media 100 horas , y desviacin tpica de 12 horas .
23
Ing
o

a) Dar un plazo de garanta sobre la duracin mnima de una batera, de forma
que dicha garanta se cumpla con probabilidad 0.99 .
b) Dar un intervalo simtrico donde caiga la caiga la duracin de una batera ,
con probabilidad 0.90 .

Solucin :
En este ejemplo, tenemos que: X = Duracin de una batera N(100 ; 12
2
) .
a) La garanta se cumple cuando la duracin de la batera es igual o mayor que
el plazo de garanta, de forma que si designamos por "t" al plazo de garanta, lo
que se quiere es : P ( X t ) = 0.99 , o grficamente :

P ( X t ) = 0.99

P ( Z
t 100
12
) = 0.99
En la tabla 2 , se encuentra que para 99% de rea a la derecha , es decir 1% de
rea a la izquierda , la abscisa tipificada correspondiente leyendo en la tabla
z( ) es : -2.326
t 100
12
= -2.326 t = 100 - 2.326 ( 12 ) = 72.09

y por consiguiente, el plazo de garanta para 99% de probabilidad de
cumplimiento, debe ser de 72.09 horas .

b) Encontrar un intervalo simtrico donde caiga la duracin de una batera con
probabilidad 0.90, significa determinar un intervalo donde si elige una batera al
azar , la probabilidad de que su duracin caiga en dicho intervalo debe ser de
0.90 , y la probabilidad complementaria de no caer 0.10 , debe repartirse por
igual para cada cola , es decir 0.05 por la izquierda y 0.05 por la derecha.
Por simetra, tenemos entonces que dicho intervalo debe estar centrado en la
media 100 , y la incgnita es su amplitud " " , tal como se muestra en la figura:

Para determinar " ", se procede
como sigue:

P( 100 - X 100 + ) = 0.90
P ( -
12
Z
12
) = 0.90
24
Ing
o

En la tabla 2, se encuentra que para 90% de rea central , la abscisa
correspondiente es 1.645 ( Columna z(D) ) , y por consiguiente: 1.645
12

y de all se deduce que : = 1.645 12 = 19.74

El intervalo central simtrico de 90% de probabilidad, para la duracin de una
batera, es entonces: 100.00 19.74 = [ 80.26 ; 100.74 ] horas .

EJERCICIOS PROPUESTOS
1) Un estudio demostr que los tiempos de vida de cierta marca de bateras
para automviles, se distribuyen normalmente con media 548 das , y desviacin
tpica de 185 das . Si el fabricante debe garantizar sus bateras por 180 das ,
qu porcentaje de las bateras deber ser cambiado ? .
Solucin: 2.33 %

2) Se ha comprobado que el peso de los estudiantes universitarios, sigue una
Distribucin Normal con media 68,5 Kgs., y desviacin tpica de 10 Kgs . Cual
es la probabilidad de encontrar un estudiante, cuyo peso est:
a) entre 48 y 71 Kgs .
b) superior a 91 Kgs .
Solucin : a) 0.5785 b) 0.0122

3) El espesor de las lminas metlicas producidas por una cierta mquina sigue
una Distribucin Normal, con media 10 mm., y desviacin tpica de 0,02mm .
Establezca una especificacin para el espesor de estas lminas, de forma que:
a) El 95 % de las lminas cumplan con la especificacin.
b) El 99% de las lminas cumplan con la especificacin.
Solucin: a) (10.0000 0.0392) mm b) (10.00000 0.05152) mm

4) Las especificaciones para una cierta pieza mecnica son (20.00 0.50) cms.,
y la mquina que se dispone para producirlas tiene una desviacin tpica de 0.30
cms.
Las piezas que resulten por encima del lmite superior pueden ser reprocesadas
y corregidas, pero las que resulten por debajo del lmite inferior son
consideradas como desperdicio.
a) Cual debe ser la media del proceso, si se quiere a lo ms un 1% de
desperdicios ? .
b) Para esa media del proceso. Cul ser el porcentaje de piezas
reprocesadas? .
Solucin: a) = 20.1978 b) 15.62
5) Si se quiere que un proceso produzca dentro de las especificaciones (10.00
0.15 ) cms, con a lo ms 2% de piezas defectuosas . En qu valor debe
25
Ing
o

mantenerse controlada a la desviacin tpica, cuando el proceso est centrado ?
.
Solucin: 0.0645

6) Hay que producir unas piezas cuyo dimetro debe caer dentro de la
especificacin (190 15) mms ; pero sin embargo , la mquina que se dispone
para fabricarlas, las saca segn un dimetro aleatorio que sigue una Distribucin
Normal con media 200 mm, y desviacin tpica de 10 mms .
Cual es la probabilidad de producir una pieza defectuosa ? .
Solucin : 0.3147 .

7) Una mquina cortadora puede ser calibrada para cortar alambres que tengan
una media determinada . Suponiendo que la longitud de los alambres obtenidos
sigue una Distribucin Normal con media el valor calibrado, y desviacin tpica
de 0,2 cms. ; determine el valor en que debe calibrarse la media , si se quiere
que solamente el 5% de los alambres, tengan una longitud mayor de 10,40 cms .
Solucin : = 10.071 cms .

26
Ing
o

CAPITULO II : PRUEBAS DE AJUSTE A LA NORMAL

Hemos visto en el captulo anterior como la Distribucin Normal es el punto de
partida para evaluar la capacidad del proceso , pues la Teora de Control
Estadstico supone como axioma que bajo condiciones estables, es decir cuando
solo actan causas comunes o aleatorias , el comportamiento del proceso debe
ajustarse a ella .
El anlisis descriptivo analizado tambin en el captulo anterior , sirve de gran
orientacin para validar la hiptesis de normalidad del proceso, pues cuando se
cumplen todas las exigencias all sealadas , tales como histograma
acampanado, simetra , igualdad entre la moda la mediana y la media , coeficiente
momento de curtosis igual a 3 , etc., tendremos una evidencia muy significativa
acerca de la validez de la hiptesis normal.
No podemos sin embargo olvidar, que el comportamiento de las muestras es
aleatorio, y no necesariamente son un reflejo exacto de la poblacin de donde
provienen, y que por lo tanto, es perfectamente posible, que siendo el proceso
normal, la muestra presente ligeras desviaciones con relacin al modelo terico.
De lo anteriormente expuesto , se deduce entonces que una pregunta muy lgica
que cualquier investigador puede hacerse con relacin a su proceso es: hasta
qu punto pueden tolerarse diferencias entre la muestra y el modelo normal
terico , y seguir aceptando la hiptesis de normalidad ? . La respuesta a esta
pregunta la dan precisamente las llamadas " Pruebas de Ajuste " .
En este captulo analizaremos tres pruebas de ajuste , las cuales son unas
pruebas muy rigurosas, y que proporcionan una respuesta definitiva a la pregunta
anterior.
Otro mtodo de ajuste que analizaremos en este captulo es el uso del papel
probabilstico , que es de una sencillez extraordinaria , pero con la desventaja de
los mtodos descriptivos, que no permite establecer hasta qu punto son
tolerables las diferencias entre los resultados muestrales y el modelo normal
terico.
Al final del captulo se incluyen tambin otras pruebas estadsticas, cuyo objetivo
no es probar el ajuste, pero que son de gran utilidad en el control de procesos
pues sirven para controlar alguno de sus parmetros, y en consecuencia sirven
para detectar a tiempo algn desajuste, como por ejemplo un corrimiento de su
media , o un incremento en su desviacin tpica.
27
Ing
o

PRUEBA CHI-CUADRADO DE BONDAD DEL AJUSTE
Esta es una prueba de carcter completamente general, que se utiliza no
solamente para verificar el ajuste a la normalidad , sino tambin para el ajuste a
cualquier otra Distribucin terica de probabilidad .
Aplicada al caso que nos ocupa que es el de normalidad, dicha prueba sirve para
contrastar la Hiptesis Nula H
0
: El proceso se ajusta a una normal , contra la
Hiptesis Alternativa H
1
: El proceso no se ajusta a una normal.
Es decir, si designamos por "X" a la variable en estudio, la prueba chi -cuadrado
de bondad, es una prueba de hiptesis en donde:
H
0
: "X" se ajusta a una normal
H
1
: "X" no se ajusta a una normal
Para decidir si aceptamos o rechazamos la Hiptesis nula H
0
, dispondremos
como informacin una muestra de valores de la variable "X" , la cual deber estar
presentada como una tabla agrupada de frecuencias, en donde los diferentes
valores observados de la variable "X" , aparecen clasificados en intervalos, con
sus respectivas frecuencias .
Dicha tabla debe ser construida tomando muestras al azar del proceso, y aunque
no existe una regla fija acerca de cuantas observaciones tomar, es recomendable
que tenga por lo menos 100 observaciones, clasificadas en por lo menos 6
intervalos.
Una vez construida esta tabla, los pasos a seguir son:
Paso 1 : Estimar los parmetros "" y "
2
" , de la distribucin mediante la media
"X" , y la varianza muestral "S
2
", que como bien sabemos se calculan por:

X
n
i
i
i n
1

2
2
=
i k
* 2
i i
i 1
i k
i
i 1
(L X) f
f 1
=
i k
* 2 2
i i
i 1
i k
i
i 1
(L ) f X
f
n
1

28
Ing
o

En donde:
L
i
* = Marca de Clase del intervalo "i"
f
i
= Frecuencia del intervalo "i" .
k = Nmero de intervalos.
n=
i k
i
i 1
f = Nmero total de datos
Paso 2 : Con los parmetros estimados , calcular las probabilidades de cada uno
de los intervalos, mediante la tabla normal .
p
i
= P ( L
i-1
X < L
i
) = P (
L
i 1
Z <
L
i
) = (
L
i
) - (
L
i 1
)
En este paso , es importante tener en cuenta el detalle de que los intervalos
extremos deben ser definidos como "< L
1
" el primero , y como " L
K
el ltimo,
puesto que de lo contrario la suma de las probabilidades de los k intervalos no
ser igual a "1" , debido a que como es sabido el dominio terico de la curva
normal es desde - hasta + .
Paso 3 : Calcular las frecuencias esperadas de cada intervalo , multiplicando el
tamao total de muestra por su probabilidad terica .
e
i
= n
.
p
i
;

siendo n = f
i
i
i k
1

Estas frecuencias esperadas representan el nmero de observaciones que
deberan caer en cada uno de los intervalos, en caso de ser cierta la hiptesis de
normalidad , y por lo tanto deberan ser muy parecidas a las observadas en la
realidad , para poder aceptar la hiptesis de normalidad del proceso.
Paso 4 : Comparar las frecuencias observadas con las esperadas , mediante el
clculo del estadstico chi - cuadrado, definido por:
2

( f - e )
i i
2
i=1
i=k
e
i

El valor de "
2
" , mide la diferencia entre las frecuencias observadas y las
esperadas; cuanto ms grande sea su valor , mayor es la diferencia entre la
realidad observada y el modelo terico normal , mientras que cuanto ms
pequeo sea su valor, mejor es el ajuste del modelo terico normal a la realidad
observada en la muestra.
En este paso, hay que cuidar el detalle de que todas las frecuencias esperadas
deben ser iguales o mayores que "5" .En caso de que este requisito no se cumpla,
29
Ing
o

es necesario fundir ese intervalo con cualquiera de sus vecinos, hasta alcanzar
una frecuencia esperada de 5 ms.
La justificacin de este requisito es porque la prueba "chi-cuadrado", est basada
en la aproximacin normal a la binomial, y para que esta aproximacin sea
satisfactoria se exige: np
i
5 .
Paso 5: Una vez calculado el valor de "
2
", el ltimo paso es ir a las tablas de la
distribucin chi-cuadrado, con un nivel de nivel de significacin " " previamente
seleccionado ( usualmente 5%) , con (k -3) grados de libertad *
3
, y leer la abscisa
"
2
" que deja a la derecha un rea " " .
Si:
2

2
Aceptar H
0
, es decir es aceptable el ajuste a la Normal .
Si:
2
>
2
Rechazar H
0
, es decir, no es aceptable el ajuste a la Normal .

La zona de rechazo es exclusivamente del lado derecho, pues solamente valores
grandes de "
2
" reflejan diferencias significativas entre la muestra y la
distribucin normal terica.
Ejemplo: Retomemos la muestra del capitulo anterior relativa al contenido de
refresco en unas botellas
190 - 195 9
195 - 200 29
200 - 205 47
205 - 210 72

3
En general , el nmero de grados de libertad es: k-1-r ; siendo r el nmero de parmetros estimados ,
que en el caso de la Distribucin Normal es r=2.
30
Ing
o

210 - 215 51
215 - 220 30
220 - 225 12
Con el anlisis descriptivo hecho anteriormente, la muestra present sntomas
evidentes de normalidad, a excepcin de los coeficientes de curtosis que no
arrojaron los valores que corresponden para una normal.
Para salir de dudas , y verificar si estas diferencias son o no significativas ,
apliquemos la prueba chi-cuadrado de bondad del ajuste, mediante la prueba de
hiptesis :
H
o
: "X" ( Contenido de la botella) se ajusta a una normal
H
1
: "X" ( Contenido de la botella) no se ajusta a una normal

Paso 1: Estimar los parmetros de la distribucin .
Esta estimacin ya fue hecha en el captulo anterior con los siguientes resultados:

= X = 207,80

2
= S
2
= 52,21

= S = 7, 23

Paso 2 : Calcular las probabilidades de cada uno de los intervalos .
Para garantizar que la suma de todas las probabilidades de 1 , el primer intervalo
lo tomamos como " < 195 " , y el ltimo como " 220 " , y con la ayuda de la tablas
normales , tenemos :
P( X < 195) = P ( Z <
195 - 207.80
7 23 .
) = ( -1.77 ) = 0.0384
P( 195 X < 200) = P (
195 - 207.80
7 23 .
Z <
200 - 207.80
7 23 .
) = P (-1.77 Z < -1.08)
31
Ing
o

= ( -1.08) - ( -1.77 ) = 0.1401 - 0.0384 = 0.1017

P( 200 X < 205) = P (
200 - 207.80
7 23 .
Z <
205 - 207.80
7 23 .
) = P (-1.08 Z < -0.39)
= ( -0.39) - ( -1.08 ) = 0.3483 - 0.1401 = 0.2082

P( 205 X < 210) = P (
205 - 207.80
7 23 .
Z <
210 - 207.80
7 23 .
) = P (-0.39 Z < 0.30)
= (0.30) - (-0.39) = 0.6179 - 0.3483 = 0.2696

P( 210 X < 215) = P (
210 - 207.80
7 23 .
Z <
215 - 207.80
7 23 .
) = P (0.30 Z < 1.00)
= (1.00) - (0.30) = 0.8413 - 0.6179 = 0.2234

P( 215 X < 220) = P (
215 - 207.80
7 23 .
Z <
220 - 207.80
7 23 .
) = P (1.00 Z < 1.69)
= (1.69) - (1.00) = 0.9545 - 0.8413 = 0.1132

P( X 220) = P ( Z
220 - 207.80
7 23 .
) = P(Z 1.69) = 1 - (1.69) =
1 - 0.9545 = 0.0455

Paso 3: Calcular las frecuencias esperadas .
Una vez calculada la probabilidad de cada uno de los intervalos , procedemos a
calcular su frecuencia esperada , multiplicando su probabilidad por el tamao de
muestra , en este caso 250 : e
i
= n
.
p
i
.
32
Ing
o

Los clculos se presentan en la siguiente tabla:
Contenido ( cc ) f
i
p
i
e
i
< 195 9 0.0384 9.60
195 - 200 29 0.1017 25.43
200 - 205 47 0.2082 52.05
205 - 210 72 0.2696 67.40
210 - 215 51 0.2234 55.85
215 - 220 30 0.1132 28.30
220 12 0.0455 11.38

En este caso ,todas las frecuencias esperadas resultaron ser mayores que 5 , y
por tanto no hay necesidad de fundir intervalos .

Paso 4: Comparar las frecuencias observadas con las esperadas , mediante el
clculo del estadstico "chi-cuadrado" :
2

( f - e )
i i
2
i=1
i=k
e
i

Si la hiptesis H
0
fuese cierta, las frecuencias observadas deberan ser muy
parecidas a las esperadas, y esta diferencia es lo que cuantifica el valor de "
2
" .
Para nuestro caso :

2
=

(
.
9 - 9.60)
2
9 60
+
(
.
29 - 25.43)
2
25 43
+
(
.
47 - 52.05)
2
52 05
+ ......+
(
.
12 - 11.38)
2
1138
= 1.90

Paso 5 : Ir a la tabla de la Distribucin Chi- Cuadrado, con un nivel de
significacin seleccionado , y los grados de libertad calculados.
En nuestro caso, seleccionaremos un nivel de significacin del 5% , y para
calcular los grados de libertad tenemos:
k = nmero de intervalos = 7
33
Ing
o

grados de libertad = k - 3 = 4
En la tabla encontramos:
0 05 4
2
. ;
= 9.49 > 1.90 Aceptar H
0

No existe en consecuencia, una evidencia significativa para rechazar la hiptesis
de normalidad, lo que se interpreta como un ajuste satisfactorio a la Distribucin
Normal .
Ejercicio Propuesto: El peso en gramos, de una muestra de cajas de fsforos fue
el siguiente:
Peso Frecuencia
2.7- 3.1 19
3.1- 3.5 67
3.5- 3.9 141
3.9- 4.3 157
4.3-,4.7 94
4.7- 5.1 22
Verificar a un nivel de significacin del 5%,si los datos se ajustan a una
Distribucin Normal.
Solucin:
2
= 1.1774 <
0 05 3
2
. ;
= 7.81 Se acepta el ajuste a la normal.

PRUEBA DE KOLMOGOROV - SMIRNOV
Esta prueba al igual que la anterior, es una prueba de ajuste, que se utiliza
exclusivamente para distribuciones continuas, y en donde la hiptesis a probar es
que una determinada muestra proviene de una poblacin con una funcin de
distribucin dada.
Esta prueba no requiere que los datos estn agrupados en intervalos, pues es
aplicable an para muestras con datos puntuales, pero su principal limitacin es
que la distribucin a la cual se quiere probar el ajuste, debe estar plenamente
definida, es decir que no puede tener parmetros a estimar.

34
Ing
o

Para el caso de ajuste a la normalidad, esta limitante hace que la prueba solo
pueda aplicarse para parmetros especificados, que en el caso de control de
procesos suelen ser:
= Punto medio de la especificacin (Proceso centrado)
=
Ls - L
I
6
(Posicin lmite de un proceso capaz).
En consecuencia, esta prueba puede rechazar un proceso ajustado a la normal,
en caso de que alguno de los parmetros sea diferente a los especificados; lo que
significa que si el proceso est bajo control estadstico, pero no est centrado, o
tiene una desviacin tpica diferente de la especificada, la prueba concluir en un
rechazo del ajuste propuesto.
De all, que esta prueba resulte particularmente til, cuando un proceso tiene una
desviacin tpica conocida, y deba ser sometido a algunas calibraciones, para
colocar su media en un cierto valor especificado, y se quiera verificar que estas
calibraciones fueron correctamente realizadas.
Las hiptesis a contrastar en la prueba de Kolmogorov-Smirnov son:
H
0
: La funcin de distribucin de "X" es F(x)
H
1
: La funcin de distribucin de "X" no es F(x)
El procedimiento de la prueba consiste en comparar la Funcin de Distribucin
Terica F(x) , con la distribucin acumulada de frecuencias relativas de la muestra
H(x), ya que si el ajuste es satisfactorio ambas deberan ser muy parecidas ;
puesto que la primera representa la probabilidad terica de encontrar una
observacin igual o menor que un cierto "x" , mientras que la segunda representa
el porcentaje de observaciones muestrales que resultaron ser iguales o menores
que ese mismo x" .
Los pasos a seguir son los siguientes:
Paso 1: Si los datos muestrales estn en forma puntual se ordenan de menor a
mayor, y se calcula el porcentaje de observaciones iguales o menores que cada
uno de ellos; y si estn en forma agrupada se construye la tabla acumulada de
frecuencias relativas.

35
Ing
o

Paso 2 : Se calcula la probabilidad terica de que una observacin sea igual o
menor que cada valor muestral para el caso de datos puntuales, o de cada
extremo superior de intervalo para el caso de datos agrupados.
Para el caso de ajuste a la normal , este clculo se hace con la ayuda de las
tablas normales:
F(x) = P ( X x ) = P ( Z
x -
) = (
x -
)

Paso 3 : Se calcula la mxima desviacin en valor absoluto , entre la distribucin
acumulada de frecuencias relativas para la muestra , y la funcin de distribucin
terica .

D
n
= max | F(x) - H(x) | .
Evidentemente, cuanto ms pequeo sea el estadstico D
n
, mayor ser la
coincidencia entre la distribucin terica y los resultados muestrales, mientras que
cuanto mayor sea su valor, mayor ser la diferencia entre la muestra y los valores
tericos, y por tanto inaceptable el ajuste, por lo que la prueba es unilateral por la
derecha .
Paso 4 : El valor crtico del estadstico D
n
, se encuentra en la tabla incluida en el
apndice, la cual suministra el valor Dn , de forma que si:
D
n

Dn Aceptar H
0
.
D
n

> Dn Rechazar H
0
.
El valor crtico " Dn " depende del nivel de significacin " " de la prueba , y del
tamao de muestra "n" .
Ejemplo con datos puntuales: Supongamos que para que un proceso opere
correctamente, debe ajustarse a una Distribucin Normal con media 26.000 mm ,
y desviacin tpica 2.000 mm , y que una muestra aleatoria de 20 observaciones
dio el siguiente resultado:
25.088 26.615 25.468 27.453 23.285
25.996 26.516 28.240 25.980 30.432
26.560 25.844 26.964 23.382 25.282
24.432 23.593 24.644 26.849 26.801
36
Ing
o

Se puede afirmar, a un nivel de significacin del 5% , que esta muestra proviene
de una poblacin normal con los parmetros especificados ? .

Solucin: Las hiptesis a contrastar son:
H
0
: El proceso se ajusta a una Distribucin Normal con =26 y = 2
H
1
: El proceso no se ajusta a una Distribucin Normal con =26 y = 2
Paso 1: Comenzamos por ordenar los datos de menor a mayor
23.285 23.382 23.593 24.432 24.644
25.088 25.282 25.468 25.844 25.980
25.996 26.516 26.560 26.615 26.801
26.849 26.964 27.453 28.240 30.432
Luego se calcula H (x) , frecuencia relativa acumulada para cada uno de los
veinte valores , es decir , la proporcin de observaciones iguales o menores que
l.
As por ejemplo : H (23.285) =
1
20
= 0,05
H (23.382) =
2
20
= 0,10 , y as sucesivamente.
Paso 2 : Se calcula con la tabla normal, la probabilidad de que una observacin
igual o menor que cada uno de estos 20 valores, lo que da la funcin de
distribucin terica .

F (23.285) = P ( X 23.285 ) = P ( Z
23 285 26 000
2
. .
) = (-1.36) =0.0869
F (23.382) = P ( X 23.382 ) = P ( Z
23 382 26 000
2
. .
) = (-1.31) =0.0951
y as sucesivamente con los dems valores.

37
Ing
o

Paso 3 : Se calcula para cada dato, la diferencia en valor absoluto, entre la
funcin distribucin terica y la frecuencia relativa acumulada muestral.
D = | F(x
i
) - H(x
i
) | .
El resultado de los clculos se muestra en la tabla a continuacin:
xi F ( xi) H(xi) D = | F(xi) - H(xi) |
23.285 0.0869 0.05 0.0369
23.382 0.0951 0.10 0.0049
23.593 0.1151 0.15 0.0349
24.432 0.2177 0.20 0.0177
24.644 0.2483 0.25 0.0017
25.088 0.3228 0.30 0.0228
25.282 0.3594 0.35 0.0094
25.468 0.3936 0.40 0.0064
25.844 0.4681 0.45 0.0181
25.980 0.4960 0.50 0.0040
25.996 0.4992 0.55 0.0508
26.516 0.6024 0.60 0.0024
26.560 0.6103 0.65 0.0397
26.615 0.6217 0.70 0.0783
26.801 0.6554 0.75 0.0946
26.849 0.6628 0.80 0.1372
26.964 0.6844 0.85 0.1656 (Mximo)
27.453 0.7673 0.90 0.1327
28.240 0.8686 0.95 0.0814
30.432 0.9868 1.00 0.0132
38
Ing
o

En la tabla se encuentra que: D
n
= max | F(x) - H(x) | = 0.1656
Paso 4: Ir a la tabla correspondiente a los valores crticos para la prueba de
Kolmogorov- Sminov , en donde se lee que para un tamao de muestra de 20, y
un nivel de significacin del 5%, D
n
= 0.29 .
Como en nuestro caso: D
n

=

0.1656

< D
n
= 0.29; la conclusin es aceptar la
hiptesis H
0
, de que la muestra proviene de una poblacin normal con media
26.000 y desviacin tpica 2.000.

Ejemplo con datos agrupados : La prueba de Kolmogorov - Smirnov tambin
puede ser utilizada en forma aproximada, en caso de que la muestra este
agrupada en intervalos tal como se muestra en el siguiente ejemplo:
Supongamos que el peso en gramos de una pldora, debe ajustarse a una
Distribucin Normal con media 4 gramos, y desviacin tpica de 0,5.
Una muestra aleatoria de 500 pldoras arroj:
Peso 2,7-3,1 3,1-3,5 3,5-3,9 3,9-4,3 4,3-4,7 4,7-5,1
Frecuencia 19 67 141 157 94 22
Probar al 5% de significacin, si la muestra proviene de una poblacin normal con
los parmetros especificados.
Solucin: Las hiptesis a contrastar son:
H
0
: El peso se ajusta a una Distribucin Normal con =4 y = 0.5
H
1
: El peso no se ajusta a una Distribucin Normal con =4 y = 0.5
Los pasos a seguir son los mismos , con la nica diferencia de que la funcin
terica en lugar de calcularla para cada valor muestral como se hizo
anteriormente, se calcula para los lmites superiores de cada intervalo; as por
ejemplo:
F (3,1) = P ( X 3,1 ) = P ( Z
31 4
0 5
.
.
) = (-1.80) = 0.0359

F (3,5) = P ( X 3,5 ) = P ( Z
3 5 4
0 5
.
.
) = (-1.00) = 0.1587

39
Ing
o

El resultado de los clculos se muestra en la tabla a continuacin:

xi F ( xi) H(xi) D = | F(xi) - H(xi) |
3.1 0.0359 0.0380 0.0021
3.5 0.1587 0.1720 0.0133
3.9 0.4207 0.4540 0.0333
4.3 0.7257 0.7680 0.0423 Mximo
4.7 0.9192 0.9560 0.0368
5.1 0.9861 1.0000 0.0139
En la tabla se ve que: D
n
= max | F(x) - H(x) | = 0.0423
El valor crtico para un tamao de muestra de 500, y un nivel de significacin del
5%, es por la frmula de aproximacin: D
n
136
500
.
= 0.0608
Como D
n

=

0.0423

< Dn = 0.0608 ; la conclusin es aceptar la hiptesis H
0
,
de que la muestra proviene de una poblacin normal con media 4 y desviacin
tpica 0.5 .
Ejercicios propuestos
1) Dadas las siguientes diez observaciones de un proceso: 31.0 , 31.4 , 33.3 ,
33.4 , 33.5 , 33.7 , 34.4 , 34.9 , 36.2 y 37.0 . Probar a un nivel de significacin del
5% , que el proceso se ajusta a una Distribucin Normal con media 32.0 y
varianza 3.24 .
Solucin: D
n

= 0.56

> Dn = 0.41 Rechazar el ajuste .
2) La duracin en minutos de una muestra de pilas , fue la siguiente:
0-20 20-40 40-60 60-80 80-100 100-120 120-140 140-160 160-180
5 13 13 14 17 12 15 7 4
Probar a un nivel de significacin del 5% , que la duracin de estas pilas se ajusta
a una Distribucin Normal con media 80 minutos y desviacin tpica de 40 minutos
.
Solucin: D
n

= 0.0759

< Dn = 0.14 Aceptar el ajuste .
40
Ing
o

PRUEBA DE GEARY
Las dos pruebas anteriores , la prueba chi-cuadrado de bondad del ajuste , y la de
Kolmogorov-Smirnov son pruebas generales que pueden ser utilizadas para
verificar no solamente el ajuste a la normal , sino tambin para cualquier otra
distribucin terica , con la nica limitacin para la segunda ,de que debe ser
continua y de parmetros especificados .
Esta nueva prueba , la de Geary , es exclusiva para probar el ajuste a la
Distribucin Normal , y por ser exclusiva para ella , es ms potente , es decir, con
menor probabilidad de error tipo II .
La prueba se fundamenta en el uso de dos estimadores diferentes para el
parmetro " " de la Normal .
En efecto, un problema que se analiza con profundidad en los textos de
Estadstica Matemtica, es el relativo al de la estimacin de los parmetros de
una distribucin terica . ( Ver Captulo V)
Para el caso de la Distribucin Normal, en la estimacin de "" no hay lugar a
dudas, pues la media muestral " X " es el mejor estimador posible por ser
insesgado y de mnima varianza; pero sin embargo, para la estimacin de "
2
", la
situacin no es tan clara, pues existen varios estimadores los cuales tienen ciertas
propiedades deseables, pero carecen de otras.
Algunos estimadores para el parmetro " " son:
1) El obtenido por el mtodo por el mtodo de mxima - verosimilitud, y tambin
por el mtodo de momentos:
1

(X - X)
i
2
i=1
i=n
n

2) La raz cuadrada del estimador insesgado para "
2
" :
2
1
(X - X)
i
2
i=1
i=n
n

3) El obtenido a partir de la desviacin media de la muestra.
41
Ing
o

Se define como desviacin media de la muestra, a la media aritmtica de las
desviaciones absolutas respecto de la media muestral, es decir: D M .
X - X
n
i
i=1
i=n

A partir de la desviacin media muestral , es posible obtener un nuevo estimador
para " " dado por :
3

2

X - X
n
i
i=1
i=n
=
2
D. M
La prueba de Geary se fundamenta en que si se toma una muestra aleatoria
proveniente de una poblacin normal, entonces los diferentes estimadores del
parmetro " " deben dar resultados similares, y en consecuencia el cociente entre
cualquiera de ellos debe dar valores cercanos a la unidad.
El estadstico muestral utilizado en esta prueba es: u
n
2

X - X
n
(X - X)
i
i=1
i=n
i
2
i=1
i=n

Para muestras grandes, y en caso de que la muestra provenga de una poblacin
con Distribucin Normal , la distribucin de la variable "U" es tambin una normal
con media 1 , y desviacin tpica
0 2661 .
n
;y por tanto su valor tipificado "Z" debe
caer entre los lmites - z
2
y + z
2
para poder aceptar la Hiptesis de Normalidad.
Es decir , Z =
U 1
0 2661 .
n N (0,1) , y si para la muestra - z
2
z + z
2

Aceptar la Hiptesis de normalidad para la poblacin.
La prueba es evidentemente bilateral, pues valores de "U" alejados de 1 en
cualquiera de los dos sentidos, reflejan diferencia significativa entre las
estimaciones de " ", dadas por el primer y tercer estimador.

42
Ing
o

Ejemplo: Para ilustrar la metodologa de la prueba de Geary , analicemos la
muestra de 20 datos puntuales que ya fue analizada con la prueba de
Kolmogorov-Smirnov :
25.088 26.615 25.468 27.453 23.285
25.996 26.516 28.240 25.980 30.432
26.560 25.844 26.964 23.382 25.282
24.432 23.593 24.644 26.849 26.801
En aquella oportunidad la prueba se hizo para parmetros dados: =26 y = 2.
Hagamos ahora la prueba de ajuste aplicando la Prueba de Geary, la cual no
necesita especificar parmetros .
Los pasos a seguir son:
Paso 1 : Calcular la media muestral , que para este caso resulta X = 25.971 .
Paso 2: Calcular la desviacin de cada dato respecto de la media muestral.
-0.883 0.644 -0.503 1.482 -2.686
0.025 0.545 2.269 0.009 4.461
0.589 -0.127 0.993 -2.589 -0.689
-1.539 -2.378 -1.327 0.878 0.830
Paso 3: Calcular la desviacin tpica muestral : S =
=
( ) X X
i
2
1 i
i n
n

El resultado del clculo es : S= 1.673 , que representa una primera estimacin del
parmetro " " .
Paso 4 : Calcular la desviacin media de la muestra , para lo cual hay que hallar
la media de las desviaciones absolutas del paso 2 . D M .
X - X
n
i
i=1
i=n

43
Ing
o

El resultado del clculo es : D.M= 1.272 .

Paso 5 : Hacer la segunda estimacin de " " , mediante el uso del estimador :
3

2

X - X
n
i
i=1
i=n
. El resultado de esta nueva estimacin es :
3
= 0.1594 .

Paso 6: Calcular el valor del estadstico U , que representa la razn entre las
dos estimaciones . u =
1594
1673
.
.
= 0.953

Paso 7: Tipificar el valor obtenido de "U" , a fin de determinar si es significativa la
diferencia entre el valor obtenido en la muestra , y el resultado esperado , que
debi ser igual a 1 .
z =
u 1
0 2661 .
n =
0 953 1
0 2661
.
.
20 = -0.794

Paso 8 : Ir a la tabla normal con el nivel de significacin elegido , y leer el valor
crtico para la prueba bilateral.
Para 5% de significacin se encuentra z
0.025
= 1.96 , y como el valor obtenido de
z=-0.794 cae en el intervalo [-1.96 , + 1.96] , la conclusin es aceptar el ajuste a
la normalidad.

PAPEL PROBABILISTICO
Debido a que las pruebas estadsticas de ajuste exigen procedimientos un tanto
complicados de clculo, su uso en el medio industrial ha sido muy escaso, y en
aquellas empresas que requieren verificar que su proceso se ajusta a una
Distribucin Normal , el uso del papel probabilstico es mucho ms conocido.
44
Ing
o

El papel probabilstico es un papel especial, el cual tiene en el eje horizontal una
escala milimtrica lineal , y en el eje vertical una escala igual a la funcin de
distribucin de la normal tipificada, de forma que cuando en el eje vertical se
representa un cierto porcentaje (z), la escala hace que lo que realmente se est
representando sea la abscisa "z" que en la normal tipificada deja a la izquierda un
rea (z) . Esta escala se conoce como escala "gaussiana" o "probabilstica".
Recordemos que la tabla normal da para cada abscisa tipificada "z" , un rea a la
izquierda (z) , que representa la probabilidad de que el valor tipificado de la
variable aleatoria "X" sea igual o menor que "z" .

En consecuencia , el origen de la escala vertical es 50% , pues (0) = 0,50 .
El papel probabilstico tiene la propiedad de que si sobre l se representa , la
distribucin acumulada de frecuencias relativas para la una muestra proveniente
de una poblacin normal, los puntos deben quedar en lnea recta.
La justificacin de esta propiedad se fundamenta en el hecho de que si el ajuste a
normal es adecuado, entonces la distribucin acumulada de frecuencias relativas
para la muestra H(x) debera coincidir con la Funcin de distribucin terica de la
45
Ing
o

normal F(x) , y por la tipificacin de la normal , se tiene entonces que: H(x) = F(x)
= P ( X x) = P(Z
x
) = P ( Z z ) = (z)
Si de esta expresin se despeja "x" se tiene: x = + z , que es una funcin
lineal entre "x" y "z" .
El papel probabilstico est diseado , para que al representar "x" en el eje
horizontal y H(x) en el margen derecho del eje vertical , la escala transforme
automticamente a travs de la tabla normal inversa a H (x) en "z", y por tanto se
obtenga una recta, en caso de que el ajuste a una Distribucin Normal sea
satisfactorio.
La prueba de ajuste realizada con el papel probabilstico no necesita parmetros
especificados, tiene la ventaja de su sencillez, y puede ser utilizada tanto para
datos muestrales en forma puntual o agrupados.
El inconveniente es que no proporciona un criterio que permita establecer hasta
que punto son significativas las diferencias entre los puntos obtenidos y la lnea
recta , en caso de que estos no queden perfectamente alineados, y puesto que la
recta hay que trazarla "a ojo" sobre el papel, este mtodo deja un razonable
margen de duda .
Una vez trazada la recta , es posible obtener un estimacin grfica de la media y
de la desviacin tpica de la distribucin.
La media puede ser obtenida entrando en la escala vertical con el 50% y
cortando a la recta, la lectura que se haga en el eje horizontal corresponde a la
media estimada del proceso.
La desviacin tpica " ", se estima entrando en el eje vertical con
aproximadamente 84%, cortando a la recta, y luego se mide la distancia horizontal
entre este punto de corte y la media .
46
Ing
o

El procedimiento grfico de estimacin se fundamenta en las propiedades de la
normal, ya conocidas:
a) La media "" es eje de simetra, y por tanto el rea a su izquierda es de 50%.
b) En el intervalo ( - , + ) cae el 68.27% del rea , de donde se deduce por
simetra que el rea a la izquierda del valor " + " es 84.135% .
Para representar los datos muestrales en el papel probabilstico, hay que seguir el
siguiente procedimiento:
Paso 1: Si los datos estn en forma puntual se ordenan de menor a mayor, y si
estn agrupados se ordenan los intervalos en forma creciente .
Paso 2: A cada dato se calcula su posicin percentil, es decir el porcentaje de
observaciones que son iguales o menores que l, y si estn agrupados se calcula
para cada lmite superior de clase, la frecuencia relativa acumulada en forma
porcentual .
Para el caso de datos sin agrupar, la posicin percentil se calcula mediante la
siguiente expresin
3
:
j
1
j
2
P .100%
n

Donde: j = Posicin del dato despus de ordenarlos de menor a mayor
P
j
= Posicin percentil que le corresponde al dato j
n = Nmero total de datos
Paso 3 : Sobre el eje horizontal del papel probabilstico elegimos una escala
adecuada de acuerdo con el orden de magnitud de los datos , de la misma forma
47
Ing
o

como se utiliza un papel milimetrado corriente, y sobre el margen derecho del eje
vertical se leen los porcentajes acumulados de frecuencia.
Elegida la escala adecuada para el eje horizontal, se procede a ubicar sobre el
papel los puntos (x
j
; P
j
) (L
i
, H(L
i
) ), segn los datos estn puntuales o
agrupados respectivamente.
Paso 4: Una vez ubicados los puntos, procedemos a ajustarles una recta. El
trazado de esta recta es totalmente subjetivo, y debe hacerse sin que exista una
mayor influencia de puntos de uno u otro lado de la recta .
Si los puntos caen razonablemente sobre una recta , concluimos que los datos se
ajustan a una Distribucin Normal .
Algunos papeles probabilsticos mas sofisticados, permiten construir a ambos
lados de la recta unas bandas de confianza, entre las cuales deben caer la
totalidad de los puntos para poder aceptar el ajuste a la normalidad.
Ejemplo con datos puntuales: Un embotellador de refrescos est estudiando la
resistencia a la presin interna de botellas no retornables de dos litros. Se toma
una muestra de 16 botellas, y se obtiene la resistencia a la presin medida en
"psi" . Los resultados fueron:
222.16 202.20 219.54 193.73 208.15 195.45 193.71 200.81
211.14 203.62 188.12 224.39 221.31 204.55 202.21 201.63
Usar el papel probabilstico para analizar si es razonable suponer que esta
variable se ajusta a una Distribucin Normal .
Solucin: Comenzamos por ordenar los datos de menor a mayor
188.12 193.71 193.73 195.45 200.81 201.63 202.20 202.21
203.62 204.55 208.15 211.14 219.54 221.31 222.16 224.39
Una vez ordenados se procede a calcular la posicin percentil de cada uno.
As por ejemplo la posicin percentil correspondiente al primer dato es:

1
1
1
2
P .100%
16
= 3,1250%
Repitiendo este clculo para los dems puntos se obtiene:

48
Ing
o

X
j
188.12 193.71 193.73 195.45 200.81 201.63 202.20 202.21
P
j
% 3,125 9,375 15,625 21,875 28,125 34,375 40,625 46,875

X
j
203.62 204.55 208.15 211.14 219.54 221.31 222.16 224.39
P
j
% 53,125 59,375 65,625 71,875 78,125 84,3750 90,625 96,875

A continuacin se procede a graficar estos puntos sobre el papel probabilistico

De la grfica se obtiene que la media aproximada del proceso es de 205, y la
desviacin tpica de 12.50.
En caso de que no se tenga papel probabilstico, tambin es posible usar papel
milimetrado, solo que los clculos resultan ligeramente ms complicados.
Para usar papel milimetrado, es necesario recordar que el fundamento del papel
probabilstico es la relacin lineal entre "x" y "z" , dada por la ecuacin
x
j
= + z
j
, en donde "z
j
" es la abscisa que en la normal tipificada corresponde a
un rea a la izquierda (z
j
) = P
j

En el papel probabilstico en la escala vertical se lee P
j
, y el papel
automticamente representa "z
j
" . Si se va a utilizar papel milimetrado, el valor de
"z
j
" que corresponde a cada Pj hay que hallarlo previamente mediante la tabla
normal inversa, sealada como 3.b en el anexo.
49
Ing
o

Este procedimiento sin embargo, hoy en da est en desuso pues todos los
paquetes estadsticos proporcionan la grfica en papel probabilstico.
Ejemplo con datos agrupados: Retomemos los datos relativos al contenido de
refresco de unas botellas , y cuyo anlisis descriptivo ya se hizo en el captulo
anterior , y cuyo ajuste a la normalidad ya fue verificado con la prueba chi -
cuadrado de bondad del ajuste.
190 - 195 9
195 - 200 29
200 - 205 47
205 - 210 72
210 - 215 51
215 - 220 30
220 - 225 12
Para representar estos datos sobre el papel probabilistico, se calculan las
frecuencias relativas acumuladas:
Contenido ( cc ) fi H(Li)
190 - 195 9 3,60 %
195 - 200 29 15,20 %
200 - 205 47 34,00 %
205 - 210 72 62,80 %
210 - 215 51 83,20 %
215 - 220 30 95,20 %
220 - 225 12 100.00 %

Sobre el papel se llevan los puntos (L
i
, H (L
i
) ) , en donde Li representa el lmite
superior del intervalo , y H (L
i
) su frecuencia relativa acumulada .
50
Ing
o

La grfica no deja prcticamente lugar a dudas acerca de la normalidad del
proceso de llenado de las botellas , tal como lo haba advertido el anlisis
descriptivo, y lo haba ratificado la prueba chi- cuadrado de bondad de ajuste.
En general, el uso del papel probabilistico con datos agrupados es mucho ms
cmodo, pues resulta ms facil la ubicacin de los puntos dentro del grfico.

OTRAS PRUEBAS DE HIPOTESIS IMPORTANTES EN EL CONTROL DE
PROCESOS
Para concluir este captulo , el autor ha considerado oportuno incluir algunas otras
pruebas de hiptesis relativas a la Distribucin Normal , donde a diferencia de las
anteriores lo que se quiere probar no es el ajuste a la Distribucin Normal el cual
ya se da por vlido, sino el valor de alguno de sus parmetros.

PRUEBA BILATERAL PARA LA MEDIA
Esta prueba se utiliza cuando se quiere probar que la media de un proceso ha
quedado correctamente calibrada en un valor especificado que llamaremos
0
.
H
o
: =
0

H
1
:
0

51
Ing
o

Generalmente el valor especificado
0
,es el punto medio de la especificacin ,y
en ese caso la prueba pretende probar la hiptesis de que el proceso est
centrado , contra la alternativa de que est descentrado.
Como la varianza poblacinal "
2

" es desconocida, la prueba debe ser hecha
con la Distribucin t-Student, calculando el valor del estadstico "t" dado por:
t =
0
X
n
S

en donde:
0
= Valor especificado para la media de la Distribucin.
X = Media de la muestra .
S = Desviacin tpica muestral =
i n
2
i
i 1
(X X)
n 1

n = Tamao de la muestra .
El valor crtico de estadstico "t" depender del nivel de significacin seleccionado,
y se lee en las tablas de la Distribucin t- Student, incluidas en el apndice , con
(n-1) grados de libertad.
Se aceptar H
0
, en caso de que el valor del estadstico "t" resulte comprendido
entre - t
2
; n-1
y + t
2
; n-1
; caso contrario se rechazar, es decir:
- t
2
; n-1
t t
2
; n-1
Aceptar Ho
t < - t
2
; n-1
t > + t
2
; n-1
Rechazar Ho
t
2
; n-1
= Abscisa que en una t-Student con (n-1) grados de libertad deja a
la derecha un rea
2
.

52
Ing
o

Ejemplo : El contenido medio de unas bolsitas de azcar debe ser de 10 gramos.
Una muestra aleatoria de 10 bolsitas arroj el siguiente contenido:
10.2 , 9.7 ,10.1 , 10.3 , 10.1 , 9.8 , 9.9 , 10.4 , 10.3 y 9.8 .
Asumiendo normalidad para el proceso de llenado, probar a un nivel de
significacin del 1%, que el proceso esta correctamente calibrado.

Solucin: Las hiptesis a probar son:
H = 10 ( Calibracion correcta)
H : 10 ( Calibracion incorrecta)
0
1
:

Para la muestra se tiene: X = 10.06 , S=0.2459 .
El valor del estadstico t =
10.06 10
10
0.2459
= 0.77
En las tablas de la distribucin t-Student , se encuentra que t
0.005; 9
= 3.25.
Como 0.77 cae en el intervalo [-3.25 , +3.25] , la conclusin es aceptar H
0
, y por
tanto no existe una evidencia significativa para pensar que el proceso de llenado
est incorrectamente calibrado .

Ejemplo propuesto : El punto de fusin de unos ciertos filamentos, debe ser de
exactamente 2.000 C en promedio . Una muestra de 20 filamentos, dio por
resultado:
Fusin (C) Frecuencia
1940 - 1950 2 Asumiendo que el punto de fusin de
1950 - 1960 3 estos filamentos sigue una
1960 - 1970 4 Distribucin Normal, se puede concluir
1970 - 1980 5 a un nivel de significacin del 5%, que
1980 - 1990 3 cumplen con la especificacin ? .
1990 - 2000 2
2000 - 2010 1
53
Ing
o

Solucin: t= -7.36 < -2.09 Rechazar H
0
. Existe evidencia significativa de que
no cumple con la especificacin.

Otro aspecto muy importante con relacin a esta prueba, es del tamao de
muestra requerido.
Toda prueba estadstica est sujeta a dos posibles errores conocidos como error
del tipo I y error del tipo II, que en este caso son rechazar una calibracin correcta
y no detectar una calibracin mal hecha, respectivamente.
En caso de que el proceso se desajuste y la media se corra a un nuevo valor
1
en lugar del especificado
0
, la prueba debe tener una probabilidad alta de
detectarlo, y evidentemente cuanto ms prximo est
1
de
0
, mayor ser el
tamao de muestra requerido.
El tamao de muestra necesario, depender entonces del corrimiento que se
quiera detectar
1
-
0
, y de las probabilidades de Error I ( ) y II ( ) que se fijen.
En el captulo V sobre "Fundamentos Tericos" , se obtiene la siguiente frmula
que permite calcular el tamao de muestra para la prueba bilateral de media:
n=
( )
( )
/
z z
2
2 2
1
2
0

La dificultad prctica que presenta la aplicacin de esta frmula, es que en caso
de que no se tenga una varianza
2
conocida, es necesario estimarla
previamente, mediante el valor de S
2
en muestras preliminares o pilotos, lo que
generalmente conduce a un proceso de aproximaciones sucesivas .
Ejemplo : Una mquina llenadora debe ser calibrada para que llene con un
contenido medio de exactamente 222 cm
3
.
Se quiere disear una prueba de calidad que detecte con una probabilidad de
0.90, ,una media de llenado de 213 cm
3
.
Asumiendo normalidad en el llenado, y que la desviacin tpica ha sido estimada
previamente en 14.2 cm
3
, de qu tamao debe ser dicha muestra para un nivel
de significacin del 5%? , y entre qu limites debe encontrarse la media de dicha
muestra, para poder aceptar como correcta la calibracin ?.

54
Ing
o

Solucin: Por ser una prueba con varianza conocida, ya no es necesario aplicar la
Distribucin t-Student .
Las Hiptesis a probar son:
H : = 222 Calibracion correcta
H : 222 Calibracion incorrecta

0
1

El tamao de muestra se calcula por: n=
( )
( )
/
z z
2
2 2
1
2
0

= 14.2 ;
1
= 213 ;
0
= 222 ; z
0.025
= 1.96 ; z
0.10
= 1.282
n =
(1.96 + 1.282) (14.2)
2 2
( ) 213 222
2
= 26.16 27 envases

La hiptesis nula H
0
es aceptada cuando: -
z
2

X -
n
0
+
z
2

es decir, cuando la media muestral X cae en el intervalo
0
2
z
n

Para nuestro caso , el intervalo de aceptacin es entonces:
222.00 1.96
14 2
27
.
= 222.00 5.36 = [ 216.64 ; 227.36 ]

Lo anterior llevado a la prctica, significa que una vez que el tcnico haya hecho
la calibracin del proceso de llenado para que llene con una media de 222 cm
3
, el
responsable de calidad , deber verificar la calibracin tomando una muestra de
27 envases , y en caso de que la media de esa muestra caiga en el intervalo
[216.64 , 227.36 ], se considerar la calibracin como correctamente realizada ;
caso contrario, se rechazar .
Con el tamao de muestra de 27 y el intervalo de aceptacin [216.64, 227.36], la
probabilidad de rechazar una calibracin bien hecha es de 0.05 , y la de aceptar
una calibracin mal hecha a una media de 213 cm
3
, es de 0.10 .

55
Ing
o

PRUEBA UNILATERAL DERECHA PARA LA VARIANZA DE UNA
DISTRIBUCION NORMAL
En muchos procesos industriales, interesa mantener controlada su desviacin
tpica, puesto que en caso de que sta sobrepase el valor lmite
L L
s I
6
, deja
de ser capaz , y el porcentaje de defectuosos puede incrementarse
considerablemente , aunque el proceso est centrado .
Por esta razn, en el Control Estadstico de Procesos, la prueba ms importante
para la varianza es la unilateral derecha, pues lo que se quiere es detectar
cuando la varianza excede un valor especificado.
Las Hiptesis son :
H
H
0
1
:
:

>
2 2
2 2
0
0

Las prueba de varianza se hace mediante el estadstico
2
, definido por:

0
2
2
2
(n-1) S

siendo
0
2
el , el valor especificado para la varianza del proceso, y S
2
la varianza
muestral calculada como : S
2
=
i n
2
i
i 1
(X X)
n 1

La decisin es aceptar H
o
si
2

;n 1
2
, o rechazarla si
2
>
n-1 ;
2

n-1 ;
2
=Abscisa que en una Distribucin chi- cuadrado con (n-1) grados de
libertad deja a la derecha un rea " ".
Ejemplo : En el proceso de llenado de ciertas latas, se exige que la desviacin
tpica no exceda de 25 gramos, y con el objeto de mantenerlo controlado, se
toman muestras peridicas de 12 latas.
a) Si una de estas muestras arroja una desviacin tpica de 30 gramos. Debe
detenerse el proceso? .
56
Ing
o

b) Cual es el mximo valor que puede tomar la desviacin tpica de la muestra,
para no detener el proceso ? .
Asuma un nivel de significacin del 5% .

Solucin: Las hiptesis a probar son:
H
0
: 25 No detener el proceso
H : > 25 Detener el proceso
2 2
1
2 2

Si en una muestra de 12 latas se encuentra S=30 , el valor del estadstico
2

para esta muestra es :
2
=
2
11 (30)
625
= 15,84
En las tablas de la Distribucin Chi- Cuadrado , con 11 grados de libertad se lee
2
0.05;11
= 19.68 , y como
2
< 19.68 Aceptar H
0
, se concluye que una muestra
de 12 latas , con una desviacin tpica muestral de 30 gramos , no constituye una
evidencia significativa para detener el proceso .
En cuanto al valor lmite que puede tomar la desviacin tpica muestral sin detener
el proceso , tenemos que no se detiene cundo:
2
=
2
11 S
625
19.68
S
2
1118,18 S 33,44 ..
Este valor representa el valor crtico para la desviacin tpica muestral, o lo que es
lo mismo, en el momento que una muestra arroje una desviacin tpica muestral
por encima del valor 33.44, existe una evidencia significativa para detener al
proceso.

Ejercicio Propuesto : Un proceso se supone normal, y su desviacin tpica no
debe exceder el valor 0.20 . Una muestra de 12 piezas fabricadas por este
proceso arroja los siguientes valores:
5.34 5.65 4.76 5.00 5.55 5.54
5.07 5.35 5.44 5.25 5.35 4.61
Constituye esta muestra una evidencia significativa para detener el proceso? .
Use un nivel de significacin del 1% .
Solucin:
2
= 28.56 > 24.73 Existe evidencia significativa para detenerlo .
57
Ing
o

El clculo del tamao de muestra necesario una prueba de varianzas es mucho
ms complicado que para el caso de la prueba de medias, debido a que requiere
tanteos y aproximaciones sucesivas . En el texto "Estadstica para Ingenieros", de
los autores Albert Bowker y Gerald Lieberman, Editorial Prentice Hall
Internacional, pueden encontrarse en el Cap. VI (Pruebas de Hiptesis para un
solo parmetro), unos bacos que permiten resolver el problema, mediante
procedimientos grficos.

EJERCICIOS DE RECAPITULACION

1) Una muestra de 104 tornillos seleccionados al azar de la produccin de una
industria , dio el siguiente resultado:
Dimetro (mm) 15-17 17-19 19-21 21-23 23-25 25-27
Frecuencia 8 19 32 23 16 6
Utilice las diferentes pruebas de ajuste , y el papel probabilistico para decidir
acerca de la normalidad del proceso .

2) El peso medio de las bolsas de cemento debe ser de 40 Kgs. Una muestra
aleatoria de 11 bolsas arroja una media de 39.30 Kgs., con una desviacin tpica
de 1,5 Kgs . Puede concluirse de esta muestra, que la empresa no cumple con
lo especificado ? . Asuma normalidad . = 0.05
Solucin : t = -1.55 . No existencia evidencia significativa .

3) Una mquina cortadora debe ser debe ser calibrada para que corte tubos con
una longitud media de 40 cms . En caso de que la calibracin est correcta, se
quiere tener una probabilidad de 0.95 de aceptarla , y en caso de que est
corrida en 0.05 cms , se quiere tener una probabilidad de 0.90 de rechazarla .
Asumiendo normalidad ,y que la desviacin tpica en la longitud de los tubos es
de 0.15 cms qu tamao de muestra se necesita ? .
Solucin: n= 95
58
Ing
o

4) En el proceso de produccin de una cierta pieza mecnica sigue una
Distribucin Normal, pero se exige por razones de precisin, que la desviacin
tpica del proceso no exceda de 0,10 centmetros, con apenas una probabilidad
del 1%, de detener innecesariamente al proceso .
Si una muestra aleatoria de 20 piezas arroja una desviacin tpica de 0,1061
cms. Qu recomendara Ud. : continuar o detener el proceso ? .
Solucin:
2
= =21.39 < 36.19. Continuar.

59
Ing
o

CAPITULO III : GRAFICAS DE CONTROL

Cuando la prueba de ajuste a la normal es aceptada, se dice que el Proceso est
bajo control estadstico, es decir, que sobre l solo estn actuando causas
comunes o aleatorias, y que la variabilidad encontrada entre las diferentes piezas
es una variabilidad natural, propia del proceso.
La condicin de estar bajo control estadstico, no es sin embargo permanente en
el tiempo, y en cualquier momento pueden aparecer causas asignables como por
ejemplo un cambio en la materia prima, un error del operador, un desajuste en la
maquinaria , etc., que ocasionen una perturbacin .
Un proceso puede dejar de estar bajo control estadstico por dos razones no
excluyentes, por un corrimiento de la media, por una variacin en su desviacin, o
por ambas.
Cualquiera de estas dos razones puede ocasionar que buena parte de la
produccin caiga fuera de especificacin . Las tcnicas de Control Estadstico de
Procesos deben detectar a tiempo la presencia de estas causas asignables, a fin
de tomar las medidas correctivas requeridas.
Una manera de detectar la aparicin de estas causas asignables es hacer
peridicamente, las pruebas de hiptesis para la media y para la desviacin
estudiadas en el captulo anterior, de forma que el rechazo de cualquiera de las
dos , indicar que el proceso se sali de control.
Sin embargo, este procedimiento no es prctico para el medio industrial, pues
requiere de un personal altamente adiestrado en el manejo de tcnicas
estadsticas, y por este motivo es necesario entonces, desarrollar otra
metodologa, que permita hacer estas pruebas de hiptesis de una manera ms
prctica y permanente.
Por otro lado, cuando la prueba de ajuste es rechazada, existen entonces algunas
observaciones muestrales que fueron tomadas bajo condiciones atpicas de
operacin .
Las pruebas de ajuste no proporcionan informacin acerca de cules de las
observaciones muestrales son las atpicas , y por lo tanto no permiten iniciar la
investigacin que permita identificar la causa asignable que actu sobre el
proceso .

60
Ing
o

Por las razones antes expuestas, se hace necesario entonces desarrollar una
metodologa que alcance los siguientes objetivos:
1) Identificar en la muestra inicial del proceso las observaciones atpi cas, a fin de
excluirlas de la muestra una vez encontradas las causas asignables, y no
tomarlas en consideracin para estimar los parmetros del proceso .
2) Detectar a tiempo anormalidades en el proceso , tanto corrimientos de la
media , como incrementos en la desviacin por encima de sus lmites naturales,
para impedir la produccin de piezas fuera de especificacin.
Las Grficas de Control por variables vienen a ser la herramienta que permite
alcanzar estos objetivos.
Es importante aclarar que existen dos tipos de Grficas de Control: por variables y
por atributos. Las grficas por atributos se utilizan para controlar el porcentaje de
defectuosas, o el nmero de defectos, dentro de sus lmites naturales, y detectar
a tiempo cualquier incremento significativo de cualquiera de ellos. Estas grficas
no son de utilidad para los estudios de capacidad del proceso.
Las grficas de control por variables se aplican exclusivamente cuando la
caracterstica de calidad puede ser expresada mediante una variable cuanti tativa
continua.
Un diagrama de control por variables es esencialmente una prueba de la hiptesis
para verificar que el proceso est bajo control estadstico .

GRAFICA DE CONTROL PARA UN PROCESO BAJO CONTROL ESTADISTICO

61
Ing
o

La grfica est formada por dos zonas ; la de arriba se refiere a los lmites de
control para la media , la cual tiene dos bandas una superior y otra inferior, debido
a que la prueba de hiptesis para la media es bilateral , y por lo tanto se rechaza
cuando la muestra cae por debajo del lmite inferior L.C.L (Abreviatura del ingls
Lower Control Limit) , o por arriba del lmite superior U.C.L (Upper Control Lmit) .
La lnea central representa el punto en donde se estima que est ubicada la
media del proceso.
La zona de abajo representa el lmite de control para la desviacin del proceso,
(generalmente se muestra en forma separada a la primera), y sirve para detectar
el momento en que la variacin del proceso se ha modificado de manera
significativa.
Cuando se toma una muestra del proceso, se le calcula su media y su desviacin
( generalmente se toma el rango muestral como medida de dispersin), y cuando
ambos valores caen dentro de sus respectivos lmites de control , lo que estamos
haciendo es aceptar la hiptesis de que el proceso est bajo control estadstico .
Cuando una muestra arroja un valor de la media muestral que se sale de sus
lmites de control , la grfica nos advierte sobre la presencia de alguna causa
asignable que ha provocado un corrimiento de la media.
Cuando la muestra arroja una desviacin fuera de sus lmite de control, la grfica
detecta una causa asignable que ha modificado la desviacin del proceso . Una
modificacin por encima del lmite superior debe ser motivo de preocupacin,
pues hace al producto mas heterogneo y debe ser erradicada ; mientras que
una modificacin por debajo del lmite inferior (en caso de que exista) es
beneficiosa para el proceso , pues lo hace ms homogneo, y de all que sea
importante detectar la causa asignable, para convertirla en un factor permanente
dentro del proceso.
Como toda prueba de hiptesis, la grfica de control est sujeta a dos posibles
errores:
Error tipo I : Rechazar una hiptesis verdadera , que este caso significa concluir
que el proceso est fuera de control cuando en realidad no lo est.
Error tipo II : Aceptar una hiptesis falsa, que en este caso significa concluir que el
proceso esta bajo control cuando en realidad no es as.
Generalmente las grficas de control se disean para una probabilidad de error
tipo I muy baja, de apenas 0.27% , pues son del tipo 3 , y por tanto la
probabilidad de que la muestra caiga entre los lmites cuando en realidad el
proceso est bajo control es de 99.73% . (En la prctica es frecuente decir que
62
Ing
o

estas probabilidades son de 99% para la aceptacin de un proceso bajo control, y
de 1% para el rechazo de un proceso bajo control) .
La razn por la cual las grficas se disean para una probabilidad tan baja de
error tipo I , es porque se considera que este error es muy grave para la
produccin, pues ocasionara la paralizacin del proceso sin que exista un motivo
real para ello ; y por este argumento se quiere tener la casi absoluta certeza de
que cuando la muestra se salga de alguno de los lmites de control es debido a
que existe una evidencia muy significativa de que una causa asignable lo est
perturbando.
Como la probabilidad de error tipo I es muy baja, la del tipo II puede resultar
relativamente alta , especialmente cuando la muestra es pequea, y por ello
ocasionalmente puede ser til representar la curva de operacin , para saber la
probabilidad que tiene el diagrama de control de detectar cambios en el proceso.
Para una mayor informacin acerca del procedimiento para construir esta curva
OC para los diagramas de control por variables , el lector puede consultar el
Cap.21 del texto "Control de Calidad y Estadstica Industrial" , del autor Acheson
J. Duncan .

TIPOS DE GRAFICAS DE CONTROL POR VARIABLES
En la prueba de Geary para verificar el ajuste a la normalidad , se vio que la
desviacin tpica de una normal tiene diversos estimadores.
Otro estimador del parmetro " " de una Distribucin Normal, que no fue
mencionado en aquella oportunidad, es el basado en el Rango Muestral .
El Rango de la muestra es una medida de variabilidad , que se define como la
diferencia entre el mximo y el mnimo valor muestral.
R = Mximo { X
1
, X
2
, X
3
, ....,X
n
} - Mnimo { X
1
, X
2
, X
3
, ....,X
n
}

En el captulo de Fundamentos Tericos, se analiza que el Rango de la muestra
es una variable aleatoria, cuyo valor esperado es proporcional es a la desviacin
tpica de la poblacin: E ( R) = d
2
.
El coeficiente "d
2
" representa la constante de proporcionalidad, y se encuentra en
unas tablas , que ms adelante consideraremos.
63
Ing
o

En base a este resultado, si toman "k" muestras de igual tamao , y R
1
, R
2
, R
3
,
....,R
k
, son sus respectivos rangos, entonces "el rango medio" " R " , puede
utilizarse como estimador del valor esperado del Rango Muestral, y a partir de l
obtener la estimacin de " " , es decir: R =
R R R
k
k 1 2

=
R
k
i
i
i k
1
= E(R)

E(R) = R = d
2

=
R
d
2

El uso del "Rango Medio" para estimar " " tiene la ventaja de su sencillez de
clculo , ya que para calcular el rango solo hace falta localizar en la muestra el
mayor y el menor valor.
Si el tamao de muestra es pequeo , la estimacin de la varianza poblacional "
2

" a partir del "Rango Medio" , es casi tan buena como la obtenida a partir del
estimador insesgado convencional :
2 1
1
(Xi X)
2
i
i n
n

La tabla siguiente muestra la eficiencia relativa en la estimacin de"
2
" por el
mtodo del "Rango Medio", en comparacin con la estimacin insesgada
convencional , para varios tamaos de muestra :
n 2 3 4 5 6 10
Eficiencia relativa 1.000 0.992 0.975 0.955 0.930 0.850
Para n > 10 , la estimacin de "
2
" a partir del "Rango Medio" , pierde
rpidamente su eficiencia , pues el "Rango muestral" no es un estimador
suficiente , al no tomar en consideracin toda la informacin muestral
comprendida entre el mnimo y el mximo valor .
De todo lo anteriormente expuesto, podemos concluir entonces que la estimacin
del parmetro poblacional " " , indispensable para poder estimar la Capacidad del
Proceso, puede hacerse de varias maneras , siendo las ms importantes , la
estimacin a partir del "Rango Medio" , y la estimacin a partir de la "Varianza
Muestral" .
Estas dos formas de estimacin dan lugar a dos tipos de Grficas de Control por
variables, que se conocen como ( X, R) y ( X, S) segn se utilice el rango
64
Ing
o

muestral "R" o la desviacin tpica muestral "S" respectivamente, como medida de
la dispersin del proceso.
En la prctica las grficas ( X , R) son mucho ms utilizadas por la sencillez en
el clculo de "R" en comparacin con el de "S" , y porque al tomar tamaos de
muestra pequeos , la eficiencia de ambos estimadores es prcticamente la
misma.

CONSTRUCCION DE LA GRAFICA ( X , R )
La construccin de una grfica ( X , R ) se inicia con la toma de muchas muestras
pequeas (20 como mnimo) , de igual tamao provenientes del proceso .
Cada una de estas muestras se denomina "subgrupo", y suelen ser de 4, 5 6
observaciones cada una.
Lo anterior significa entonces que para iniciar la construccin de la grfica es
necesario tomar alrededor de unas 80 observaciones como mnimo del proceso,
las cuales son el resultado de 20 subgrupos cada uno de tamao 4.
Existen varios razones que justifican el uso de subgrupos , en lugar de tomar una
sola muestra aleatoria ms grande , digamos de 80, en instantes al azar.
Entre estas razones las ms importantes son:
a) El subgrupo es ms homogneo, pues las 4,5 6 observaciones de cada
subgrupo corresponden a un mismo instante.. Por tanto las variaciones en el
proceso a lo largo del tiempo, son detectadas con mayor facilidad mediante la
variacin entre las medias de los diferentes subgrupos .
b) Es preferible tomar muestras pequeas varias veces, que tomar una muestra
grande rara vez, pues cuando la muestra cae "fuera de control", se puede
identificar ms fcilmente la causa asignable que actu.
Con respecto a la eleccin de los subgrupos, el criterio bsico es que se deben
formar de manera que dentro de cada subgrupo deba existir homogeneidad, pero
que a la vez exista mucha probabilidad de variacin de un subgrupo a otro.
A continuacin se cita un pensamiento de W.A. Shewhart , creador de la "Teora
de los Grficos de Control" , y que ilustra el principio anterior:
65
Ing
o

El objetivo final es no solamente detectar las dificultades sino tambin encontrarlas, y tal
descubrimiento naturalmente implica clasificacin. El ingeniero que tiene xito al dividir
sus datos inicialmente en subgrupos racionales, lo estar haciendo mejor inherentemente, a
largo plazo, que quien no realice esto convenientemente.
En la prctica, el criterio que ms comnmente se utiliza para la formacin de
subgrupos, es el del orden de produccin, tomando cada subgrupo como
representante de la produccin de lapsos de tiempo lo ms cercanos posibles
como hora, turno, da , etc. , o como representante de lotes producidos bajo
idnticas condiciones de materia prima, maquinarias, operarios , etc., logrando as
una probabilidad mxima de que las observaciones dentro de un mismo subgrupo
sean muy parecidas, y que diferencias en el comportamiento del proceso , puedan
ser rpidamente detectadas mediante diferencias entre los subgrupos.
Una vez tomadas las muestras de cada subgrupo, el paso siguiente es determinar
los lmites de control aplicando el siguiente procedimiento:
1) Se calcula para subgrupo su media y su rango muestral.
2) Se calcula la media de las medias denominada "Gran Media" , y la media de
los Rangos denominado "Rango Medio ".
Es decir , que si inicialmente se tomaron "k" subgrupos ( k 20 ) , para cada uno
se calcula el par (X
i
, R
i
) , y luego:

Gran Media = X =
X
1 2 3
X X X
k
k
; Rango Medio = R =
R R R
k
k 1 2

3) Se calculan los lmites tentativos de control mediante las siguientes
expresiones:

Para la media:

Lmite de Control Superior = UCL . .
X
= X + A
2
R
Lmite de Control Inferior = L CL . .
X
= X - A
2
R
Lnea Central = X

66
Ing
o

El valor de A
2
depende del tamao "n" del subgrupo, y se lee en la tabla del
Anexo.
Para el Rango:

Lmite Superior de Control = UCL
R
. . = D
4
R
Lmite Inferior de Control = L CL
R
. . = D
3
R
Lnea Central = R
Los valores de D
3
y D
4
se obtienen tambin en la tabla del Anexo.

Ejemplo: En una industria Farmacutica se producen pastillas, y para estudiar el
proceso se toman 20 muestras de 5 pastillas cada una.
El resultado del muestreo se da en la tabla a continuacin:

Para construir la Grfica de Control se procede como sigue:

1) En primer lugar, a cada una de la muestras se le calcula su media y su rango.
67
Ing
o

El resultado de dichos clculos es el siguiente:
N 1 2 3 4 5 6 7 8 9 10
Media 5.10 4.98 5.02 4.96 4.96 5.04 4.94 4.92 4.92 4.98
Rango 0.3 0.4 0.2 0.4 0.1 0.1 0.8 0.5 0.3 0.5

N 11 12 13 14 15 16 17 18 19 20
Media 5.10 5.00 4.86 4.88 4.92 4.84 4.98 5.00 5.14 5.00
Rango 0.4 0.2 0.2 0.3 0.1 0.5 0.2 0.3 0.3 0.6

2) Calcular la media de las medias o "Gran Media " , y el "Rango Medio" .
Gran Media = X = 4.977

Rango Medio = R = 0.3350

3) Calcular los Lmites de Control .
En la tabla de coeficientes para los lmites de control, se lee que para n=5 como
tamao del subgrupo:
A
2
= 0.577 ; D
3
= 0 ; D
4
= 2.114

UCL . .
X
= X + A
2
R = 4.977 + 0.577 ( 0.33350) = 5.17
L CL . .
X
= X - A
2
R = 4.977 - 0.577 ( 0.33350) = 4.78
Lnea Central = X = 4.977

UCL
R
. . = D
4
R = 2.114 ( 0.3350 ) = 0.71

68
Ing
o

L CL
R
. . = D
3
R = 0
Lnea Central = R = 0.3350

4) Dibujar la Grfica de Control , ubicando sobre ella los lmites de control, la
lnea central , y los diferentes puntos muestrales.

69
Ing
o

En el captulo de "Fundamentos Tericos" , se encuentra la justificacin de este
procedimiento para encontrar los lmites de control .

ANALISIS DE LA GRAFICA ( X, R )
Una vez que el diagrama ha sido construido, pueden ocurrir una de las siguientes
dos situaciones:
1) Que todos los puntos muestrales , tanto del grfico para la media , como
del grfico para el rango , caigan dentro de los lmites de control .
De producirse esta situacin , concluimos que no existen evidencias significativas
para rechazar la hiptesis de que el proceso se encuentra bajo control estadstico,
y podemos iniciar el "Anlisis de Capacidad" propiamente dicho .
Para hacer este anlisis tendremos que estimar los parmetros del proceso a
partir del grfico, y compararlos con las especificaciones del producto, con el
objeto de determinar si es capaz de cumplirlas.
El procedimiento a seguir se explica con detalles, en el captulo siguiente.
Sin embargo, dado que el grfico de control es en el fondo una prueba de
hiptesis con una probabilidad relativamente alta de error tipo II , el hecho de que
todos los puntos muestrales caigan entre los lmites de control , no lo podemos
interpretar como la absoluta certeza de que el proceso se encuentra bajo control
estadstico, y existen ciertos detalles que podran ser interpretados como signos
de falta de control .
Algunos de estos sntomas son:
a) Tendencias o desplazamiento continuo en una direccin , tanto de la media
como del rango .
Cuando el proceso esta bajo control debe observarse aleatoriedad, en la
ubicacin de uno u otro lado de su respectiva lnea central.
Si se observa una tendencia tanto creciente como decreciente de la media
muestral , esto podra interpretarse como desgaste de una maquinara .
Siete o ms puntos consecutivos de un mismo lado, 10 de 11 , 12 de 14
constituyen una seria sospecha de que el proceso est fuera de control .
70
Ing
o

Clculos hechos con la Distribucin Binomial permiten demostrar que para un
proceso bajo control, la probabilidad de ocurrencia de cualquiera de estas
situaciones es menos de 1% , y que por lo tanto su aparicin puede interpretarse
como que el proceso est fuera de control.
Existen pruebas estadsticas, que permiten verificar la aleatoriedad de los puntos
muestrales .
b) Existencia de patrones cclicos, que revelen que cada cierto tiempo se produce
un cambio en la ubicacin de los puntos con respecto a la lnea central.
Tal comportamiento puede ser el reflejo de situaciones cclicas, tales como fatiga
o rotacin de los operarios , cambios de turno , encendido y apagado de
maquinarias , ciclos de mantenimiento, de inspeccin, de produccin , etc.
c) Correlacin entre los valores de la media y del rango .
Cuando el proceso est bajo control, el valor de la media y el rango para una
misma muestra son independientes. Por lo tanto , si ambos valores para una
misma muestra se ubican siempre a un mismo lado de su respectiva lnea central,
podra inferirse que no existe tal independencia, y que alguna causa asignable
est actuando.
Por esta razn, entre otras, las grficas de medias y la de rangos no pueden ser
analizadas en forma aislada, sino conjuntamente.
Existen tambin pruebas estadsticas que permiten probar la hiptesis de
ausencia de correlacin entre los valores de la media y el rango .
Algunos autores sugieren el uso de lmites de advertencia para la media , los
cuales son construidos para 2 , y pueden ser utilizados para tomar medidas
correctivas tempranas , aunque la muestra no se haya salido de los lmites de
control .
Los lmites de advertencia se calculan con las expresiones:
Lmite de Advertencia Superior: X +
2
3
A
2
R
71
Ing
o

Lmite de Advertencia Inferior : X -
2
3
A
2
R
2) Que alguno de los puntos muestrales se salga de los lmites de control .
De producirse esta situacin , el grfico ha detectado que presumiblemente
alguna causa asignable ha actuado sobre el proceso, y debe iniciarse una
investigacin que concluya en su identificacin .
Para efectuar esta investigacin se requiere de conocimientos tcnicos y de la
ingeniera del proceso, y es un asunto que no se resuelve por medio de la teora
estadstica .
Para realizarla es necesario contar con archivos, registros y planillas de
produccin muy bien elaboradas , que permitan al investigador llevar a cabo un
seguimiento muy minucioso acerca de las materias primas , maquinarias y
operarios que actuaron sobre cada subgrupo.
De all la importancia de clasificar las muestras en subgrupos, y tambin la
enorme insistencia que hacen las Normas ISO-9000 , acerca de la necesidad de
llevar procedimientos escritos para las diferentes etapas del proceso de
produccin.
Una vez que la investigacin logre identificar la causa por la cual , una
determinada muestra se sali de alguno de los lmites de control, esa muestra
puede ser excluida del conjunto de datos , y de nuevo hay que recalcular los
nuevos lmites de control con los datos restantes , hasta lograr que el proceso
quede bajo control estadstico .
De no encontrarse la causa , es posible que la muestra haya incurrido en error del
tipo I , pero dada la probabilidad tan baja del mismo , tal situacin no debera
ocurrir ms de 2 3 veces de cada 1000.
As por ejemplo, si regresamos al caso anterior , encontramos que la muestra N7
se sali de control en el rango.
Suponiendo que se logr identificar la causa asignable que ocasion tal situacin,
podemos eliminar la muestra N7 , y recalcular la " Gran Media" , y el "Rango
Medio" para las 19 muestras restantes, encontrando :
Gran Media = X = 4.98
Rango Medio = R = 0.31
72
Ing
o

y los nuevos lmites de control :
UCL . .
X
= X + A
2
R = 4.98 + 0.577 ( 0.31) = 5.16
L CL . .
X
= X - A
2
R = 4.98 - 0.577 ( 0.31) = 4.80
Lnea Central = X = 4.98
UCL
R
. . = D
4
R = 2.114 ( 0.31 ) = 0.65

L CL
R
. . = D
3
R = 0
Lnea Central = R = 0.31
y las nuevas grficas resultan ser:

GRAFICA CORREGIDA PARA LA MEDIA

GRAFICA CORREGIDA PARA EL RANGO

73
Ing
o

Una vez que se ha logrado controlar el proceso , ya estamos en condiciones de
estimar los parmetros del proceso e iniciar la estimacin de capacidad.

Ejemplo Propuesto: La longitud total del cuerpo de un encendedor de cigarrillos
para automvil se controla empleando grficas ( X , R) .
La siguiente tabla da la longitud para 20 muestras de tamao 4 cada una ( las
mediciones se codifican a partir de 5.00 mm ; esto es , 15 significa 5.15 mm)

Calcule los lmites de control , y analice si el proceso se encuentra bajo control .
74
Ing
o

Solucin : Lmites para la media = 10.71 4.89
Lmites para el rango : [ 0 ; 14.14] . Proceso bajo control.

CONSTRUCCION DE LA GRAFICA ( X , S )
Hemos visto que cuando el tamao de muestra es mayor que 10 , la estimacin
de
2
" a partir del rango medio pierde eficiencia, en comparacin con la
estimacin insesgada
2 1
1
(Xi X)
2
i
i n
n
.
Por este motivo, cuando el tamao de los subgrupos es mayor que 10 , es
preferible el uso del diagrama ( X , S ) en lugar del ( X , R ).
Para la construccin de esta grfica, se utilizara como estimador de
2
al
insesgado, designado como S
2
y definido por la expresin siguiente:
S
2
=
( ) X X
i
i
i n
n
2
1
1
S =
( ) X X
i
i
i n
n
2
1
1

Los objetivos de un diagrama ( X , S ) son los mismos que los de un ( X , R), con
la nica diferencia que utiliza la desviacin tpica muestral "S" como medida de la
dispersin del proceso, en lugar de utilizar al rango muestral "R".
Su construccin parte tambin de "k" muestras cada una de tamao "n", y para
cada una es necesario calcular su media y su desviacin tpica muestral.
Posteriormente se calcula "la gran media" , y la media de las desviaciones tpicas
muestrales que designaremos por S.
Los lmites de control vienen dados por:

75
Ing
o

Para la media:
Lmite de Control Superior = UCL . .
X
= X + A
3
S
Lmite de Control Inferior = L CL . .
X
= X - A
3
S
Lnea Central = X
El valor de A
3
depende del tamao "n" del subgrupo, y se lee en la tabla del
Anexo .
Para la Desviacin Tpica:

Lmite Superior de Control = UCL
S
. . = B
4
S
Lmite Inferior de Control = L CL
S
. . = B
3
S
Lnea Central = S
Los valores de B
3
y B
4
se obtienen tambin en la tabla del Anexo.

En caso de calcular " S
2
" con denominador "n" en lugar de "n-1" , los coeficientes
A
3
, B
3
y B
4
cambian por A
1
, B
1
y B
2
respectivamente .
En el captulo de "Fundamentos Tericos" se incluye una explicacin detallada
acerca del origen de estos coeficientes .
Existen tambin grficos ( X , S) para subgrupos de diferente tamao, pero en
general su empleo es mucho menos conocido en la industria, que los ( X , R )
por la complejidad de los clculos que requiere su construccin , y porque solo se
justifica su uso cuando por razones tcnicas se considera que el tamao de los
subgrupos debe ser relativamente grande , situacin sta poco frecuente por el
alto costo que representa.
Ejemplo: Supongamos que la tabla siguiente representa el contenido en gramos
de unas latas de pur de tomate, y que se tomaron 25 muestras cada una de
tamao 10 .
Cada muestra fue tomada en diferentes das , y se quiere analizar mediante una
grfica ( X , S ), si el proceso se encuentra bajo control.
76
Ing
o

Para construir la grfica, comenzamos por calcularle a cada una de las 25
muestras su media y su desviacin tpica muestral.
A continuacin se da el resultado de estos clculos:
Muestra N X S Muestra N X S
1 531.30 4.86 14 531.51 5.21
2 527.79 4.90 15 532.91 4.28
3 528.00 4.69 16 530.79 6.19
4 532.55 4.19 17 527.16 4.61
5 533.17 3.11 18 529.20 4.74
6 532.83 2.76 19 530.03 6.40
7 533.65 3.85 20 531.11 5.15
8 530.83 6.05 21 530.10 4.82
9 530.78 4.29 22 529.99 4.82
10 530.25 3.52 23 529.64 6.20
77
Ing
o

11 533.33 5.35 24 530.37 3.24
12 530.91 4.32 25 530.24 3.54
13 532.89 5.27

Luego se procede a calcular la "Gran Media" y "La desviacin tpica promedio"
X = 530 .85 ; S = 4.65 ; y de all los lmites de control:

UCL . .
X
= 530.85 + 0.975 ( 4.65 ) = 535.38
Para la media: Lnea Central = 530.85
L CL . .
X
= 530.85 - 0.975 ( 4.65 ) = 526.32

UCL
S
. . = 1.716 ( 4.65 ) = 7.98
Para la Desviacin Tpica: Lnea Central = 4.65
L CL
S
. . = 0.284 ( 4.65 ) = 1.32
Por ltimo se traza la grfica , y se procede a ubicar dentro de ella a cada una de
los 25 puntos muestrales
GRAFICA DE CONTROL PARA LA MEDIA MUESTRAL

78
Ing
o

GRAFICA DE CONTROL PARA LA DESVIACION TIPICA MUESTRAL
Por los resultados obtenidos se infiere que el proceso se encuentra bajo control ,
y podemos iniciar la estimacin de capacidad.

79
Ing
o

CAPITULO IV : ANALISIS DE LA CAPACIDAD DEL PROCESO
En el captulo anterior se analiz la metodologa para encontrar los lmites de
control, tanto la media como para la variabilidad del proceso.
Estos lmites se suelen llamar "Lmites de control del proceso" , y representan la
forma como histricamente ha venido operando , puesto que han sido obtenidos
a partir de observaciones durante un perodo prolongado de tiempo.
El lapso de tiempo que sirvi para construir la grfica de control, se suele llamar
"Perodo base o de referencia ", y la grfica de control se usa para detectar
cambios en el comportamiento del proceso con relacin a ese perodo.
Ahora bien , el hecho de que un proceso se encuentre bajo control , no significa
en ningn momento que est produciendo piezas acordes con las
especificaciones que le son impuestas ; lo que significa es simplemente que se
est comportando de la forma como tradicionalmente lo ha venido haciendo, y
que sobre l no estn actuando causas asignables .
Es necesario entonces distinguir entre "Lmites del Proceso" , y "Lmites de
especificacin", puesto que representan conceptos muy diferentes .
La diferencia principal entre uno y otro concepto radica en que , los lmites del
proceso se aplican a muestras provenientes del proceso, y sirven para detectar
cambios significativos en su comportamiento ; mientras que los lmites de
especificacin se aplican para cada pieza individualmente, y representan las
dimensiones que debe cumplir para satisfacer los requerimientos de calidad.
Generalmente los lmites de especificacin vienen dadas por condiciones
externas al proceso , tales como exigencias del consumidor , normas nacionales
o internacionales etc., y de all que no necesariamente exista relacin entre ellas
y los lmites del proceso.
Obviamente un productor que pretenda cumplir con las condiciones de calidad
impuestas externamente, debe tratar de conciliar las caractersticas de
produccin del proceso con las especificaciones, y de all nace la necesidad de
los estudios de capacidad.
En el Captulo I, se vieron ya algunos conceptos relativos a la capacidad de
procesos, entre los cuales es conveniente recordar:
Proceso Capaz : Aquel donde 6 L
S
- L
I
.

80
Ing
o

Proceso Centrado : Aquel donde =
L L
S I
2

Proceso corrido o Descentrado : Aquel donde :
L L
S I
2

En donde:
= Media Poblacional del Proceso .
= Desviacin Tpica Poblacional del Proceso.
L
S
= Lmite superior de la especificacin .
L
I
= Lmite inferior de la especificacin .
" L
S
" y " L
I
" son evidentemente valores conocidos, pues vienen dados por las
especificaciones ; pero los parmetros poblaciones "" y " " para el proceso son
desconocidos , pues no es posible examinar a todas las piezas.
Se plantea entonces la pregunta : cmo estimarlos ? .
Una posible respuesta a esta pregunta es utilizar los estimadores estudiados en
el Captulo II, en donde se vi que los estimadores convencionales para "" y " "
son " X" y ''S" respectivamente .
Sin embargo , estimar as los parmetros poblacionales , exige suponer que en
los diferentes instantes en que fueron tomadas las observaciones , las
condiciones de operacin del proceso eran las mismas.
Si se toman "k" muestras de tamao "n" cada una , no es tericamente correcto
fundirlas todas en una sola muestra de k

n observaciones, y estimar " " a
partir de ella, mediante el clculo de "S" en esa muestra fundida .
Este procedimiento no es correcto, pues mediante una simple descomposicin
de la suma de cuadrados de las desviaciones, se puede demostrar fcilmente
que si existen diferencias entre los subgrupos, la estimacin de " " se ver
afectada por tales diferencias. Una explicacin ms detallada de esta situacin
puede encontrarse en los textos de Inferencia Estadstica , en el Captulo de
Anlisis de la Varianza , Clasificacin Simple .
Por las razones antes expuestas, al estimar los parmetros poblacionales es
necesario garantizar que las diferentes muestras fueron tomadas bajo las
mismas condiciones de operacin del proceso, y de all el requisito de que para
81
Ing
o

iniciar el anlisis de capacidad, el diagrama de control debe mostrar la ausencia
de causas asignables.
ESTIMACION DE LOS PARAMETROS DEL PROCESO A PARTIR DEL
GRAFICO DE CONTROL
La capacidad del proceso depende obviamente de las especificaciones, y de los
parmetros poblacionales "" y " " .
Las especificaciones afectan a la capacidad del proceso , pues en la medida en
que sean ms estrechas ms difcil le resultar al proceso cumplirlas , y
viceversa, en la medida en que sean ms amplias , mayor ser la probabilidad
de cumplirlas.
La media poblacional "" afecta la capacidad del proceso (vase Pag. 11) , pues
el porcentaje de piezas que cumplirn con la especificacin no es el mismo en
cuando el proceso est centrado , que en el caso de un proceso con media
desplazada o corrida .
La desviacin tpica poblacional " " , afecta la capacidad del proceso pues
cuanto menor sea su valor, menor ser el margen de variabilidad de las piezas
, y mayor la probabilidad de cumplir con la especificacin, en caso de que el
proceso est centrado.
De lo anterior concluimos entonces que para estimar la capacidad del proceso
hay que comenzar estimando sus parmetros poblacionales "" y " " .
En el Cap. III Pag.49 , vimos como en un Grfico de Control ( X, R) , se puede
utilizar el rango medio " R " como un estimador del parmetro poblacional " "
mediante la expresin:
=
R
d
2

El coeficiente d
2
, depende del tamao de muestra y su valor numrico se
encuentra en el Anexo , en la Tabla de "Constantes para las Grficas de Control"
.
En el caso de un Grfico de Control ( X, S) , la estimacin del parmetro
poblacional " " se hace a partir de la "Desviacin tpica muestral promedio"
designada como "S" , mediante la expresin:
=
R
c
4
.
El valor numrico del coeficiente c
4
, para distintos tamaos de muestra se lee
tambin en la misma Tabla de "Constantes para las Grficas de Control" .
82
Ing
o

El origen de estos coeficientes "d
2
" y "c
4
" , as como la justificacin del mtodo
de estimacin, se encuentra en el Captulo V de Fundamentos Tericos .
En lo que respecta a la estimacin del parmetro poblacional "" , sta se hace
para los dos tipos de diagramas de control, a travs de la "Gran Media" :
= X .
Ejemplo : En el captulo anterior se construy una Grfica de Control ( X, R)
para el peso de las pastillas de una Industria Farmacutica, y se encontr que el
proceso estaba "fuera de control" , pues una de las muestras qued fuera de los
lmites . Una vez hecha la investigacin de rigor , y bajo el supuesto de que se
detect la causa asignable, se procedi a recalcular los nuevos lmites de control
. Para el proceso bajo control : X = 4.98 , R = 0.31

En la Tabla de Constantes para las Grficas de Control , se encuentra que para
un tamao de subgrupos de n=5 , d
2
= 2.326 , y por tanto los parmetros

estimados del proceso son :
= 4.98 ,
=
0 31
2326
.
.
= 0.1333

Ejemplo : En el capitulo anterior se construy una Grfica de Control ( X, S) para
el contenido de unas latas de pur de tomate.
Para el proceso bajo control : X = 530.85 , S = 4.65

En la Tabla de Constantes para las Grficas de Control , se encuentra que para
un tamao de subgrupos de n=10 , c
4
= 0.9727 , y por tanto los parmetros

estimados del proceso son :
= 530.85 ,
=
4 65
0 9727
.
.
= 4.78.

Ejemplos Propuestos :
1) A partir de muchas muestras de seis soldaduras cada una, se determin que
el rango medio de las resistencias al esfuerzo cortante de un cierto tipo de
soldadura por puntos, fue de R = 35 kN/m
2
.
a) Establezca los lmites de control para el rango.
b) Suponiendo que el proceso est bajo control , estime la desviacin tpica del
proceso .
Solucin: a ) [ 7.4 ; 77.7 ] b)
=13.81
83
Ing
o

2) El dimetro de unos vstagos va a ser controlado mediante el uso de un
diagrama ( X, S).
Se tomaron 25 muestras de tamao 10 cada una, se computaron los valores de
X y S para cada una de ellas, y se obtuvo : X
i
i
i
1
25
= 615.6 ; S
i
i
i
1
25
= 8.60 .
a) Calcule los lmites de control .
b) Suponiendo que el proceso se encuentra bajo control , estime sus parmetros
.
Solucin : a ) Lmites para X : [ 24.29 ; 24.96 ] . Para S : [0.10 ; 0.59]
b)
= 24.62 ;
= 0.35 .

ANALISIS DE LAS ESPECIFICACIONES
Una vez que el proceso se encuentra bajo control , y que sus parmetros han
sido estimados, por el procedimiento explicado anteriormente , el paso siguiente
es comparar el resultado de esta estimacin con las especificaciones .
Antes de hacer este anlisis de especificaciones es conveniente revisar algunos
conceptos previos , muchos de los cuales ya han sido mencionados a lo largo de
esta obra , pero que dada su importancia es necesario volver sobre ellos, a fin
de evitar falsas interpretaciones .
Se llama especificacin al valor numrico que una cierta caracterstica de
calidad debe cumplir , para que se considere al producto como satisfactorio .
Generalmente las especificaciones son bilaterales, es decir, que establecen dos
lmites ; as por ejemplo , cuando decimos que el dimetro de un eje debe
cumplir con la especificacin (12.00 0.25 ) mm , esto significa que para que el
eje sea aceptable su dimetro debe caer en el intervalo [11.75 ; 12.25 ] mm.
En algunos otros casos , la especificacin puede ser unilateral, como es por
ejemplo, la que se refiere a la resistencia mnima que debe tener un material.
El concepto ms importante con relacin a una especificacin, es que los
valores que ella establece se aplican para cada pieza individualmente, y no al
promedio de una muestra o subgrupo .
84
Ing
o

As por ejemplo , si una muestra de 4 ejes arroja un dimetro medio de por
ejemplo 12.10 mm ; esto no significa que ni que la muestra cumple con la
especificacin , ni que los 4 ejes la cumplen .
Por el contrario, es posible que ninguna de los 4 ejes cumpla con la
especificacin , como sera por ejemplo el caso de una muestra con dimetros
de 11.70 , 11.72 , 12.40 y 12.58 , en donde ninguno cae en el intervalo
requerido por la especificacin , y la media muestral s.
Para los estadsticos muestrales, como la media, el rango, etc., aplican los
lmites de control, y jams los lmites de especificacin .
La situacin anteriormente descrita es una fuente enorme de confusin , cuando
se utilizan grficas de control en operaciones de produccin , pues muchas
veces se cree que los lmites de control son los mismos lmites de
especificacin.
Por esta razn , no es recomendable trazar las especificaciones sobre la grfica
de control para " X " , pues existe una tendencia natural a comparar el promedio
del subgrupo con los lmites de especificacin individuales.
Otra mala interpretacin opuesta a la anterior, es comparar el valor individual
con los lmites de control para la media , y pensar que existen problemas
cuando uno de esos valores individuales cae fuera de los lmites para la media .
Otro concepto que suele crear confusin, es el que se refiere a que un proceso
bajo control puede producir piezas que no cumplan con la especificacin , pues
si su media no est correctamente centrada , o si su desviacin es considerable
, un porcentaje importante de la produccin puede salirse de la especificacin .
El personal no familiarizado con estos conceptos puede inclusive llegar a sentir
frustraciones al preguntarse : Para qu usar estas grficas que me indican que
el proceso est bajo control , y sin embargo obtengo un porcentaje apreciable de
piezas defectuosas ? .
El Dr. W. Edwards Deming , en su libro " Calidad , Productividad y
Competitividad. La salida de la crisis " Cap.11 , da numerosos ejemplos sobre
falacias en la interpretacin de las Grficas de Control , y dice textualmente en la
Pag. 259 : Los lmites de la especificacin no son lmites de actuacin. De hecho,
tienen lugar grandes prdidas cuando un proceso se est ajustando continuamente en un
sentido y luego en otro, para cumplir las especificaciones . Curiosamente un proceso
puede que est en control estadstico, y est produciendo el 10% de artculos defectuosos,
y hasta incluso el 100% .
85
Ing
o

De todo lo anteriormente expuesto, debemos estar claros entonces que el
objetivo fundamental del Grfico de Control es el conocimiento del proceso bajo
condiciones estables de operacin , y que el anlisis de especificaciones y
posteriormente el estudio de capacidad , constituyen la herramienta para
determinar si el proceso puede o no cumplir las especificaciones .
Para iniciar el anlisis de especificaciones , debemos establecer los lmites
naturales de variacin del proceso, que como sabemos de las propiedades de la
distribucin normal son 3 .
Obsrvese que estos lmites corresponden a cada pieza individualmente , y por
tanto son comparables con las especificaciones que tambin aplican para la
pieza individual .
En nuestro caso , los parmetros "" y " " han sido estimados por el
procedimiento sealado en la Pgina 64 , y tenemos entonces:
L.N.I = Lmite natural inferior estimado del proceso =
- 3
.
L.N.S = Lmite natural superior estimado del proceso =
+ 3
.
L
I
= Lmite inferior de especificacin ( Fijado externamente por las normas)
L
S
= Lmite superior de especificacin ( Fijado externamente por las normas)
Hecha la estimacin de los lmites naturales de variacin para el proceso, se
pueden presentar las siguientes situaciones al compararlos con las
especificaciones:
Situacin N 1 : El intervalo de variacin natural del proceso est incluido en el
intervalo definido por las especificaciones , es decir :
[ L.N.I ; L.N.S ] [ L
I
; L
S
]
Esta situacin es obviamente la ideal , y es la que identifica a un Proceso
Capaz, pues aqu el proceso puede cmodamente cumplir con las
especificaciones , y no habr prcticamente piezas defectuosas.
En esta situacin no necesariamente el proceso est centrado.
86
Ing
o

De darse este caso , la nica recomendacin que se podra hacer es la de tratar
de centrar el proceso, a fin de minimizar el riesgo de que por algn desajuste
tanto en la media como en la desviacin, se produzcan defectuosas.
Situacin N2 : Las especificaciones estn incluidas dentro del intervalo de
variacin natural del proceso , es decir: [ L
I
; L
S
] [ L.N.I ; L.N.S ]
Este es el caso de un proceso no capaz, en donde las especificaciones resultan
demasiado estrictas para su precisin, y por ms esfuerzos de control que se
hagan , el proceso va a producir un porcentaje apreciable de piezas defectuosas
.

De encontrarse este caso , centrarlo no basta y las recomendaciones deben ser
radicales , tales como cambiar las maquinarias por otras ms precisas , entrenar
mejor al personal , o negociar un cambio en las especificaciones por otras ms
amplias, pues al proceso le resulta imposible cumplir a cabalidad con las
actuales.
Situacin N3 : Ninguno de los dos intervalos est incluido dentro del otro.

87
Ing
o

Las piezas conformes son las que se encuentran en la interseccin de ambos
intervalos .
Un caso extremo de esta situacin es aquella en donde la interseccin de los
dos intervalos es vaca , y por tanto el 100% de la produccin ser defectuosa.

Tal situacin es a la que se refera el Dr. Deming, acerca de como un proceso
bajo control estadstico puede incluso llegar a producir el 100% de piezas
defectuosas , e ilustra el concepto del porque tener al proceso bajo control no
puede constituir por s solo una meta .
Un corrimiento significativo en la media del proceso en una u otra direccin es la
causa de esta situacin N3 , y el proceso puede ser mejorado de efectuarse los
ajustes necesarios para centrarlo .
Una vez centrado , el proceso pasar a producir con aproximadamente el 100%
de piezas correctas , en caso de que 6 L
S
- L
I
( Situacin N 1, Proceso
Capaz), o pasar a producir con un porcentaje menor que el actual de piezas
defectuosas (Situacin N 2, Proceso no Capaz) , en caso de que 6 > L
S
- L
I
.

ESTIMACION DEL PORCENTAJE DE DEFECTUOSOS
Una buena manera de complementar el Anlisis de Especificaciones , es estimar
para las condiciones actuales de operacin del proceso ,el porcentaje de piezas
defectuosas que produce .
Para realizar dicha estimacin solo se necesitan los parmetros estimados del
proceso , las especificaciones , y las tablas normales explicadas en el primer
captulo.
Ejemplo : Se toman muestras de 4 artculos de un cierto proceso de manufactura
a intervalos regulares , y se mide una cierta caracterstica de calidad . Para cada
88
Ing
o

muestra se calcula se calcula su media X , y su rango R . Despus de 25
muestras se tiene : X
i
i
i
1
25
= 15350 R
i
i
i
1
25
= 411,40 .
a) Encuentre los lmites de control .
b) Suponiendo que el proceso esta bajo control estadstico , y que las
especificaciones de esta caracterstica de calidad son 610 15 .
Estime el porcentaje de artculos fuera de especificacin, para las condiciones
actuales de operacin .
c) Qu porcentaje de artculos se esperara encontrar fuera de especificacin ,
si el proceso estuviese centrado ? .
Solucin : a) Para encontrar los lmites de control , comenzamos por calcular la
"Gran Media" , y el " Rango Medio " :
X =
15350
25
= 614.00 ; R =
41140
25
.
= 16.46
Para un tamao de subgrupo n=4 , encontramos que las constantes para las
grficas de control ( X , R ) son : A
2
= 0.729 , D
3
=0 , D
4
= 2.282 , y por tanto los
lmites de control son :
UCL . .
X
= X + A
2
R = 614.00 + 0.729 ( 16.46 ) = 626.00
L CL . .
X
= X - A
2
R = 614.00 - 0.729 ( 16.46 ) = 602.00
UCL
R
. . = D
4
R = 2.282 ( 16.46 ) = 37.56

L CL
R
. . = D
3
R = 0
U.C.L
R
= D
4
R = 2.282 ( 16.46 ) = 37.56
L.C.L
R
= D
3
R = 0

b) Una vez encontrados los lmites de control , procedemos a estimar los
parmetros del proceso, teniendo en cuenta que:
= X = 614.00 ;
=
R
d
2
=
16.46
2.059
= 7.99
89
Ing
o

Ntese que estamos en presencia de la Situacin N2 , pues los lmites
naturales de variacin del proceso son:
L.N.I = 614 .00 - 3 ( 7.99 ) = 590.03 ; L.N.S = 614.00 + 3 ( 7.99 ) = 637.97
mientras que L
I
= 595 .00 ; L
S
= 625.00
El intervalo dado por las especificaciones [ 595.00 ; 625.00 ] est incluido en el
intervalo natural de variacin del proceso [ 590.03 ; 637.97 ] , el proceso no es
capaz , y en consecuencia habr un cierto porcentaje de piezas fuera de
especificacin .

Para estimar este porcentaje de piezas defectuosas utilizamos las tablas
normales , los parmetros estimados , y obtenemos:
X = Valor numrico de la caracterstica de calidad N ( 614.00 ; 7.99
2
)
P( X < 595) = P( Z <
595- 614
7.99
) = P ( Z < -2.38) = ( -2.38) = 0.0087
P ( 595 X 625 ) = P (
595- 614
7.99
Z
625 614
7 99 .
) = P ( -2.38 Z 1.38) =
(1.38) - (-2.38) = 0.9162 - 0.0087 = 0.9075

P ( X > 625) = P (Z >
625 614
7 99 .
) = P ( Z > 1.38) = 1 - (1.38) = 0.0838
De acuerdo con estas estimaciones de probabilidad, bajo las condiciones
actuales de operacin, el 90.75% de la produccin cumple con las
especificaciones, y la diferencia 9.25% es defectuosa ( 0.87 % por debajo del
lmite inferior de especificacin y 8.38% por encima del superior ) .

90
Ing
o

c) Como este proceso no es capaz, aunque se centre siempre existir un
porcentaje apreciable de defectuosas , y para estimarlo basta calcular la
probabilidad de encontrarse fuera de especificacin con = 610 ( punto medio) ,
y con = 7.99.
Esta suposicin de que = 7.99 para el proceso centrado, es perfectamente
legtima, pues como sabemos el valor de " " , es el reflejo de la accin de la
causas comunes , y estas seguirn actuando aunque se centre el proceso , a
menos que se tomen medidas radicales tales como cambiar la maquinaria, etc.
P ( 595 X 625 ) = P (
595- 610
7.99
Z
625 610
7 99 .
) = P ( -1.88 Z 1.88) =
D(1.88) = 0.9399 ( Por ser un intervalo simtrico) = 93.99 % conformes .

El porcentaje estimado de piezas defectuosas , como consecuencia de centrar
el proceso se reduce entonces a 6.01% .
Por no ser el proceso capaz este porcentaje no se puede reducido mas , a
menos que se tomen medidas que logren disminuir su variabilidad .
Estas medidas son bsicamente las consagradas en algunas de las
recomendaciones de Demig tales como :
a) Implantar un programa vigoroso de educacin y automejora .
b) Evitar la relacin con varios proveedores a fin de reducir la variabilidad entre
las materias primas.
c) Evitar diferencias entre las maquinaras , y procedimientos .
Ejercicios Propuestos:
1) Para elaborar un grfico de control ( X , R ) se tomaron 30 muestras cada
una de tamao 4 , de una soldadura por puntos . Se midi la resistencia al
esfuerzo cortante, y para cada una de las 30 muestras se calcul su media y su
rango , encontrndose : X
i
i
i
1
30
= 15450 N , R
i
i
i
1
30
= 1206 N.
Suponiendo que el proceso est bajo control, determine:
a) Los lmites para el grfico ( X , R ).
b) La desviacin tpica estimada del proceso .
91
Ing
o

c) Si la especificacin establece que la resistencia mnima de la soldadura por
puntos es de 400 N . Qu porcentaje de las soldaduras cumple con esa
especificacin mnima ? .
Solucin : a) Para X : [485.69 ; 544.31] , Para R : [ 0 ; 91.74 ] . b) 19.52
c) 100% . El proceso es capaz
2) Se toman muestras de tamao 6 de un proceso de manufactura, a intervalos
regulares de tiempo. Se mide una caracterstica de calidad , distribuida
normalmente, y se calcula el valor de x y S para cada muestra.
Despus de analizar 50 subgrupos , se tiene que: X
i
i
i
1
50
= 1000 , S
i
i
i
1
50
= 75 .
a) Calcule los lmites de control para el diagrama ( X , S ).
b) Suponiendo que todos los puntos en ambas grficas , caen entre los lmites
de control , cuales son los lmites naturales de variacin del proceso ? .
c) Si las especificaciones son 19.0 4.0 . Cual es su conclusin acerca de la
capacidad del proceso , para producir artculos conformes a estas
especificaciones ? .
d) Suponiendo que se puede retrabajar un artculo que exceda el lmite superior ,
mientras que si se encuentra por debajo del lmite inferior hay que rechazarlo,
qu porcentaje estimado de artculos de recuperacin y de rechazo produce
actualmente el proceso ? .
e) Si el proceso se centrara en = 19.0 , cual sera el efecto en el porcentaje
de artculos para recuperacin y rechazo ? .
Solucin: a) Para X : [18.07 ; 21.93] , Para S : [0.045 ; 2.955] . b) [ 15.27 ;
24.73] c) No es capaz . d) Recuperacin: 2.87 % . Rechazo: 0% . e) 0.57%
cada una .

ESTIMACION DE LA CAPACIDAD DEL PROCESO
El concepto de "Proceso Capaz" ya ha sido explicado ampliamente en las
secciones precedentes , y tambin en el Captulo I ; el problema que se
analizara ahora , es el de cmo medir dicha capacidad .
92
Ing
o

La medicin de la capacidad es importante pues en definitiva sta ser la
herramienta que permitir evaluar el proceso en una auditora de calidad , y
servir tambin para comparar el proceso evaluado con otros procesos
similares, a fin de decidir cul de ellos presenta una mejor disposicin para el
cumplimiento de las especificaciones , y en consecuencia una mejor calidad.
La capacidad del proceso se suele evaluar mediante un coeficiente llamado
"Razn o Coeficiente de capacidad del proceso " , el cual cuando toma un valor
igual o mayor que 1 , indica que el proceso es capaz.
Para estimar este coeficiente hay que distinguir dos casos:
Caso N 1 : Proceso Centrado .
Este caso ya fue definido en la Pgina N 14 , y viene dado por:

C
P
=
L L
s i
6
=
Tolerancia
6

Para este caso , de proceso centrado , este coeficiente se suele llamar
"Coeficiente de capacidad bsica o potencial del proceso " , pues la
condicin de proceso centrado representa su estado ptimo de operacin , en lo
que a porcentaje de piezas conformes se refiere .
En efecto , en el Captulo de Fundamentos Tericos se demostrar el siguiente
teorema:
" Dada una Distribucin Normal con desviacin tpica " " , y un intervalo fijo [a,b] , el
rea bajo la curva en el intervalo ser mxima cuando la media de la distribucin
coincida con el punto medio del intervalo " .
Grficamente, la situacin es la siguiente:

93
Ing
o

Este teorema aplicado al caso en que el intervalo fijo [ a , b ] es el intervalo dado
por las especificaciones [ L
I
, L
S
] , trae como consecuencia que para un proceso
centrado el porcentaje de piezas conformes es mximo .
Cuando el proceso es capaz, este porcentaje mximo de piezas conformes es
aproximadamente el 100% , pero cuando no es capaz no alcanza el 100% ,y
lamentablemente el proceso no puede ser mejorado , a menos que se logre una
ampliacin en las especificaciones , o una reduccin en " ", con las
consecuentes inversiones de capital que esta reduccin acarrea .
Por las consideraciones anteriores , "C
P
" "Coeficiente de capacidad bsica del
proceso " representa tambin la capacidad potencial o mxima del proceso , y si
C
P
< 1 , no es posible garantizar que la totalidad de las piezas producidas
satisfacen la especificacin .
El coeficiente "C
P
" tiene tambin otra interpretacin muy importante, pues su
inverso
1
100%
C
p
representa el porcentaje de la banda de tolerancia que
abarca los lmites naturales de variacin del proceso, cuando ste est centrado.
As por ejemplo C
P
= 1. 40 , se interpreta en primer lugar como una medida de
que el proceso es capaz en caso de que est centrado , y en segundo lugar,
calculando su inverso expresado en porcentaje
1
140
100%
.
= 71,43 % , puede
ser interpretado como que los lmites naturales de variacin del proceso
[ - 3 ; + 3 ] representan el 71.43 % de los lmites de especificacin .
Evidentemente cuando C
P
< 1 , su inverso expresado en porcentaje es mayor
que el 100% , y esto se interpreta como que los lmites naturales de variacin del
proceso son ms amplios que los lmites de especificacin , y en consecuencia
el proceso no puede cumplirlas a cabalidad .
La estimacin de "C
P
" se hace a partir de la estimacin de " " de la grfica
bajo control; y obtenemos que para un grfico ( X , R ) :
C
L L
R
d
p
s i
6
2

En caso de haber utilizado un grfico ( X , S ):
C
L L
S
c
p
s i
6
4

94
Ing
o

A partir del valor estimado de "C
P
" , y con la ayuda de las tablas normales, se
puede estimar el nmero esperado de piezas defectuosas que producir el
proceso , segn la siguiente tabla:

NUMERO ESPERADO DE PIEZAS DEFECTUOSAS POR CADA MILLON DE PIEZAS PRODUCIDAS

Valor de Cp ESPECIFICACIONES UNILATERALES ESPECIFICACIONES BILATERALES
0,50 66.800,00 133.600,00
0,75 12.200,00 24.400,00
1,00 1.350,00 2.700,00
1,10 483,00 966,00
1,20 159,00 318,00
1,30 48,00 96,00
1,40 13,00 26,00
1,50 3,40 6,80
1,60 0,80 1,60
1,70 0,17 0,34
1,80 0,03 0,06
2,00 0,0009 0,0018

Caso N 2 : Proceso no centrado .
Cuando el proceso no est centrado, el porcentaje de piezas conformes no es
mximo , pero esto no implica que el proceso no sea capaz , pues puede
suceder que las especificaciones le resulten tan amplias que a pesar del
corrimiento de la media , la casi totalidad de las piezas caigan dentro de la
especificacin .
Tal situacin se muestra en la siguiente figura :

95
Ing
o

Cuando

el coeficiente de capacidad se calcula para un proceso no centrado se
designa por "C
PK
"

,

y

recibe el nombre de "Coeficiente de Capacidad Real" ,
pues refleja las condiciones reales de operacin ; mientras que el anterior "C
P
"
es para la condicin ideal de proceso centrado.
Para estimar "C
PK
"

, es necesario identificar primero si la media del proceso
est corrida hacia la izquierda o hacia la derecha , y para ello es hay que
calcular las diferencias " - L
I
" , y "L
S
- " .
La menor de tales diferencias indica respectivamente la direccin del corrimiento
de la media del proceso , pues evidentemente cuando se produce un corrimiento
hacia la derecha entonces la media del proceso est ms cerca del lmite
superior de especificacin que del lmite inferior ; y viceversa .
Si la menor de las diferencias es " - L
I
", la media est corrida hacia la izquierda,
y de resultar "L
S
- " la menor , entonces el corrimiento es a la derecha .
Para que el proceso sea capaz en este caso no centrado, la distancia de la
media del proceso a su lmite ms cercano de especificacin debe ser mayor
que 3 , pues de no ser as , habr un cierto porcentaje de piezas fuera de
especificacin.
El coeficiente de capacidad real del proceso , se define por la siguiente
expresin:
C
PK
= mnimo entre
L L
s i
3 3
;
-

tambin se puede escribir en funcin de los valores tipificados correspondientes
a los lmites de especificacin , y queda :

C
PK
=
1
3
del menor valor entre { z
1
, z
2
]
96
Ing
o

Siendo : z
1
=
- L
i
; z
2
=
L
s

La interpretacin que tiene este coeficiente es similar al del caso centrado , ya
que cuando C
PK
< 1 , esto significa que la media del proceso se encuentra a
menos de tres desviaciones tpicas del lmite de especificacin ms cercano, y
por tanto el proceso no es capaz .
Entre los coeficientes C
P
y C
PK
, existe una relacin matemtica dada por:
C
PK
= C
P
( 1 - k ) ( Vase Cap. V: Justificacin Terica )
Siendo "k" un parmetro que se define como "ndice de localizacin " , cuyo
valor depende del corrimiento que haya sufrido la media del proceso .
El clculo de "k" se hace a travs de las expresin : k =
2
T

= Corrimiento de la media = -
0

0
= Punto central de la especificacin

= Media verdadera del proceso .
T = Tolerancia = L
S
- L
I

El ndice de localizacin "k" es una medida relativa del corrimiento, debido a que
compara el corrimiento " " , con el radio de especificacin "
1
2
T " .
Valores de "k" cercanos a cero indican que el proceso presenta un corrimiento
relativo leve , y para ellos C
PK
C
P

, mientras que a medida que el corrimiento
se acenta , se obtendr un valor de C
PK
significativamente menor que el de C
P
.
Valores de "k" cercanos a "1' indican un fuerte corrimiento, y que la media est
muy cercana a uno de los extremos de especificacin.
97
Ing
o

Como C
PK
C
p
, un valor de C
PK
< 1 , con uno de C
P
1 , indica que el proceso
no es capaz bajo las condiciones actuales de operacin porque la media esta
muy corrida , pero que de tomarse las medidas correctivas necesarias para
centrarlo, el proceso llegar a ser capaz.
Esta es la gran diferencia entre estos dos coeficientes, "C
P
" representa el valor
mximo de la capacidad del proceso y no puede ser mejorado a menos que se
apliquen medidas radicales o se cambien las especificaciones; mientras que
"C
PK
" es una medida de la capacidad actual , susceptible de mejoras con
simples ajustes a las maquinarias que centren el proceso.
Es importante destacar que el ndice C
PK
puede incluso llegar a ser cero o
negativo.
En efecto , si la media del proceso coincide con uno de los lmites de
especificacin, entonces C
PK
= 0 , y en este caso el porcentaje de defectuoso es
de aproximadamente 50% , la como se puede apreciar el la grfica siguiente:

Dado que : C
PK
= mnimo entre
L L
s i
3 3
;
-
; Si = L
S
C
PK
=

0
Cuando C
PK
resulta negativo , la interpretacin es que la media del proceso se
ha corrido tanto , que se ha llegado a colocar fuera de los lmites de
especificacin, y en este caso, ms del 50% de la piezas resultan defectuosa, tal
como puede verse en la grfica a continuacin :

98
Ing
o

Dado que : C
PK
= mnimo entre
L L
s i
3 3
;
-
; Si > L
S
C
PK
<

0
Como los parmetros del proceso son desconocidos , el verdadero valor de C
PK

es desconocido , y puede ser estimado a partir de la estimacin de los
parmetros del proceso .
Para un proceso bajo control con un grfico ( X , R ) tenemos:

C
PK
= Mnimo valor entre
L
R
d
L
R
d
I S
2 2
X

;
X -
3

3

mientras que para un proceso bajo control con un grfico ( X , S ) :

C
PK
= Mnimo valor entre
X

;
X -
3

S
4 4
L
S
c
L
S
c
I
3

Algunos textos y programas de computacin hacen la distincin entre un C
PK

para el lmite inferior , y otro C
PK
para el lmite superior , los definen como C
PKI
y
C
PKS
respectivamente, y luego definen el Coeficiente de Capacidad Real C
PK
para el proceso como el menor valor entre los dos, lo cual es obviamente
equivalente a lo anterior.
En el caso de especificaciones unilaterales , no es aplicable el concepto de
Proceso Centrado , y resulta obvio que a medida que la media del proceso se
aleje en sentido contrario del lmite nico de especificacin, el proceso es ms
capaz, pues el porcentaje de defectuosas disminuye, tal como se muestra en la
figura siguiente para la situacin de una sola especificacin inferior:

99
Ing
o

La capacidad potencial "C
P
" no existe en estos casos , debido a que no hay un
valor mximo para la capacidad del proceso . Cuanto ms se aleje la media del
proceso del lmite nico de especificacin , mayor ser su capacidad .
Para calcular la Capacidad real "C
PK
", solo interesa la distancia de la media al
nico lmite de especificacin existente, la cual debe ser mayor que " 3 ", para
que el proceso sea considerado capaz .
C
PK
=
L
s
3
( Solo la especificacin superior)
C
PK
=
L
I
3
( Solo la especificacin inferior )

La estimacin de la capacidad del proceso se hace al igual que antes , a partir
de los parmetros estimados del proceso bajo control .

Con relacin al valor mnimo que pueden tomar estos coeficientes para los fines
de aprobacin de una auditora de calidad , es conveniente aclarar que la Norma
ISO - 9000 es muy general y no los establece ; solamente consagra la
conveniencia de que el proceso de produccin sea capaz . ( Vase en la
"Introduccin" , el texto exacto de la norma. ) .Sin embargo , algunos autores ,
tales como Douglas C. Montgomery en su texto "Control Estadstico de Calidad "
del Grupo Editorial Iberoamericana, Pag. 242, recomienda algunos valores
mnimos para el coeficiente "C
PK
" , en funcin del tipo de proceso , y de la
incidencia que tenga la caracterstica de calidad en la seguridad del usuario o en
la calidad del producto terminado.
Los valores mnimos para "C
PK
" , recomendados por el Dr. Douglas Montgomery
son
ESPECIFICACIONES
BILATERALES
ESPECIFICACIONES
UNILATERALES
Procesos existentes 1.33 1.25
Procesos nuevos 1.50 1.45
Parmetro de seguridad, de
resistencia, o crtico del proceso
existente.

1.50

1.45
Parmetro de seguridad, de
resistencia, o crtico del proceso
nuevo

1.67

1.60
100
Ing
o

Se entiende por caracterstica de seguridad aquella cuya falta de cumplimiento
pueda ocasionar daos fsicos al usuario tales como por ejemplo , la resistencia
de un material .
Se entiende por parmetro crtico aquel cuya falta de cumplimiento ocasiona que
el producto terminado sea declarado como inservible .
El valor C
P
= 1.33 corresponde a un proceso centrado con lmites de
especificacin de 4 , mientras que el de C
P
= 1.67 para 5 .
Ejemplo : Un dado de extrusin se emplea para producir barras de aluminio . El
dimetro de las barras es una caracterstica de calidad crtica , que debe
encontrarse dentro de las especificaciones ( 0.5035 0.0010 ) pulgadas.
Se toman 20 muestras de 5 barras cada una , y se les calcula su media y su
rango muestral .
Los valores dados en la tabla siguiente son los tres ltimos dgitos de las
mediciones ; esto es, 34.2 se lee como 0.50342
Muestra 1 2 3 4 5 6 7 8 9 10
X 34.2 31.6 31.8 33.4 35.0 32.1 32.6 33.8 34.8 38.6
R 3 4 4 5 4 2 7 9 10 4

Muestra 11 12 13 14 15 16 17 18 19 20
X 35.4 34.0 36.0 37.2 35.2 33.4 35.0 34.4 33.9 34.0
R 8 6 4 7 3 10 4 7 8 4
a) Establezca los diagramas ( X , R ) , revisando los lmites de control tentativos
si es necesario , suponiendo que pueden encontrarse causas asignables .
b) Calcule los coeficientes C
P
y C
PK
, e interprete el resultado.
c) Estime el porcentaje de defectuosos que est produciendo el proceso.
Solucin : a) X = 34.32 , R = 5.65
Los lmites de control tentativos son: UCL
X
. . = 34.32 + 0.577 ( 5.65 ) = 37.58
Lnea Central: X = 34.32
101
Ing
o

L C L
X
. . = 34.32 - 0.577 ( 5.65 ) = 31.06
U.C.L
R
= 2.114 (5,65 ) = 11.94
Lnea Central R = 5,65
L.C.L
R
= 0

La muestra N 10 est fuera de control para X .
Suponiendo que fueron encontradas las causas asignables , la muestra N 10
puede ser eliminada , y resulta: X = 34.09 ; R = 5.74

Eliminada la muestra N 10 , los lmites de control revisados pasan a ser:

UCL
X
. . = 34.09 + 0.577 ( 5.74 ) = 37.40
Lnea Central: X = 34.09
L C L
X
. . = 34.09 - 0.577 ( 5.65 ) = 30.83
U.C.L
R
= 2,114 ( 5,74 ) = 12.13
Lnea Central R = 5.74
L.C.L
R
= 0
El proceso queda bajo control
b) Los parmetros estimados del proceso son :
X = 34.09 ;
=
574
2326
.
.
=
2.47

C
P = =
45 0 25 0
6 2 47
. .
( . )
= 1.35 El proceso es potencialmente capaz .
Sin embargo, como
= 34.09 , y el punto central de la especificacin es 35.0, el

proceso est corrido hacia la izquierda.
Los coeficientes de capacidad real estimados son:
102
Ing
o

C
pkI
=
X L
I
3
=
34 09 25
3
.
(2.47)
= 1.23 ;
C
pks
=
L
S
X
3
=
45 34 09
3
.
(2.47)
= 1.47
C
PK
= Menor valor entre { 1.23 ; 1.47 } = 1.23 A pesar de estar la media
corrida hacia la izquierda , la especificaciones le resultan tan cmodas , que el
proceso sigue siendo capaz.
Otra manera de estimar a C
PK
, es mediante el ndice de localizacin:
Para nuestro caso , se tiene:
T = L
S
- L
I
= 45.0 -25.0 = 20.0
= X
0
= 34.09 - 35.0 = 0.91
K =
2
T
=
2
20 0
(0.91)
.
= 0.091
El ndice de localizacin resulta ser 0.091 9.1 % , lo que se interpreta como
una relacin entre el corrimiento de la media con el radio de la especificacin .
No existen normas acerca de los valores permisibles para este ndice de
localizacin, entre otras razones porque su incidencia en la capacidad real del
proceso depende de su capacidad potencial "Cp" , de manera que un valor de
k=0.091 , puede interpretarse como descentralizacin no influyente cuando C
P

es mucho mayor que 1 como este caso, pero muy influyente en la Capacidad
real si
C
P
1.

Una vez calculado "k" , se tiene : C
PK
= C
P
( 1- k) = 1.35 ( 1 - 0.091) = 1.23
lo que coincide con la estimacin realizada por el otro mtodo .
c) En cuanto a la estimacin del porcentaje de piezas defectuosas que
actualmente est produciendo el proceso , tenemos que el porcentaje de piezas
conformes es:
P ( 25 X 45 ) = P (
25 34 09
247
.
.
Z
45 34 09
247
.
.
) = P ( -3.68 Z 4.42)
= ( 4.42 ) - ( -3.68) = 0.99988
P ( defectuosas) = 1 - 0.99988 = 0.00012 = 0.012 % .

103
Ing
o

El porcentaje estimado de piezas defectuosas da evidentemente insignificante ,
pues el proceso result capaz ; pero podra reducirse an ms si se centrara .

EJERCICIOS PROPUESTOS :
1) Veinticinco muestras de tamao 5 cada una , se extraen de un proceso a
intervalos regulares, y se obtienen los siguientes datos:
X
i
i
i
1
25
= 367.00 ; R
i
i
i
1
25
= 8.60
a) Calcule los lmites de control para el diagrama ( X , R ) .
b) Suponiendo que el proceso est bajo control , y que los lmites de
especificacin son 14.50 0.50 , qu conclusiones se pueden extraer acerca
de la capacidad del proceso, para operar dentro de estas especificaciones ? .
c) Estime el porcentaje de artculos defectuosos que se producirn bajo las
condiciones actuales de operacin.
d) Estime los coeficientes C
P
, C
PK
, y el "ndice de localizacin" . Interprete los
resultados .
Solucin : a) [14.48 ; 14.88] y [ 0 ; 0.73] . c) 1.54 % . d) C
P
= 1.13 ; C
PK
= 0.72 ;
k= 0.36 .
2) Se toman 18 muestras de tamao 10 cada una ,con el propsito de construir
un grfico ( X , S), para controlar el contenido de una cierta sustancia dentro de
unas piezas.
Los resultados obtenidos dan: X
i
i
i
1
18
= 595.8 ; S
i
i
i
1
18
= 8.24 .
a) Encuentre los lmites de control para el grfico ( X , S ) .
b) Si las especificaciones establecen que el contenido mnimo de esta sustancia
debe ser de 33 gramos , estime el porcentaje de piezas que no la cumplen.
c) Calcule el coeficiente C
pk
, e interprete el resultado.
Solucin : a) [ 32.65 ; 33.55 ] y [ 0.13 ; 0.79] b) 41.68% . c) C
PK
= 0.07

104
Ing
o

OTROS METODOS PARA ESTIMAR LA CAPACIDAD DEL PROCESO
A pesar de que la metodologa anteriormente descrita para estimar la capacidad
del proceso es la que ms se utiliza, y es prcticamente la nica que aparece
dispersa en algunos textos de " Control Estadstico de Calidad " , algunos
autores consideran que la misma presenta un punto dbil, cual es el supuesto de
normalidad para las piezas individuales que fabrica el proceso.
En efecto , la distribucin estadstica de la caracterstica de calidad en estudio
para las piezas individuales , se suele llamar en el lxico del "Control Estadstico
de Procesos" , la "Distribucin subyacente " , y en el caso de la teora de los
grficos de control , el supuesto de normalidad para esta distribucin subyacente
es el fundamento para determinar todos los coeficientes A
2
, A
3
, B
3
, B
4
, d
2
, c
4
,
etc. , indispensables para su construccin .
Por otro lado , dado que el grfico de control se aplica para promedios , X , R ,
S , etc., la normalidad de estos promedios no garantiza la normalidad de l as
observaciones individuales, pues en la teora estadstica se estudia un teorema
conocido como " Teorema Central del lmite " , el cual garantiza la normalidad de
los promedios , sea cual fuere la distribucin de las observaciones individuales .
De lo anterior se deduce entonces que la normalidad de la distribucin
subyacente no queda plenamente demostrada a partir de las grficas de control,
y que es necesario demostrarla de una manera ms rigurosa mediante la
aplicacin de las pruebas de ajuste estudiadas en el Cap. II .
Una de las consecuencias de la no normalidad sobre la distribucin subyacente,
es que ya no es vlido el porcentaje de 99.73 % de observaciones individuales
para el intervalo [- 3 ; + 3 ] .
Segn la "Desigualdad de Chebyshev" , para una distribucin subyacente
cualquiera , este porcentaje es de 88.89 % por lo menos:
P ( | X - | 3 ) 1 -
2
2
9
=
8
9
= 88.89 %
En el Cap. V ( Fundamentos Tericos ) , se dan algunos de los resultados
obtenidos por ciertos investigadores, acerca del efecto de la no normalidad
sobre los grficos de control .

105
Ing
o

ESTIMACION DE LA CAPACIDAD A PARTIR DEL HISTOGRAMA
Con el fin de garantizar que la distribucin subyacente sigue realmente una
Distribucin Normal , este mtodo toma un conjunto de observaciones
individuales provenientes del proceso ( 100 por lo menos), las agrupa en
intervalos de clase para construir el histograma , posteriormente les hace una
prueba de normalidad por alguno de los mtodos ya explicados en el Cap.II, y en
caso de que sea aceptada , a partir de all estima su capacidad.
Aparentemente el mtodo tiene la ventaja de garantizar la normalidad , y
adems de hacer una mejor estimacin de los parmetros del proceso , pues
indudablemente una estimacin de " " basada en "S" para 100 observaciones
individuales , es mucho ms confiable que otra estimacin basada en R en
S , para varios subgrupos de un tamao relativamente pequeo .
Sin embargo ,el problema que se presenta ahora es el de cmo garantizar que
estas 100 ms observaciones individuales , han sido tomadas bajo unas
condiciones estables de operacin del proceso ? ; pues si durante el desarrollo
del muestreo aparecen causas asignables , la estimacin de " " que se haga a
partir de ellas no ser realista , la hiptesis de normalidad resultar rechazada ,
la capacidad del proceso resultar subevaluada , y con el agravante de que
aquellas observaciones correspondientes a la accin de las causas asignables
no podrn ser identificadas.
Lamentablemente, sin la ayuda de las grficas de control, no podemos tener una
probabilidad relativamente alta de poder afirmar que el proceso est operando
bajo condiciones estables, y de all que la estimacin de su capacidad no pueda
aislarse de la construccin de tales grficas.
La forma como opera el mtodo es la siguiente :
1) Se procede a tomar una muestra de 100 observaciones individuales como
mnimo del proceso .
La muestra se toma en subgrupos de 4 5 observaciones cada una, a intervalos
de tiempo suficientemente distantes , al igual que como se explic para la
construccin de una grfica ( X , R) , lo que exigir tomar 20 25 subgrupos .
2) Se procede al igual que antes a construir el grfico, y a eliminar aquellas
muestras fuera de control, una vez detectada la causa asignable.
3) Con el proceso bajo control , se toman todas aquellas observaciones
individuales correspondientes a las muestras que no fueron eliminadas sin
106
Ing
o

hacer distincin de subgrupos, y se clasifican en una tabla agrupada de
frecuencias , siguiendo los procedimientos de Estadstica Descriptiva .
Esto garantiza que las observaciones individuales provienen de un proceso
estable, sin la accin aparente de causas asignables .
4) A la tabla agrupada de frecuencias se le dibuja un histograma , y se le
aplican pruebas de normalidad , o papel probabilstico.
5) De resultar afirmativa la prueba de ajuste, se estiman los parmetros del
proceso , a partir de la tabla agrupada de frecuencias.
6) Con los parmetros estimados , se estima el porcentaje de piezas fuera de
especificacin, y los coeficientes de capacidad C
P
y C
PK

.
Ejemplo: Tomemos los datos correspondientes a las 20 muestras de 5 pastillas
del captulo anterior
Estos datos ya fueron analizados, y los parmetros del proceso estimados,

resultando ser = 4.98 , = 0.1333 .
Apliquemos ahora este nuevo mtodo , a fn de obtener una estimacin de los
parmetros del proceso a partir del histograma .
Como la muestra N 7 fue eliminada, los datos quedaron reducidos a 19
muestras de tamao 5 cada una, es decir 95 observaciones.
Estas 95 observaciones se clasifican en una tabla de frecuencias:
Peso 4.5 4.6 4.7 4.8 4.9 5.0 5.1 5.2 5.3
frecuencia
1 1 2 13 20 30 18 7 3

107
Ing
o

Los parmetros estimados resultan ser
=

X = 4.98 ;
= S = 0.1458

A continuacin procedemos a verificar la normalidad de las observaciones
individuales, mediante la aplicacin de la prueba chi - cuadrado de bondad del
ajuste, para lo cual es necesario clasificarlas en intervalos.
Teniendo en cuenta que se trata de una variable continua los lmites reales de
cada observacin son de 0,05.
Posteriormente con las tablas normales se calculan las frecuencias esperadas, y
se procede tal como se explic en el Cap. II , teniendo en cuenta que la hiptesis
a probar es :
H
0
: El peso de una pastilla se ajusta a una Distribucin Normal .
H
1
: El peso de una pastilla no se ajusta a una Distribucin Normal .
Los resultados obtenidos se dan en la tabla a continuacin:
Peso de la Pastilla f
i
p
i
e
i

< 4.75 4 0.0582 5.53
4.75 - 4.85 13 0.1302 12.37
4.85 - 4.95 20 0.2330 22.13
4.95 - 5.05 30 0.2657 25.24
5.05 - 5.15 18 0.1926 18.29

5.15 - 5.25 7

0.0888

8.44

5.25
5.15
3 10 0.0315 =0.1203 2.99
11.43

108
Ing
o

Siguiendo las reglas de la prueba chi- cuadrado (Capitulo II), como el ltimo
intervalo result con una frecuencia esperada menor que 5 , se fundi con el
anterior .

2

( f - e )
i i
2
i=1
i=k
e
i

Para este caso k = 6 , pues al final resultaron 6 intervalos despus de hecha la
fusin de los dos ltimos intervalos.
Hechos los clculos, se obtiene :
2
= 1.74 ; mientras que el valor crtico dado
por la tabla chi cuadrado con 6-1-2= 3 grados de libertad, a un nivel de
significacin del 5% , es :
2
0.05;3
= 7.81 , lo que evidentemente conlleva a la
aceptacin de la hiptesis de que el peso de cada pastilla individualmente sigue
una Distribucin Normal .
Tambin hubiera podido verificarse la normalidad con el papel probabilstico, el
cual hubiera quedado de la siguiente forma:

Una vez verificada la normalidad de los pesos individuales, y con los parmetros
estimados :
= 4.98 ;
= 0.1458 , que result ligeramente mayor que 0.1333,

estimacin a partir de R del grfico de control , se hace el anlisis de
especificaciones y de capacidad , a igual que como se explic en las secciones
respectivas .
109
Ing
o

Es de hacer notar que este mtodo de estimacin de la capacidad del proceso a
partir de su histograma , est muy poco difundido en la Bibliografa de Control
Estadstico de Calidad ; solo aparece tratado de una forma muy breve en los
siguientes textos:
1) Control Estadstico de Calidad . Douglas C. Montgomery
Grupo Editorial Ibero Americana. Mxico
2) Control de Calidad . Bertrand L. Hansen
Editorial Hispano Europea . Barcelona . Espaa
Este ltimo texto lo denomina "Mtodo de la Amplitud Unica" , ya que para
estimar el porcentaje poblacional de piezas dentro de los lmites muestrales,
utiliza el rango o amplitud de la muestra unificada .
En opinin muy personal del autor, las razones que han prevalecido para la
escasa difusin de este mtodo, a pesar de ser muy completo, son las
siguientes:
1) En primer lugar una razn terica, pues el uso de los estimadores
convencionales de "" y de " " supone que las observaciones muestrales son
aleatorias e independientes, y como en ste mtodo las observaciones son
tomadas en subgrupos, es discutible la legitimidad de estos supuestos.
Sin embargo, el supuesto de independencia entre las observaciones tiene cierto
asidero, pues el mtodo exige que el histograma sea construdo para el proceso
bajo control , y con esta exigencia se garantiza que no existan diferencias
significativas entre los distintos subgrupos .
2) En segundo lugar, una razn prctica, pues ste mtodo es mucho ms
laborioso , requiere un mayor conocimiento de los mtodos estadsticos , y al
final arroja la misma estimacin del parmetro "" .
En cuanto a la estimacin de " " , este mtodo dar siempre una estimacin
ligeramente mayor , pues la suma total de cuadrados para las observaciones se
ver ligeramente afectadas por las diferencias poco significativas entre los
subgrupos.
La ventaja de este mtodo con relacin al convencional es la de garantizar con
bastante certeza la normalidad del proceso. El mtodo convencional no la
garantiza, sino que la supone.
110
Ing
o

Posiblemente el lector se preguntar; qu hacer en caso en caso de que la
normalidad resulte rechazada ? .
La respuesta a esta pregunta la dan los mtodos no paramtricos , o libres de
distribucin , que permiten analizar las especificaciones sin la necesidad del
supuesto de normalidad , pero con la desventaja de requerir tamaos de
muestra mayores .
Una informacin ms detallada sobre estos mtodos puede encontrarse en el ya
citado texto del Dr. Douglas Montgomery , Pag. 262 , as como tambin en el
texto "Estadstica para Ingenieros " de los autores Albert Bowker y Gerald
Lieberman , de la Editorial Prentice Hall .
Tambin existe un mtodo conocido como " Lot Plot " , el cual puede ser
aplicado an cuando la distribucin no sea normal . Una explicacin detallada
de este mtodo puede encontrarse en el texto " Control de Calidad y Estadstica
Industrial" del autor Acheson J. Duncan , en el Cap. 23 de "Procesos y
procedimientos especiales " , y que se utiliza principalmente como plan de
muestreo por variables .

INFERENCIAS RELATIVAS A LA CAPACIDAD DEL PROCESO
Hemos visto que la capacidad del proceso se mide a travs de tres indicadores:
El porcentaje de piezas defectuosas que produce , el cual debe ser
prcticamente cero para un proceso capaz , y los dos coeficientes de capacidad,
el potencial "C
P
" y el real "C
PK
" , los cuales deben ser ambos mayores que 1
para un proceso capaz .
A lo largo de este captulo, hemos visto como estimar estos indicadores de la
capacidad del proceso .
Sin embargo, no podemos olvidar que estos procedimientos conducen a
estimaciones puntuales de tales indicadores porque se apoyan en la estimacin
puntual de los parmetros del proceso .
Al ser toda estimacin puntual un valor particular de un estadstico muestral,
esta estimacin estar sujeta a la aleatoriedad de la muestra , y por lo tanto no
se puede afirmar que el valor estimado del parmetro sea exactamente igual al
verdadero valor poblacional.
Hasta el momento , los textos de "Control Estadstico de Calidad" y
presumiblemente las auditoras de calidad , han tratado el problema basados
111
Ing
o

exclusivamente en la estimacin puntual , olvidando por completo que la
estimacin obtenida es en realidad un valor particular de una variable aleatoria ,
y que si se hiciera otra evaluacin de la capacidad a partir de otra muestra , muy
seguramente el resultado sera otro.
Desde un punto de vista estrictamente terico , lo ms correcto sera que la
estimacin de estos indicadores de capacidad se hiciera por intervalos , y que la
decisin relativa a la aprobacin de una auditora de calidad se hiciera mediante
una prueba de hiptesis .
Es decir , que si las normas exigieran por ejemplo , que para un determinado
proceso el valor mnimo del coeficiente de capacidad real debe ser de 1.33 ,
entonces la decisin de aprobacin o improbacin de la capacidad del proceso a
los fines de dar cumplimiento a lo exigido por la Norma ISO - 9000 , se hiciera
mediante la Prueba de Hiptesis:
H
0
: C
PK
1.33 El proceso cumple con la norma.
H
1
: C
PK
< 1.33 El proceso no cumple con la norma.
Hasta la fecha , no ha sido desarrollada una metodologa para probar este tipo
de hiptesis , y segn algunas investigaciones realizadas por el autor , el
problema se encuentra en fase de investigacin .
El problema sera fcil de resolver en caso de que la hiptesis se refiera al
coeficiente de Capacidad Real "C
P
" , y la decisin se tomara en base a una sola
muestra , como por ejemplo la unificada, considerada en el mtodo anterior de
estimacin a partir del histograma .
La prueba de hiptesis: H
0
: C
P
C
P0

H
1
: C
P
< C
P0

se reduce a una prueba unilateral para la varianza , de las ya estudiadas en la
que sera de la forma:
H
L L
C
H
L L
C
S I
p
S I
p
0
0
2
1
0
2
6
6
:
:

-

-

2
2

En cuanto a la estimacin por intervalos para los coeficientes de capacidad , y
para el porcentaje de defectuosos que fabrica el proceso , se presenta el mismo
112
Ing
o

problema , pues hasta la fecha no se ha encontrado la distribucin estadstica de
sus correspondientes estimadores .
Una estimacin por intervalos para "C
P
" en base a una sola muestra , podra ser
obtenida a partir del intervalo de confianza para
2
, que como se sabe de la
Inferencia Estadstica es :
(n -1)S
;
(n -1)S

2
n-1
2
n-1 / ; / ; 2
2
1 2
2
; lo que dara el siguiente
intervalo del (1- ). 100% de confianza para C
P
:

1 2
2
2
2
1 6 1 6
/ ; / ; n-1 n-1
;
n
L -L
S n
L -L
S
S I S I

En donde:
1 2
2
/ ; n-1
= Abscisa que en una Distribucin chi- cuadrado con (n-1)
grados de libertad deja a la derecha un rea "1 -
2
".

/ ; 2
2
n-1
= Abscisa que en una Distribucin chi- cuadrado con (n-1)
grados de libertad deja a la derecha un rea "
2
".

El problema est en que la estimacin de la capacidad del proceso no es
recomendable hacerla en base a una sola muestra por las razones de
estabilidad que ya conocemos ,y por ese motivo las frmulas anteriores no son
aplicables cuando la estimacin de " " se hace a partir del rango medio R , o a
partir de S, segn el grfico de control utilizado, pues se modifican las
condiciones tericas bajo las cuales se obtiene el intervalo de confianza anterior.
113
Ing
o

Por este motivo se hace necesario encontrar la distribucin del estimador de C
P

y de C
PK
, bajo estas nuevas condiciones de estimacin, en base a k
subgrupos de tamao n cada uno.
En el apndice se encuentran unos artculos de aparicin relativamente recente
en revistas especializadas, en donde se aborda el problema.
Uno de los artculos titulados " How Reliable is your Capability Index ?" de A.F
Bissel, enfrenta el problema de la estimacin por intervalos para los coeficientes
de capacidad , mediante la introduccin de dos ndices bsicos que define como:
I=
L L
S I
; I
K
=
L
S
I
K
=
L
I
;y posteriormente analiza el nmero efectivo
de grados de libertad con que se realiza la estimacin, el cual designa por f.

analiza el nmero efectivo de grados de libertad con que se realiza la estimacin
, el cual designa por "f" .
Finalmente , el autor A.F Bissel obtiene unas expresiones aproximadas para el
intervalo de confianza correspondiente a I
K
, a partir del cual se puede obtener el
de C
PK
.
Tambin se incluye en el apndice , otro artculo titulado " Bootstrap Confidence
Interval Estimates of C
PK
. An Introduction ".
Este artculo propone una metodologa para estimar por intervalos al coeficiente
C
PK
, por un mtodo denominado "Bootstrap " , que consiste en tomar una
muestra aleatoria de tamao "n" del proceso , y posteriormente tomar otra
muestra con reemplazamiento , tambin de tamao "n" , pero proveniente de la
muestra original, la cual denomina " muestra bootstrap" .
Como existen n
n
muestras bootstrap posibles , cada una de ellas conduce a un
valor estimado de C
PK
( no necesariamente todos nicos) .
La distribucin de estos valores de C
PK
, depender evidentemente de la muestra
original tomada del proceso, y a partir de all obtiene un intervalo de confianza
para C
PK
, el cual resulta centrado en su valor puntual estimado, y con una
amplitud funcin de la desviacin tpica de estos diferentes valores de C
PK
.
Tambin se incluye en el apndice un programa para obtener el referido
intervalo de confianza para C
PK
, por este mtodo "Bootstrap" .
La estimacin por intervalos tanto para " C
P
" como para " C
PK
" , es sin embargo
demasiado reciente y an no ha sido incorporada en los textos de "Control
Estadstico de Calidad". No es de extraar que un futuro prximo, en las
114
Ing
o

auditoras de calidad se exijan , as como tambin las pruebas de hiptesis para
la verificacin de que el proceso cumple con los requisitos cuantitativos mnimos
de capacidad , que an la norma ISO - 9000 no establece .

RELACION ENTRE LOS LIMITES NATURALES DEL PROCESO Y LOS
LIMITES NATURALES DE SUS COMPONENTES
Es muy frecuente que la capacidad de un proceso resulte errneamente
evaluada porque su lmites naturales de variacin han sido mal establecidos.
En la Pag. 67 vimos que para hacer la evaluacin de la capacidad del proceso
es necesario comparar sus lmites naturales de variacin con las
especificaciones , y que estos lmites naturales se hallan:
L.N.I = - 3 L.N.S = + 3
En algunas oportunidades los lmites naturales de variacin para una variable no
se determinan por la observacin directa de ella, si no indirectamente a travs
de otras , y es muy frecuente que en esa determinacin se cometan errores ,
que luego afecten la evaluacin de la capacidad del proceso
Ejemplos de tales situaciones son las siguientes:
1) Imaginemos que tenemos un envase cilndrico , y que se han determinado
los lmites naturales de variacin para su dimetro y para su altura.
Supongamos que los del dimetro son (10.00 0.25 ) cms , y que los de la
altura son ( 18.00 0.30 ) cms . Cuales son los lmites naturales de variacin
para el volumen del envase ? .
Una persona poco experimentada en el manejo de tcnicas estadsticas hara el
siguiente razonamiento :
La situacin ms desfavorable para el volumen es cuando tanto el dimetro
como la altura estn en el lmite natural inferior , es decir 9.75 cms y 17.70 cms
respectivamente , y teniendo en cuenta que V= r
2
h , el mnimo volumen para el
envase es 1.312,52 cm
3
, y luego hara un razonamiento similar para el mximo ,
con un dimetro de 10.25 cms y una altura de 18.30 cms , obteniendo un lmite
natural superior para el volumen de 1.510,04 cm
3
.
Tal razonamiento aparentemente lgico, es incorrecto desde el punto de vista
estadstico, por la siguiente razn :
115
Ing
o

Los lmites naturales de variacin para cada variable, se dan para un 99% de
probabilidad de cobertura , de manera que obtener un envase que tenga ambas
dimensiones dimetro y altura por debajo o por encima de su respectivo lmite
natural de variacin , tiene una probabilidad muy inferior al 1% ; suponiendo
independencia entre ambas variables esta probabilidad sera : 2x0.005 x 0.005 =
5 x 10
-5
.
El intervalo calculado [ 1.312 , 52 ; 1.510, 04 ] , es en consecuencia mucho ms
amplio que el intervalo natural de variacin para el volumen .
2) Otra situacin similar a la anterior se presenta cuando en un proceso hay que
mezclar diversos ingredientes . Supongamos que en una determinada etapa del
proceso hay que mezclar dos envases de un ingrediente "A" con un envase de
otro ingrediente "B" , y que estudios estadsticos han comprobado que los lmites
naturales de variacin para el ingrediente "A" son entre 420 y 438 gramos ,
mientras que los del ingrediente "B" entre 510 y 516 gramos .
Un razonamiento similar al utilizado anteriormente nos llevara a la falsa
conclusin de que los lmites naturales de variacin para el producto resultante
son entre 2 x 420 + 510 = 1350 gramos y 2 x 438 + 516 = 1392 gramos .
Este intervalo [ 1350 ; 1392] resulta mucho ms amplio que el de 99% de
probabilidad de cobertura , ya que es muy poco probable que al azar
seleccionemos dos envases "A" con un contenido inferior a 420 , acompaados
de otro envase con contenido inferior a 510 gramos . Esta probabilidad
sera(0.005)
3
, para cada lado , y en total 2x(0.005)
3
, lo que evidentemente da
una probabilidad de cobertura superior al 99% para el intervalo encontrado.
El lector seguramente se preguntar que si el razonamiento anterior no es el
correcto , que debe hacerse entonces para encontrar los lmites naturales de
variacin del proceso ? .
Lamentablemente el problema no es fcil de resolver en el caso general .
Solamente cuando las variables involucradas siguen cada una de ellas
Distribuciones Normales independientes, y la relacin entre la variable del
proceso es una funcin lineal de ellas , existe un procedimiento sencillo para
resolver el problema .
En el primer ejemplo , donde la funcin no es lineal : V = r
2
h , la situacin es
compleja desde el punto de vista estadstico , pues hay que encontrar la
Distribucin del Volumen, a partir de la Distribucin del dimetro y de la altura ,
aplicando tcnicas de Transformacin de Variables Aleatorias , Funciones de
Variables Aleatorias , y mtodos aproximados basados en desarrollos en series
116
Ing
o

de Taylor . Una explicacin muy detallada sobre estas tcnicas puede
encontrarse en los siguientes textos :
1) Estadstica Matemtica con Aplicaciones . Menderhall , Wackerly y Scheaffer
. Grupo Editorial Iberoamericana . Cap. 6
2) Probabilidad y Aplicaciones Estadsticas . Meyer . Addison - Wesley
Iberoamericana . Cap. 5 y 6 .
En el segundo ejemplo , la relacin es lineal , pues si designamos por "Y" al
peso de la mezcla , se tiene : Y = X
A1
+ X
A2
+ X
B
, siendo X
A
y X
B
el peso de un
envase "A" y de uno "B" respectivamente .
Ntese que no es correcto escribir Y = 2 X
A
+ X
B

,

pues al ser aleatorio el peso
de cada caja , no necesariamente el peso total de las dos cajas es de una
multiplicado por 2 .
En la Teora Estadstica se estudia un teorema cuya demostracin se da en el
Cap. V , y el cual establece lo siguiente :
Si X
1
, X
1
.... X
n
son variables aleatorias independientes , y normalmente
distribuidas , entonces una funcin lineal de ellas :
Y = a
0
+ a
1

X
1
+ a
2
X
2
+
....
+ a
n

X
n

tambin seguir una Distribucin normal , y sus parmetros son :

Y
= a
0
+ a
1

1
+ a
2

2
+
....
+ a
n

n

Y
2
= a
1
2

1
2
+ a
2
2

2
2
+
....
+ a
n n
2

2

Aplicando este teorema para el ejemplo 2 , podemos hallar los lmites naturales
de variacin para el peso de la mezcla , procediendo como sigue:
Si los lmites naturales para el peso de las cajas tipo "A" son 420 y 438 ,
suponiendo normalidad tenemos :
A
= 429 , y 6
A
= 438- 420 = 18
A
= 3 y
por consiguiente X
A
N ( 429 ; 3
2
) .
De manera anloga, si para el ingrediente "B" sus lmites naturales de variacin
son 510 y 516 , entonces se obtiene :
B
= 513 ,
B
= 1 , y X
B
N(513;1
2
) .

117
Ing
o

Al ser Y = X
A1
+ X
A2
+ X
B
, mediante la aplicacin del teorema se concluye
entonces que Y N ( 1371 ; 19 ), y en consecuencia los limites naturales de
variacin para el peso de la mezcla sera :
Lmite Natural Inferior =
Y
- 3
Y
= 1371 - 3 19 = 1357.92
Lmite Natural Superior =
Y
+ 3
Y
= 1371 + 3 19 = 1384.08
El intervalo obtenido es evidentemente ms estrecho que el obtenido por el
razonamiento incorrecto explicado anteriormente .
Ejemplo propuesto : Para hacer un montaje , es necesario ensamblar tres
componentes de la forma como se indica en la figura :

Las dimensiones de cada componente son variables aleatorias independientes,
que siguen cada una distribucin normal , y sus lmites naturales de variacin
son de (1.00 0.04 ) pulgadas para X
1
, (3.00 0.05 ) pulgadas para X
2
y (2.00
0.02 ) pulgadas para X
3
.
Analice si el proceso es capaz de cumplir con las especificaciones ( 6.00 0.06 )
para el ensamble . Calcule el porcentaje de piezas fuera de especificacin y su
coeficiente de capacidad C
P
.
Solucin : No es capaz . 0.74 % . C
P
= 0.8944 .

ANALISIS DE CAPACIDAD MEDIANTE DISEO DE EXPERIMENTOS
Cuando un proceso resulta no capaz para cumplir unas especificaciones , la
pregunta que inmediatamente debe hacerse el ingeniero o investigador es
qu puedo hacer para convertir este proceso en capaz ? .
La gran mayora de las veces no es posible conseguir una ampliacin de las
especificaciones , que sera el camino ms cmodo y econmico para convertir
al proceso en capaz , pues las mismas son generalmente exigencias de normas
internacionales .
118
Ing
o

Otra posibilidad para convertir el proceso en capaz es la aplicacin de las
diversas recomendaciones del Dr. Deming , tendientes a reducir la variabilidad
del proceso , ya mencionadas anteriormente.
La alternativa de sustituir las maquinarias y equipos por otros ms precisos es
tan costosa , que muchas veces no es considerada .
El "Diseo de Experimentos" es una principales herramientas estadsticas que
permite reducir la variabilidad de un proceso, mediante la identificacin de los
factores y variables que ms lo afectan .
En efecto, en un proceso industrial intervienen una serie de variables , algunas
de ellas controlables , tales como temperatura , presin , tiempo , velocidad de
giro de ciertas maquinarias , etc., que afectan en mayor o en menor grado las
caractersticas del producto obtenido .
Un experimento controlado consiste en tomar una serie de observaciones de las
caractersticas de calidad del producto, modificando simultneamente varias de
las variables de entrada al proceso .
As por ejemplo, para distintos niveles de presin , temperatura , etc. , se
observa el valor de una cierta caracterstica de calidad , y se analiza su
variabilidad .
Mediante el uso de estas tcnicas se logra identificar las llamadas variables
activas , que son aquellas que realmente tienen una incidencia significativa en el
comportamiento del proceso , y en las caractersticas de calidad del producto
terminado.
La identificacin de estas variables activas es de gran utilidad para aumentar la
capacidad del proceso , pues mediante un control ms estricto de ellas, se
puede lograr un comportamiento ms estable del proceso , y en consecuencia
un producto mucho ms homogneo.
Estas tcnicas de "Diseo de Experimentos" son de reciente aplicacin en el
medio industrial , pero eran ya conocidas an antes de la segunda guerra
mundial , con aplicaciones muy concretas en la agricultura , pues all intervienen
gran cantidad de variables como condiciones climatolgicas , caractersti cas del
suelo , tipos de fertilizantes , etc. , y mediante su aplicacin se logr identificar la
combinacin ptima de estos factores , y obtener un ptimo aprovechamiento
del suelo .
Las tcnicas de Diseo de Experimentos son el complemento indispensable
para los " Diagramas Causa - Efecto" , pues no todas las causas que se sealan
119
Ing
o

en ellos son significativamente influyentes en el proceso , y mediante la
utilizacin del " Diseo de Experimentos " , algunas de las causas consideradas
inicialmente como importantes en la calidad del producto , pueden ser
desechadas, e incorporadas otras .
En el apndice se incluye un artculo titulado Designing Process Capability
Studies de George C. Runner, en donde se hace referencia a los beneficios de
los experimentos diseados en el Control Estadstico de Procesos.
Una mayor informacin sobre estos mtodos , puede encontrarse en el texto
"Diseo y Anlisis de Experimentos" del mismo autor ya mencionado Douglas
C. Montgomery , del Grupo Editorial Iberoamericana .

EJERCICICIOS DE RECAPITULACION

1) Los datos siguientes representan la resistencia a la presin interna de unas
botellas para bebidas gaseosas expresada en p.s.i, y estn organi zados en 20
muestras de 5 boteas cada una .
Muestra N Muestra N
1 265 205 263 307 220 11 268 260 234 299 215
2 197 286 274 243 231 12 267 281 265 214 318
3 346 317 242 258 276 13 300 208 187 264 271
4 280 242 260 321 228 14 250 299 258 267 293
5 265 254 281 294 223 15 260 308 235 283 277
6 200 235 246 328 296 16 276 264 269 235 290
7 221 176 248 263 231 17 334 280 265 272 283
8 265 262 271 245 301 18 280 274 253 287 258
9 261 248 260 274 337 19 250 278 254 274 275
10 278 250 265 270 298 20 257 210 280 269 251
a) Construya un grfico de control ( X , R) . Analice si el proceso est bajo
control , y determine los lmites de control .
120
Ing
o

b) Si las especificaciones exigen que las botellas para bebidas gaseosas deben
tener una resistencia interna mnima de 200 p.s.i . Analice si este proceso es
capaz de cumplir con esta especificacin .
c) Estime el coeficiente de capacidad real , y el porcentaje de botellas que no
cumplen con la especificacin .
d) Unifique las muestras , construya el histograma , verifique la normalidad del
proceso , y recalcule el coeficiente C
PK
, y el porcentaje de piezas fuera de
especificacin .
Solucin : a) Proceso bajo control . Para X : ( 210.46 ; 308.66 ) . Para R : ( 0 ;
163. 49 ) . b) No es capaz . c) C
PK
= 0.64 . 2.68 % .

2) Las especificaciones para una pieza son 600 20 . La produccin de esta
pieza ha estado bajo control durante un largo tiempo , mediante el uso de un
grfico ( X , R ) .
Los lmites de este diagrama para subgrupos de tamao 9 son:
Diagrama para X Diagrama para R
Lmite Superior 616 32.36
Linea Central 610 17.82
Lmite Inferior 604 3.28

a) Cules son sus conclusiones acerca de la capacidad del proceso ? .
b) Estime los coeficientes C
P
, C
PK
y el porcentaje de piezas fuera de
especificacin.
Solucin : a) No es capaz por no estar centrado . b) C
P
= 1.11 es
potencialmente capaz . C
PK
= 0.56 . 4.75 % fuera de especificacin .

3) Un proceso distribuido normalmente emplea el 66.67 % de la banda de
especificacin, est centrado en la dimensin nominal, y se localiza a la mitad
entre los lmites de especificacin superior e inferior.
121
Ing
o

a) Cual es su coeficiente de capacidad actual C
P
? .
b) Qu porcentaje de defectuosas produce actualmente ? .
c) Suponga que la media se corre a una distancia de exactamente 2
desviaciones tpicas por debajo del lmite superior de especificacin. Cual es
ahora su nuevo coeficiente de capacidad real ? .
d) Despus del corrimiento , cul es el nuevo porcentaje de piezas
defectuosas? .
Solucin : a) C
P
= 1.50 . b) 3.40 por milln de piezas producidas . c) C
PK
= 0.67
d) 2.28 % .
4) Se utiliza un diagrama ( X , R ) con subgrupos de tamao 8 , para controlar
la resistencia a la tensin ( expresada en libras) de un hilo.
Se seleccionaron 30 muestras, se calcul para cada una su media y su rango , y
se obtuvo: X
i
i
i
1
30
= 607,80 , R
i
i
i
1
30
= 144 .
Suponiendo que el proceso queda bajo control , y que existe una especificacin
inferior que establece que la resistencia de este hilo debe ser de 16 lb. como
mnimo, calcule el coeficiente de capacidad , y el porcentaje de piezas fuera de
especificacin .
Solucin : C
PK
= 0.84 no es capaz . 0.59 %
5) Se utiliza un diagrama ( X , S ) , con subgrupos de tamao 4 para controlar
una cierta caracterstica de calidad .
Los lmites de este diagrama son:
Diagrama para X Diagrama para S
Lmite Superior 201.63 2.266
Lnea Central 200.00 1.000
Lmite Inferior 198.37 0
Suponiendo que el diagrama indica control, y que las especificaciones son
200.00 2.50 .
a) Cules son sus conclusiones acerca de la capacidad del proceso ? .
122
Ing
o

b) Estime el coeficientes C
P
, y el porcentaje de piezas fuera de especificacin .
Solucin: C
P
= 0.77 no es capaz . 2.14 % .

6) Un eje consiste en seis secciones diferentes colocadas una al lado de la otra.
Se sabe que las longitudes de estas secciones componentes son variables
aleatorias independientes, distribuidas normalmente con las siguientes medias y
varianzas : (8.10 ; 0.05) , ( 7.25 ; 0.04 ) , ( 9.75 ; 0.06) (3.45 ; 0.04) , (17.15 ;
0.10) y (6.20 ; 0.07) .
Si las especificaciones establecen que el eje ensamblado tenga una longitud de
(52.0 1.5) pulgadas. Calcule el coeficiente de capacidad real del proceso de
ensamblaje, y el porcentaje de ejes fuera de especificacin.
Solucin : C
PK
= 0.78 no es capaz . 1.37%

7) Dos resistencias son conectadas en serie, para armar un circuito cuya
resistencia total debe ser de (16.00 0.25) ohmios.
Suponiendo que la resistencia de cada una, es una variable aleatoria
normalmente distribuida, cules deben ser los lmites naturales mximos de
variacin de estas resistencias? , para que la conexin sea capaz de cumplir con
la especificacin.
Solucin : 8.0000 0.1768

123
Ing
o

CAPITULO V : FUNDAMENTOS TEORICOS
Los diferentes mtodos y procedimientos , destinados a estimar la capacidad de
un proceso industrial, y que han sido analizados en los captulos anteriores,
tienen su fundamento en la Teora Estadstica, especialmente en la
Estadstica Matemtica .
Tal como se explic en la introduccin , el autor no ha querido condicionar la
explicacin de estos mtodos al desarrollo paralelo de su fundamentacin ,
debido a que tal enfoque desvirtuara el propsito de esta obra , la cual pretende
servir de referencia a aquellas personas , ingenieros , tcnicos , empresarios
,cientficos , auditores de calidad , etc., que para los fines de dar cumplimiento a
lo establecido en las Normas ISO-9000 , tengan que evaluar la capacidad de un
proceso industrial determinado .
El objetivo de este captulo es imprimirle a la obra un carcter ms acadmico ,
que muestre el fundamento terico de los mtodos , procedimientos y frmulas
que han sido presentadas a lo largo de los cuatro captulos anteriores , a fin de
que se entienda que detrs de toda esta metodologa existe todo un basamento
terico , y que los coeficientes , tablas y frmulas utilizadas no tienen jams un
carcter emprico ; sino que por el contrario , obedecen a un riguroso proceso
matemtico de demostracin .
La lectura de este captulo no es necesaria para aquellas personas a quienes
solo interesa el aspecto metodolgico, y para ellos es suficiente con los cuatro
captulos anteriores .
Para una mejor comprensin, es conveniente que el lector repase algunos
conceptos previos de "Teora de Probabilidades" e "Inferencia Estadstica " ,
tales como :
Valor esperado y Varianza de Variables aleatorias.
Funcin generadora de momentos .
Funciones de variables aleatorias .
Mtodos para la obtencin de estimadores .
Estimadores insesgados .
La justificacin de las diferentes propiedades y metodologas ha sido
desarrollada en el mismo orden en que han sido tratadas.

124
Ing
o

PROPIEDADES DE LA CURVA NORMAL
La funcin de densidad correspondiente a la curva normal es :
f x e ( )
1
2
-
- ( ) x
2
2
2
; - < x <
A partir de all se demuestra :
1) Los parmetros "" y "
2
" representan la media y la varianza de la
distribucin .
En primer lugar "" y "
2
" son parmetros porque para cualquier valor que ellos
tomen, el rea bajo la curva es siempre igual a 1 , pues :

1
2
e dx
-
(x- )
2
2
2
= 1
En efecto, si en esta integral hacemos el cambio de variable : z =
x

se obtiene :
1
2
e dz
-
2
2
z
= 2
1
2
0
e dz
-
2
2
z

Haciendo la sustitucin: t =
1
2
z
2
dt = z dz dz =
1
2t

dt , resulta:
2
2
e
t
t

1
2
0
dt =
1
e
t
t

1
0
dt =
( )
1
2
=1

lo que demuestra que efectivamente la ecuacin de la curva normal corresponde
a una funcin densidad continua de probabilidad , y en donde "" y "
2
" son
parmetros .
Para demostrar que estos parmetros son realmente la media y la varianza de la
distribucin, es necesario hallar primero su funcin generadora de momentos
M
X
( t) :
125
Ing
o

M
X
(t) = E(e
tX
) = e
tx

1
2
e
-
(x- )
2
2
2
dx

Para calcular esta integral es necesario sumar los exponentes que corresponden
a la base comn e, luego completar cuadrados , , y se llega al siguiente
resultado: M
X
(t) = e
t t
1
2
2 2

Una vez obtenida la funcin generadora de momentos, por derivacin sucesiva
y evaluando en t=0 , es posible obtener los diferentes momentos de la
distribucin , y as :

dM t
dt
X
( )
= ( )
2
1
2
2 2
t e
t t
E(X) =
dM t
dt
X
t
( )
0
=
Derivando por segunda vez, y evaluando en t=0 : E(X
2
) =
d M t
dt
X
t
2
2
0
( )
=
2
+
2

En consecuencia: Var (X) = E (X
2
) - [ E (X) ]
2
=
2
, lo que completa la
demostracin .
2) La simetra respecto de la media es fcilmente demostrable, pues basta con
verificar que la ecuacin de la curva , que como ya sabemos es:
f x e ( )
1
2
-
- ( ) x
2
2
2
; no se altera cuando se sustituye ( x - ) , por su
simtrico respecto de la media que es [- (x-)] .
Como consecuencia de la simetra, el coeficiente momento de sesgo se anula.
El coeficiente momento de sesgo poblacional para una variable aleatoria viene
dado por: =
E X E X
Var X
( ( ))
( ( ))
3
3
2
.

El numerador de esta expresin puede ser desarrollado:
E( X - E(X) )
3
= E (X
3
- 3 X
2
E(X) + 3X (E(X))
2
- (E(X))
3
) =
126
Ing
o

E (X
3
) - 3 E (X
2
) E(X) + 3 E(X) (E(X))
2
- (E(X))
3
=
E (X
3
) - 3 E (X
2
) E(X) + 2 (E(X))
3

Para la Normal, los dos primeros momentos respecto al origen ya son conocidos
pues: E ( X ) = ; E (X
2
) =
2
+
2
, y el tercero puede ser obtenido a partir de
la tercera derivada de funcin generadora de momentos, en t=0:
E (X
3
) =
d M (t)
dt
3
X
3
t 0
=
3
+ 3
2
.
Reemplazando resulta :
E( X - E(X) )
3
=
3
+ 3
2
- 3 (
2
+
2
) + 2
3
= 0 = 0 .
3) En cuanto a la propiedad de que la mediana de la Distribucin Normal
tambin esta representada por el parmetro "" , la misma se desprende de la
simetra , y de que el rea total bajo la curva es igual a 1 .
En efecto, por simetra : P ( X ) = P (X > ) , y como adems :
P ( X ) + P (X > ) = 1 P ( X ) = P (X > ) =
1
2
" " es la mediana .
4) Tambin el parmetro "" es la moda de la distribucin , pues al ser f(x) una
funcin del tipo exponencial , el mximo se alcanzar cuando el exponente sea
mximo ; y evidentemente [-( x - )
2
] es mximo , cuando x= .
5) La demostracin de que el coeficiente momento de curtosis vale "3" para
cualquier Distribucin Normal , es quizs la ms interesante , y parte de la
definicin del coeficiente momento de curtosis para la poblacin dado por:
=
E X E X
Var X
( ( ))
( ( ))
4
2

E( X - E(X) )
4
= E (X
4
- 4 X
3
E(X) + 6 X
2
(E(X))
2
- 4 X (E(X))
3
+ (E(X))
4
) =
E (X
4
) - 4 E(X
3
) E(X) + 6 E(X
2
) (E(X))
2
- 4 E(X) (E(X))
3
+ (E(X))
4
=
E (X
4
) - 4 E(X
3
) E(X) + 6 E(X
2
)(E(X))
2
- 3 (E(X))
4

Los tres primeros momentos ya se conocen, y el cuarto se obtiene derivando por
cuarta vez la funcin generadora de momentos, y evaluando en t=0 :
127
Ing
o

E(X
4
) =
d M (t)
dt
4
X
4
t 0
=
4
+ 6
2 2
+ 3
4

E( X - E(X) )
4
=
4
+ 6
2 2
+ 3
4
-4(
3
+ 3
2
)

+ 6 (
2
+
2
)
2
- 3
4
=
3
4

y como Var (X) =
2
=
3
2 2
4
( )
= 3
Con relacin al valor 0,263 para el coeficiente percentlico de curtosis , el mismo
sale de las tablas normales , pues como es sabido este coeficiente se calcula
mediante la expresin :
Coeficiente percentlico de curtosis =

=
1
2
3 1
90 10
( ) Q Q
P P

Segn las tablas : Q
3
= + 0.674 ( 75% de rea a la izquierda )
Q
1
= - 0.674 ( 25% de rea a la izquierda
P
90
= + 1.282 ( 90% de rea a la izquierda )
P
10
= - 1.282 ( 10% de rea a la izquierda )
Sustituyendo en la expresin, resulta el valor 0,263 antes sealado , para
cualquier curva normal , independientemente de sus parmetros .

ESTIMACION DE LOS PARAMETROS DE UNA DISTRIBUCION NORMAL
A lo largo de toda la obra se ha planteado el problema de la estimacin de los
parmetros de una Distribucin Normal .
Esta estimacin resulta indispensable para estimar la capacidad del proceso , y
hemos visto que para el caso del parmetro " " no hay lugar a dudas de que la
media de la muestra " X " , resulta el mejor estimador ; mientras que para el
parmetro "
2
" no existe un estimador ptimo .
La justificacin terica de esta situacin es la siguiente:
128
Ing
o

Para estimar los parmetros de una distribucin cualquiera, existen dos mtodos
importantes : el de mxima verosimilitud y el de momentos .
La aplicacin de cualquiera de estos dos mtodos a la Distribucin Normal, en
base a una muestra aleatoria X
1
, X
2
, ...., X
n
proveniente de la variable "X",
conduce a los mismos estimadores , cuales son:
X
i
i
i n
n
1
;
2
2
=
(X X
i
i
i n
n
)
2
1

En efecto, al aplicar el mtodo de mxima - verosimilitud a la Distribucin
Normal , y en base a una muestra aleatoria X
1
, X
2
, ...., X
n
, encontramos que la
funcin de verosimilitud viene dada por la funcin de densidad conjunta de la
muestra :

L(X
1
, X
2
, ...., X
n
) =
1
2
1
2
1
2
2
2
2
2 2
e e
x xn ( ) ( )
=
1
2
2
1
2
2
n n
x
e
i
i
i n
( )
( )

Los estimadores son aquellos valores de los parmetros que le dan a la muestra
mxima verosimilitud, y para obtenerlos hay que maximizar a la funcin de
verosimilitud L(X
1
, X
2
, ...., X
n
), para lo que resulta ms cmodo maximizar su
logaritmo, puesto que los productos se transforman en sumas lo que facilita la
derivacin ,y por ser el logaritmo una funcin creciente , en donde ste alcance
su mximo , la funcin tambin .
Tomando logaritmos : ln L = - n ln -
n
2
ln(2 ) -
( ) x
i
i
i n
2
1
2
2
; y luego derivando
parcialmente para hallar los valores que maximizan resulta:
ln
( )
ln
( )
L
x
L n
x
i
i
i n
i
i
i n
= 2 = 0
= - + 2 = 0
1
2
2
1
3
2
2
; simplificando:
( )
( )
x
-n
x
i
i
i n
i
i
i n
1
2
1
2
= 0
+ = 0

129
Ing
o

y al resolver el sistema, se obtienen los estimadores:
( )
x
n
x
n
S
i
i
i n
i
i
i n
1
2
1
= X
=
X
=
2 2

Al analizar el Hessiano con las segundas derivadas , se comprueba que se trata
de un mximo .

El mtodo de momentos tambin conduce a los mismos estimadores , tal como
se demuestra a continuacin :
Segn este mtodo , los momentos muestrales se utilizan para estimar a sus
correspondientes poblacionales , y partir de esa estimacin se obtiene la de los
parmetros .
Para la Normal , los momentos poblacionales son :
E X
E X
( )
( )
2 2 2

mientras que los momentos muestrales son:
m
m
x
n
i
i
i n
1
2
2
1
X

Para hallar los estimadores por este mtodo de momentos , es necesario
resolver el siguiente sistema para
2
:

X
2 2
2
1
x
n
i
i
i n

cuya solucin es:
( )
X
X =
X
=
2 2
x
n
x
n
S
i
i
i n
i
i
i n
2
1
2
2
1

130
Ing
o

Esto demuestra que los dos mtodos proporcionan los mismos estimadores,
pero sin embargo, el de
2
no es ptimo por la razn siguiente:
Un buen estimador puntual debe reunir cuatro requisitos:
a) Ser insesgado.
b) Ser consistente.
c) Ser suficiente.
d) Tener mnima varianza.
Cuando se examina a los estimadores anteriores a la luz de estas propiedades,
se encuentra que " X " las cumple todas, y por tanto es el mejor estimador
posible para " " .
Con S
2
no ocurre lo mismo , pues no es ni insesgado ni de mnima varianza , y
por lo tanto no es un estimador ptimo para
2
.
Para suplir esta deficiencia , se han propuesto otros estimadores , entre los
cuales el ms importante es :
2

= Cuasivarianza Muestral = S
c
2
=
( ) x
n
i
i
i n
X
2
1
1

Este estimador tampoco es de mnima varianza , pero es insesgado , y por ello
algunos autores lo prefieren frente al de mxima verosimilitud.

En la bibliografa estadstica es frecuente que se designe por S
2
indistintamente
a uno u otro estimador , y se les llame a ambos "Varianza Muestral" , lo que
obviamente ocasiona una gran confusin a los lectores no enterados de la
problemtica .
Otro estimador para " " es :
=
2

x
n
i
i
i n
X
1

Este estimador es insesgado , tal como se demuestra a continuacin :
Sea: X N( ;
2
) , y sea: Y = | X - | .
Como Y = | X - | , se tiene : Y =
( )
( )
X ; X
X ; X
si
si

131
Ing
o

Una de las propiedades del valor esperado establece que si Y = (X) , y "X" es
una variable aleatoria continua con funcin densidad f(x) , entonces el valor
esperado de la variable Y viene dado por : ( )f( )dx x x .
Aplicando esta propiedad al caso en que la variable X es una normal, se
obtiene:
E(Y) = ( )
( )
x e dx
x
1
2
2
2
2
+ ( )
( )
x e dx
x
1
2
2
2
2
=
Por simetra: E(Y) = 2
1
2
2
2
2
( )
( )
x e dx
x

Con el cambio de variable: z =
x

se obtiene : E(Y) = 2
z e dz
z
0
2
1
2
2

E(Y) = -
2
2
2
2
0
e
z
=
2

Basndonos en este resultado , tenemos entonces que para el caso de una
muestra aleatoria X
1
, X
2
, ...., X
n
,

obtendremos entonces "n" desviaciones
absolutas Y
1
, Y
2
, ...., Y
n
, cada una con valor esperado igual al obtenido
anteriormente .
Por tanto, si se define el estimador de " " como:

=
2

X
n
i
i
i n
1
=
2
Y
n
i
i
i n
1

se concluye que : E(

)=
2

E Y
n
i
i
i n
( )
1
=
2
2
= ; lo que demuestra que
el estimador es insesgado .
Es importante recordar que sobre estimador se apoya la Prueba de Geary,
analizada en el segundo captulo
Otros estimadores para " " son los basados en la grfica de control (Pag. 64),
que son los que realmente se utilizan para estimar la capacidad del proceso:
132
Ing
o

=
R
d
2
Grfico ( X, R) ;
=
R
c
4
Grfico ( X, S)

La justificacin terica de estos estimadores ser analizada ms adelante.
FUNDAMENTO DE LAS TABLAS NORMALES
Es sabido de la Teora de Probabilidad , que para encontrar la probabilidad de
que una variable aleatoria continua "X" , tome un valor dentro de un intervalo
[a,b] , es necesario integrar su funcin de densidad f(x) entre esos lmites, lo que
da como resultado el rea bajo la curva en el intervalo.
Cuando este concepto lo aplicamos a la curva normal , encontramos lo
siguiente:

Esta integral no ha podido ser resuelta por los mtodos ordinarios de
integracin, y se ha tenido que recurrir a mtodos numricos.
Si se resolviera la integral para valores particulares de los parmetros "" y " " ,
nos encontraramos con el problema de que las tablas seran incompletas , pues
su uso estara limitado a aquellas aplicaciones en donde los parmetros tomen
valores contenidos en la tabla .
La tipificacin de la normal aparece entonces como una respuesta a la
necesidad de elaborar unas tablas generales , que puedan ser utilizadas para
cualquier valor de los parmetros .
La tipificacin de la Normal puede ser demostrada por dos procedimientos
diferentes:
1)

Haciendo en la integral el cambio de variable: z =
x

Por efecto de esta sustitucin, la integral queda transformada en :
P (a X b) = e dz
-
2
1
2
2
a
b z

133
Ing
o

En la nueva integral, los parmetros no aparecen dentro de la funcin a integrar,
y adems se observa que esta funcin corresponde a la funcin de densidad de
una curva normal con = 0 y =1, que se define como la Normal Tipificada o
Estndar .
De lo anterior se deduce entonces que el rea bajo la curva en una normal
cualquiera para un intervalo [ a , b ] , es igual al rea bajo la normal tipificada
entre los lmites
a -
y
b -
.

Las tablas dan el resultado de la integracin numrica correspondiente a la
funcin de densidad de la normal tipificada desde "- " hasta un lmite
cualquiera "z' , es decir su funcin de distribucin: (z) = e dy
-
2
1
2
2
z
y
. y
ste es el fundamento del procedimiento explicado en el uso de las tablas
normales.
Con relacin al uso de la tablas, es fcil ver por simetra las siguientes
relaciones entre las lecturas :
(-z) = 1 - (z)
D(z) = (z) - (-z) = (z) - ( 1 - (z) ) = 2 (z) -1
Los porcentajes de 68.27% , 95.42 % y 99.73 % dados en la Pag. 3 , y sobre los
cuales se apoya toda la Teora de Grficos de Control , salen de las tablas
Normales , pues para una Normal cualquiera al tipificarla se tiene :
P ( - X + ) = P ( -1 Z 1 ) = D ( 1 ) = 0.6827 .
P ( - 2 X + 2 ) = P ( -2 Z 2 ) = D ( 2 ) = 0.9545.
P ( - 3 X + 3 ) = P ( -3 Z 3 ) = D ( 3 ) = 0.9973 .
2) Otra manera de demostrar la tipificacin de la normal es a partir de su
funcin generatriz de momentos .
En efecto si X N( ;
2
), y se define la variable Z =

X-

La funcin generatriz de momentos de la variable "Z" ser :
M
Z
(t) = E(e
t Z
) = E( e
t
X
)= E( e
t
X
e
t
)=e
t
E( e
t
X
)
134
Ing
o

Teniendo en cuenta que la funcin generatriz de momentos para la Distribucin
Normal , es: M
X
(t) = E(e
tX
) = e
t t
1
2
2 2
, se deduce entonces que:
E( e
t
X
) = M
x
(
t
( ) ) = e
t t 1
2
2
2
2
= e
t
t
1
2
2
; y por lo tanto :
M
Z
(t) =e
t
e
t
t
1
2
2
= e
t
1
2
2
; que corresponde a la funcin generatriz de
momentos de una Distribucin Normal con =0 y =1 , lo que demuestra que la
transformacin
Z =

X-
convierte a una Distribucin Normal cualquiera en la
Normal Tipificada , y de all la razn de las tablas normales .
PROCESOS CENTRADOS
En el Captulo I se estableci la conveniencia de que un proceso est centrado ,
y posteriormente, al considerar la Capacidad del Proceso , se enunci el
siguiente Teorema:
" Dada una Distribucin Normal con desviacin tpica " " , y un intervalo fijo [a,b], el
rea bajo la curva en el intervalo ser mxima cuando la media de la distribucin
coincida con el punto medio del intervalo " .
Sobre este Teorema se fundamenta el hecho de que la capacidad mxima del
proceso se obtiene cuando est centrado. Su demostracin es la siguiente:

Supongamos que tenemos un intervalo fijo [a ,b] , y que la media de la
Distribucin est ubicada en un punto cualesquiera " " ; el rea bajo en el
intervalo [a, b] ser entonces una funcin de " " .
Designando por ( ) a la referida funcin, se tiene que :
( ) =
1
2
a
b
e dx
-
(x- )
2
2
2
= e dz
-
2
1
2
2
a
b z
= (
b -
) - (
a -
)
135
Ing
o

Se busca aquel valor de " " que maximiza el rea bajo la curva en el intervalo
[a, b] , para lo cual hay que derivar ( ) : ( ) =
1
( )
b
+
1
( )
a
= 0
Como (z) representa la Funcin de Distribucin de la Normal Tipificada, su
derivada (z) ser su funcin de densidad , que como se sabe es :
(z)= f(z) =
1
2
e
-
z
2
2
La primera derivada de la funcin ( ) igualada a
cero proporciona entonces la siguiente ecuacin:
( ) =
1

1
2
e
-
(b- )
2
2
2
+
1

1
2
e
-
(a- )
2
2
2
= 0 e
-
(b- )
2
2
2
=e
-
(a- )
2
2
2
.
lo que conduce a : b- = - ( a- ) , pues por hiptesis a b.
b- = - ( a- ) =
a b
2
La primera derivada ( ) se anula en el punto
central del intervalo [a ,b] .
Al hacer un anlisis con la segunda derivada ( ) , se encuentra que para
=
a b
2
se cumple: ( ) < 0 ,lo comprueba que en l se alcanza un mximo.
Cuando el teorema anterior se aplica al caso particular, en el que el intervalo fi jo
[a, b] est representado por los lmites de la especificacin [L
I
, L
S
] , se concluye
entonces que un proceso centrado tiene mxima probabilidad de producir una
pieza dentro de los lmites de especificacin, y por lo tanto tiene mxima
capacidad .
Tambin se mencion que en algunas oportunidades conviene descentrar el
proceso. Esta situacin se da cuando el costo de una pieza defectuosa es
diferente por un lado que por el otro .
Para encontrar el punto donde debe ubicarse la media del proceso , en
situaciones como esta se procede como sigue :
Supongamos que la pieza debe encontrarse entre los lmites de especificacin
[L
I
, L
S
] , y que cuando cumple con la especificacin el beneficio para la empresa
es de Bs. K, dado por la diferencia entre el precio de venta de una pieza buena y
el costo de producirla.
136
Ing
o

Supongamos tambin que una pieza defectuosa puede ser corregida y llevada a
los lmites de especificacin, pero que debido al costo de la correccin el
beneficio disminuye .
Sea K
1
< K , el beneficio obtenido por una pieza que se encuentre por debajo del
lmite inferior , y sea K
2
< K el beneficio obtenido por una pieza por encima del
lmite superior . Estos valores se obtienen restando del precio de venta de una
pieza buena el costo de producirla y el costo de corregirla.
En caso de que la pieza no se pueda corregir por alguno de los dos extremos,
entonces K
1
K
2
sern negativos, y representan la prdida por producir una
pieza defectuosa , que es su costo de produccin .
Designando por "Y" al beneficio por producir una pieza, tenemos que su valor
esperado ser :
E ( Y ) = K
1
P ( X < L
I
) + K P ( L
I
X L
S
) + K
2
P ( X >L
S
) = ( )
Este valor esperado es una funcin ( ) de la media del proceso, y lo que se
busca es aquel valor de que maximiza la ganancia esperada .
Tipificando a la variable "X" se obtiene:
( ) = K
1
P ( Z <
L
I
) + K P (
L
I
X
L
S
) + K
2
P ( X >
L
S
)
( ) = K
1
(
L
I
) + K [ (
L
S
) - (
L
I
)]+ K
2
[1- (
L
S
)] =
( ) = (K
1
-K) (
L
I
) + ( K- K
2
) (
L
S
) + K
2

Al derivar para hallar el valor de que maximiza, resulta :
( ) = (K
1
-K) (-
1
) (
L
I
) + ( K- K
2
) (-
1
) (
L
S
) = 0
Teniendo en cuenta que (z) representa la funcin de densidad de la Normal
Tipificada, y simplificando , resulta :
(K
1
-K) e
-
(L - )
2
I
2
2
+ ( K- K
2
) e
-
(L - )
2
S
2
2
= 0 ( K- K
2
) e
-
(L - )
2
S
2
2
= (K -K
1
) e
-
(L - )
2
I
2
2
+

137
Ing
o

ln( K- K
2
)( -
(L - )
2
S
2
2
) = ln(K -K
1
) ( -
(L - )
2
I
2
2
)
Al despejar de esta expresin, se obtiene : =
L L
I S
2
+
2
L L
S I
ln
K K
K K
1
2

Esta frmula es muy importante, pues permite determinar el punto donde debe
ubicarse la media del proceso para obtener el mximo beneficio esperado , y en
ella puede verse que cuando K
1
= K
2
, es decir cuando el beneficio o la prdida
es el mismo a ambos lados de la distribucin , el proceso debe estar centrado.
De esta frmula tambin se deduce que cuando K
1
< K
2
, es decir cuando el
beneficio es mayor del lado derecho que del izquierdo , que es la situacin ms
frecuente pues las defectuosas por la izquierda por lo general son incorregibles,
entonces la media del proceso debe estar corrida hacia la derecha .

TAMAO DE MUESTRA REQUERIDO PARA UNA PRUEBA BILATERAL DE
MEDIA
La justificacin de la frmula dada en el Captulo II , es la siguiente :

En una prueba de hiptesis del tipo :
Ho
H
:
:

0
1 0

con varianza
2
conocida , la zona de aceptacin es : z n z
/ / 2
0
2
X

es decir : 0 2
z
n
/

X

0 2
z
n
/
Si el proceso se desajusta y pasa a producir con una media
1
, se quiere que la
probabilidad de no detectar tal desajuste y seguir aceptando que =
0
, sea
apenas " " ,es decir: P( 0 2
z
n
/

X

0 2
z
n
/ =
1
) = .

Supongamos que
1
>
0
, es decir que la media se corri hacia la derecha.
138
Ing
o

Despreciando el rea a la izquierda del lmite
0 2 z
n
/ ; se tiene que el rea bajo la zona de
aceptacin de H0 es

Teniendo en cuenta para tipificar , que la varianza de la media muestral " X " es
2
n
, se obtiene :
0 2 1
z
n
n
/
= - z .
Al despejar n , se llega a la frmula: n =
( )
( )
/
z z
2
2 2
1
2
0

A una frmula idntica se llega, si se supone que la media se corri hacia la
izquierda.

DISTRIBUCION DEL RANGO MUESTRAL
La obtencin de los diferentes coeficientes utilizados en la construccin de un
grfico de control ( X , R ) , as como la posterior estimacin de los parmetros del
proceso , est fundamentada en la distribucin de la variable aleatoria "Rango
Muestral " .
Por este motivo , no es posible explicar la teora que sustenta la construccin de
tales grficas , sin antes analizar este problema .
Como es sabido , el Rango de una muestra aleatoria X
1
, X
2
, ...., X
n
, es un
estadstico definido como :
R = Mximo { X
1
, X
2
, ...., X
n
} - Mnimo { X
1
, X
2
, ...., X
n
} .

Para hallar la distribucin de "R" , comencemos por encontrar la distribucin de
139
Ing
o

U = Mximo { X
1
, X
2
, ...., X
n
} y la de V = Mnimo { X
1
, X
2
, ...., X
n
} , para un
caso general , en donde la variable observada "X" , tiene una funcin de
densidad continua cualesquiera f(x) .
Estamos en presencia de un caso de una funcin de variables aleatorias, y
aplicando el mtodo de la "Funcin de Distribucin" , para la variable "U" :
G(u) = P (U u) = P(X
1
u X
2
u ...... X
n
u ) = [P(X

u)]
n

P(X

u) = f x
u
( )dx G(u) = ( ( )dx) f x
u
n

Al derivar para obtener la funcin de densidad de U resulta:
g(u) = n f f x
u
n
(u) ( ( )dx)
1

Al proceder de manera anloga con V se obtiene:
H(v) = P (V v) = 1 - P (V > v) = 1- P(X
1
> v X
2
> v ...... X
n
> v )
= 1 - [P( X > v)]
n
.
P( X > v) = f x
v
( )dx H(v) = 1 - ( ( )dx) f x
v
n
h(v) = n f v f x
v
n
( ) ( ( )dx)
1

Como las variables "U" y "V" no son independientes, no es posible multiplicarlas
para hallar su funcin de densidad conjunta, y de all obtener la funcin de
densidad de R = U - V .
El razonamiento para encontrar (u,v) , funcin de densidad conjunta entre U y
V , es el siguiente:
Para que "U" caiga en el intervalo (u , u +du) , y simultneamente "V" en el
intervalo (v , v + dv) , es necesario que una cualquiera de las "n" observaciones
caiga en (u , u +du) , otra cualquiera en (v , v + dv), y las ( n- 2) restantes en el
intervalo ( v + dv, u) .
Tomando en cuenta que tenemos "n" observaciones de "X" , y que la menor
puede ser cualquiera de ellas , la mayor cualquier otra , y las intermedias las
(n - 2) restantes, el nmero de permutaciones entre las observaciones es segn
la frmula multinomial:
n!
1 1 2 ! ! ) ! (n-
= n (n-1)

140
Ing
o

La probabilidad de que los eventos anteriores ocurran es :
(u,v) du dv = n (n-1) [ f(u) du ] [ f(v) dv] ( ( ) f x dx
v
u
n
)
2
.
y en consecuencia : (u,v) = n (n-1) f(u) f(v) ( ( ) f x dx
v
u
n
)
2
.; v u
(u,v) = n (n-1) f(u) f(v) ( F(u) - F(v))
n-2
.; v u
Una vez encontrada la funcin de densidad conjunta entre U y V , ya es posible
hallar la funcin de densidad del Rango R = U - V , aplicando nuevamente el
mtodo de la funcin de distribucin , segn el cual :
Q ( r ) = P ( R r ) = P ( U - V r ) = P ( U V + r )
Esta probabilidad se calcula por integracin de la funcin conjunta:
Q ( r ) = n
v
v r
(n ) 1 f(u) f(v) ( F(u) - F(v))
n-2
du dv
Q( r ) = n (n -1) f v ( )dv f
v
v r
(u) ( F(u) - F(v))
n-2
du

La segunda integral puede ser resuelta mediante la sustitucin : y = F(u) , pues
dy = f(u) du , y cambiando los lmites de integracin resulta :
Q( r ) = n (n -1) f v ( )dv ( ))
( )
( )
y F(v dy
n
F v
F v r
2

Q( r ) = n f v F(v r F(v dv
n
( )( ) ))
1

Por ltimo, al derivar la funcin de distribucin Q(r) , se obtiene la funcin de
densidad " q(r) " para el rango muestral , y resulta :
q( r ) = n ( n -1 ) f v F(v r F(v f v r
n
( )( ) )) ( )dv
2
; r 0

Cuando la expresin anterior se aplica al caso de la Distribucin Normal, el
problema adquiere una dimensin muy compleja desde el punto de vista
141
Ing
o

matemtico, pues su funcin de densidad f(x), no es posible integrar, y por lo
tanto no es posible obtener expresiones analticas exactas para las funciones
F(v+r) ni F(v) .
Para resolver tal situacin, existen algunas expresiones, obtenidas por
desarrollos en serie u otros mtodos numricos, que permiten con bastante
exactitud aproximar a f(x) a F(x) .
Una de tales frmulas, es por ejemplo la siguiente:
(z) 1 -
1
2
83 351 562
703
165

e
z z
z
( )
; 0 < z < 5.5
Esta frmula permite generar la tabla de la Funcin de Distribucin para la
Normal Tipificada , con valores de "z" comprendidos entre 0 < z < 5.5 , con un
error relativo inferior al 0,042% .
Teniendo en cuenta que F(x) = (
x
) , y mediante el uso de frmulas
polinmicas aproximadas para desarrollar en serie una funcin exponencial , es
posible resolver la integral para " q(r) " , y luego obtener el valor esperado del
rango muestral mediante la resolucin de la integral.
E(R) = r
0
q(r) dr =d
2

El valor esperado del Rango Muestral resulta proporcional a " " ; sta
constante de proporcionalidad , es la que se designa por el coeficiente "d
2
" en
las respectivas tablas , y su valor obviamente depende de "n" .
Cuando se construye la grfica ( X , R) , el Rango Medio " R " de los diferentes
subgrupos es un estimador de E(R) , pues la media muestral de cualquier
variable es siempre un estimador insesgado de su valor esperado , y de all la
justificacin del procedimiento descrito, segn el cual :
E(R) = R = d
2

=
R
d
2

A partir de " q(r) " se obtiene tamben la "Desviacin Tpica del Rango Muestral",
que se necesitar luego para determinar los lmites de control correspondientes
a "R", que tambin resulta proporcional a " " , siendo "d
3
" la constante de
proporcionalidad .
142
Ing
o

E(R
2
) = r q
2
0
(r)dr ; Var ( R ) = E(R
2
) - [ E(R) ]
2
; y se llega a
R
= Var R ( ) =d
3

El valor numrico del coeficiente "d
3
" depende de "n" , y se encuentra en las
tablas de "Constantes para las Grficas de Control".
Lamentablemente no existe una frmula general que permita generar el valor de
los coeficientes d
2
y d
3

en funcin del tamao de muestra "n" , y es necesario
calcularlos evaluando la integral por mtodos numricos , para cada valor de "n"
.
Para el caso particular n=2 , es posible calcular el valor de los coeficientes d
2

y d
3
,sin necesidad de mtodos numricos , mediante el siguiente
razonamiento:
En este caso, el rango muestral , puede definirse como: R = | X
2
- X
1
|
siendo X
1
y X
2
dos observaciones independientes provenientes de un proceso
normal , con media y varianza
2
.
Por ser la variable Y = X
2
- X
1
una combinacin lineal entre dos normales
independientes obtenemos que: Y ( 0 ; 2
2
) (Vese Pag. 118) , y adems
R = | Y | .
Al ser la variable "Y" una normal de media "0" y varianza 2
2
, podemos aplicar la
propiedad ya demostrada, y obtenemos:
E(R) =
2
2 =
2

Se defini "d
2
" como la constante de proporcionalidad entre E(R) y " " , por tanto
, para el caso n=2 se tiene: d
2
=
2
= 1.128 ; tal como aparece en las tablas .
Para hallar la varianza del Rango Muestral , se tiene:
Var ( R ) = E(R
2
) - [ E(R) ]
2
;
E(R
2
) = E(X
2
- X
1
)
2
= E(Y
2
) = Var (Y) ; por tener "Y" valor esperado igual a cero.
Pero Var (Y) = 2
2
E(R
2
) = 2
2
y por tanto :
Var ( R ) =2
2
-
4
2
= (2
4
2
)
143
Ing
o

"d
3
" se defini como la constante de proporcionalidad entre
R
= Var R ( ) ,

y .
Por tanto para el caso n=2 : d
3
= 2
4
= 0.853
LIMITES DE CONTROL PARA LA GRAFICA ( X , R)
Cuando se elabora una grfica ( X , R) y resulta estar bajo control , lo que se
est haciendo en realidad , es una prueba de hiptesis bilateral para la media
del tipo:
Ho
H
:
:

0
1 0
en donde
0
es la Gran Media , representada por la media
histrica del proceso; de forma que cuando la muestra cae entre los lmites de
control para la media , lo que se est aceptando es que el proceso est
operando sin cambios significativos con relacin a la forma como lo vena
haciendo en el pasado.
Si la varianza "
2
" del proceso fuera conocida , esta hiptesis resultara
aceptada cuando : 0 2
z
n
/

X

0 2
z
n
/

Los dos extremos de este intervalo definen los lmites de control para la media
de la muestra , con las siguientes modificaciones :
a)
0
est representado por la Gran Media X
b) Z
/ 2
= 3, lo que trae como consecuencia que el nivel de significacin de la
prueba sea de apenas 0.27% , o lo que es lo mismo , en caso de que no exista
un corrimiento real de la media con relacin a su promedio histrico , la muestra
tiene una probabilidad de 99.73 % , de caer entre los lmites de control .
c) Como el valor de " " es desconocido, se sustituye por su correspondiente
valor estimado a partir del grfico de control, que tal como hemos visto es
=
R
d
2
.
Por las aproximaciones anteriores, se obtiene que los lmites del intervalo de
aceptacin para la Hiptesis son:
U C L . .
X
0 2
z
n
/ = X + 3
R
d n
2
= X + A
2
R
144
Ing
o

L C L . .
X =
0 2
z
n
/

=
X - 3
R
d n
2
=
X - A
2
R
En consecuencia, tenemos que la justificacin del coeficiente A
2
es:
A
2
=
3
2
d n

Con relacin a los lmites de control para el rango, lo que se hace es definir el
intervalo R 3
R
, que en realidad no tiene una probabilidad de 99.73% para el
"Rango Muestral" , pues ste no sigue una Distribucin Normal .
Teniendo en cuenta que :
R
= d
3
, y que el valor estimado de "

" es
=
R
d
2
,
se obtiene que :
R
= d
3

R
d
2
.
Los lmites de control para el "Rango Muestral" sern entonces :
UCL
R
. . = R+ 3
R
= R d
R
d
+ 3
3
2
= (1+ )
3
3
2
d
d
R = D
4
R
L.C.L
R
= R- 3
R
= R d
R
d
- 3
3
2
= (1- )
3
3
2
d
d
R = D
3
R
La relacin entre los coeficientes es en consecuencia :
D
4
= 1+
3
3
2
d
d
; D
3
= 1-
3
3
2
d
d
0

JUSTIFICACION DE LA GRAFICA ( X,S)
Para justificar la metodologa de construccin de una grfica ( X,S), es necesario
hallar primero la Distribucin estadstica de la variable aleatoria "S" , al igual que
como se hizo antes con la variable aleatoria "R" .
Para hallar esta Distribucin , partimos de una ya conocida que es la de "S
2
"*
4
.

145
Ing
o

En efecto , en la Inferencia Estadstica se demuestra mediante la aplicacin de
"Formas Cuadrticas" , que la variable
(n )S 1
2
2
se distribuye como una Chi -
Cuadrado con (n-1) grados de libertad .
Designando por "U" a la referida variable tenemos entonces :
U =
(n )S 1
2
2

2
(n-1)
La funcin de densidad de "U" es conocida , y su expresin es :
f(u) =
1
1
2
2
1
2
1
2
1
2
( )
n
u e
n
n u

; u>0
y puesto que la variable "S" , esta relacionada con "U" a travs de :
S =
U
n 1

se cae en un problema de " Funciones de variables aleatorias" , en donde se
quiere hallar la funcin de densidad de "S" a partir de la de "U" .
Para resolverlo , se aplica el mtodo de la Funcin de Distribucin , y se obtiene:
G(s) = P ( S s) = P (
U
n 1
s ) = P ( U
n
s
1
2
2
)
G(s) =
1
1
2
2
1
2
1
2
1
2
0
1
2
2
( )
n
u e du
n
n u n
s

Esta integral corresponde a la "Funcin de Distribucin" de la variable "U" , en el
valor
n
s
1
2
2
, es decir : G (s) = F (
n
s
1
2
2
) .
Por derivacin de G(s) , se obtiene la funcin de densidad correspondiente a "S"
, y resulta :
g ( s) = G (s) = F (
n
s
1
2
2
)
2 1
2
(n )
s =
2 1
2
(n )
s f(
n
s
1
2
2
)
146
Ing
o

g ( s) =
1
1
2
2
1 2 1
1
2
2
2
1
2
1
1
2
2
2
2
( )
)
(n )
n
n
s e s
n
n n
s

(
Al simplificar, se obtiene el resultado buscado, funcin de densidad de la
variable aleatoria "S" :
g(s)=
1
1
2
2
1
3
2
2
1
2
1
2
2
2
2
( )
)
n
n
e s
n
n n
s
n

( ; s 0

El valor esperado de "S" es en consecuencia: E(S) = s g(s) ds
0

E(S) = s
n
n
e s ds
n
n n
s
n
o

(
1
1
2
2
1
3
2
2
1
2
1
2
2
2
2
( )
)
Esta integral puede ser resuelta mediante la sustitucin: y =
n
s
1
2
2
2

Hecha la sustitucin, y las simplificaciones algebraicas de rigor , se llega a:
E(S) =
1
1
2
2
1
0
( )
n
y dy
n
-y
2
n -1
e
La integral obtenida es justamente ( )
n
2
, y por lo tanto :
E(S) =
1
1
2
2
( )
( )
n
n

2
n - 1
= c
4

en donde el coeficiente c
4
, viene dado por la expresin : c
4
=
( )
( )
n
n
2
1
2

2
n -1

147
Ing
o

Las tablas lo que hacen es computar el valor de c
4
, para diversos valores del
tamao de muestra "n" , y as por ejemplo :
Para n=2 c
4
=
( )
( )
2
1
2
2 c
4
=
1
2 =
2
= 0.7979
Para n=5 c
4
= c
4
=
( )
( )
5
2
2
2
4
3
2
1
2
3
4 2

2
= = 0.9400
Una mayor explicacin sobre las propiedades de la Funcin Gamma, puede
encontrarse en los textos de "Clculo Avanzado" , como por ejemplo el de
Murray R. Spiegel , de la coleccin Schaum de la Editorial Mac.Graw Hill .
Una vez encontrado E(S) , es necesario ahora hallar Var ( S) , a fin de poder
calcular los lmites de control para "S" .
Como Var (S) = E (S
2
) - [ E(S)]
2
, se plantea el problema de calcular E (S
2
) , el
cual pudiera ser resuelto , resolviendo la siguiente integral : E (S
2
) = s g s
2
0
( )ds
Este camino es sin embargo muy complicado, y resulta mucho ms sencillo para
encontrar E (S
2
), aprovechar la demostracin que se hace en Inferencia
Estadstica , para comprobar que S
2
, es un estimador insesgado para
2
, y
segn la cual : E (S
2
) =
2
.
En conclusin : Var ( S ) =
2
- c
4
2

2
= (1 - c
4
2
)
2

s
c 1
4
2

Al tener E(S) y
s
,ya se est en condiciones de justificar los lmites de control
para la grfica ( X,S).
Como ya se explic antes, la grfica es realidad una Prueba de Hiptesis
bilateral para la media, del tipo:
Ho
H
:
:

0
1 0
; en donde si
la varianza "
2
" del proceso fuera conocida , H
0
resultara aceptada cuando :

0 2
z
n
/

X

0 2
z
n
/

Se hacen las mismas consideraciones anteriores, y se tiene:
148
Ing
o

a)
0
est representado por la Gran Media X
b) Z
/ 2
= 3.
c) Como el valor de " " es desconocido, hay que estimarlo, y en dicha
estimacin es en donde se diferencia sta grfica con la ( X,R).
Se demostr que : E(S) = c
4
, y se sabe que la media de las desviaciones
tpicas muestrales S , es un estimador insesgado de E(S) . Por lo tanto :
E S ( ) = S = c
4

=
S
c
4

Sustituyendo el valor estimado
, en los lmites de aceptacin para H

0
, se
obtienen los lmites de control , y resulta:
U C L . .
X
0 2
z
n
/
= X + 3
4
S
c n
= X + A
3
S
L C L . .
X =
0 2
z
n
/
=
X - 3
4
S
c n

=
X - A
3
S

En consecuencia , tenemos que la justificacin del coeficiente A
3
es :
A
c n
3
4
3

Con relacin a los lmites de control para la desviacin tpica muestral , la
justificacin es prcticamente la misma que para el Rango Muestral, y estn
basados en el intervalo S 3
s
, que a pesar de no tener una probabilidad de
99.73% por no ser la variable "S" una Distribucin Normal , tiene segn la
Desigualdad de Chebyshev una probabilidad de por lo menos 88.89% de
contener al valor de "S" de una muestra aleatoria , proveniente de un proceso
bajo control.
Teniendo en cuenta que :
s
c 1
4
2
, y que el valor estimado de es:
=
S
c
4
, se obtiene que :
s
c
S
c
1
4
2
4

Los lmites de control para el "Rango Muestral" sern entonces :
149
Ing
o

U C L S S c
S
c
s s
. .

3 3 1
4
2
4
= + = B
4
S
L C L S S c
S
c
s s
. .

3 3 1
4
2
4
= - = B
3
S
La relacin entre los coeficientes es en consecuencia :
B
c
c
4
4
2
4
1
3 1
; B
c
c
3
4
2
4
1
3 1
0

EFECTOS DE LA NO NORMALIDAD
Una gran limitacin de las grficas de control es el supuesto de normalidad para
la Distribucin subyacente.
Esta limitacin ha quedado manifiesta en este captulo, donde todas las
demostraciones anteriores, parten del supuesto de que f(x), funcin de densidad
para la caracterstica de calidad de las piezas individuales, es la correspondiente
a una Distribucin Normal .
Evidentemente si este axioma no se cumple, toda la teora anterior pierde su
fundamento.
Algunos autores han investigado el efecto de la no normalidad sobre la teora de
los grficos de control, especialmente en los ( X,R).
A continuacin se transcribe textualmente lo que el Dr. Douglas C. Montgomery
dice sobre el particular , en su texto : "Control Estadstico de la Calidad" :
Varios autores han estudiado el efecto de las desviaciones respecto de la normalidad, en
los diagramas de control. Burr ( 1967) hace notar que las constantes de los lmites de
control segn la teora normal comn, son muy slidas respecto a la suposicin de
normalidad, y pueden utilizarse a no ser que la poblacin sea extremadamente anormal.
Schilling y Nelson ( 1976) tambin estudiaron el efecto de lo no normalidad sobre los
lmites de control del diagrama de x . Investigaron la Distribucin uniforme, la de
tringulo recto, la gamma ( con = 1 , r = 1/2 , 1, 2, 3 y 4), y dos bimodales, formadas
por la combinacin de dos distribuciones normales. Su estudio indica que en la mayora
de los casos, es suficiente con utilizar muestras de tamao 4 5 para asegurar una solidez
razonable con respecto a la suposicin normal. Los peores casos se observaron para
valores pequeos de "r" en la distribucin gamma [ r = 1/2 y r =1(la distribucin
150
Ing
o

exponencial)] . Por ejemplo, tales investigadores informan que el riesgo " " real es de
0.014 menos, si n 4 para la distribucin gamma con r = 1/2 , en contraste con un
valor terico de 0.0027 para la distribucin normal.
Mientras que el uso de lmites de control de tres sigma en el diagrama de X producir un
riesgo " " de 0.0027 si la distribucin subyacente es normal, no se puede decir lo mismo
para el diagrama de R. La distribucin muestral de R es asimtrica, incluso en un
muestreo a partir de la distribucin normal, y la larga extremidad (o cola) se encuentra en
el lado alto o positivo. Por lo tanto, los lmites simtricos de tres sigmas son solamente
una aproximacin, y el riesgo " " en tal diagrama de R no es igual a 0,0027. ( en realidad
, para n = 4 , es de = 0.000461). Adems, el diagrama de R es ms sensible a
desviaciones respecto a la normalidad que el diagrama de X .
Una alternativa frente a la no normalidad son los mtodos no paramtricos , o
libres de distribucin , pero tienen el inconveniente de requerir mayores tamaos
de muestra .
En los artculos incluidos en el apndice se hace referencia a estos mtodos .

RELACION MATEMATICA ENTRE LOS COEFICIENTES DE CAPACIDAD
En el captulo IV se estableci que entre los coeficientes C
P
y C
PK
, existe una
relacin matemtica dada por: C
PK
= C
P
( 1 - k )
Su demostracin es la siguiente:
"k" es el "ndice de localizacin " , definido por : K
T
2

donde: = Corrimiento de la media = -
0

0
= Punto central de la especificacin =
L L
I S
2
.
= Media real del proceso.
T = Tolerancia en las especificaciones = L
S
- L
I
.
151
Ing
o

Por definicin : C
L L
p
s I
6
T
6
T = 6 C
P
k
C C
p p
2
6 3
(1*)
Adems: C
PK
= mnimo entre
L L
s i
3 3
;
-

Si el proceso est corrido hacia la derecha: C
L
pk
s
3
L
S
- =3 C
PK

Pero tal como puede apreciarse en la grfica:
L
S
- =
T
2

T
2
= 3 C
PK

T
C
pk
2
3
Sustituyendo en 1* resulta: k
T
C
C
C C
C
C C
C
pk
p
p pk
p
p pk
p
2
3
3
3 3
3

Al despejar C
PK
resulta: k C
P
= C
P
- C
PK
C
PK
= C
P
( 1 - k )
Si el proceso est corrido hacia la izquierda: C
L
pk
I
3

y procediendo de manera anloga, se llega a idntico resultado ; lo que
completa la demostracin de que para ambos casos se verifica: C
PK
= C
P
( 1 - k )

FUNCION LINEAL DE VARIABLES NORMALES
En el captulo IV , se enunci el siguiente Teorema :
Si X
1
, X
1
.... X
n
son variables aleatorias independientes , y normalmente
distribuidas , entonces una funcin lineal de ellas :
Y = a
0
+ a
1

X
1
+ a
2
X
2
+
....
+ a
n

X
n

152
Ing
o

tambin seguir una Distribucin normal , y sus parmetros son :

Y
= a
0
+ a
1

1
+ a
2

2
+
....
+ a
n

n

Y
2
= a
1
2

1
2
+ a
2
2

2
2
+
....
+ a
n n
2

2

Su demostracin es la siguiente:
Sea M
Y
(t) = E (e
tY
) ; la funcin generadora de momentos correspondiente a la
variable "Y" . Desarrollando se obtiene :
M
Y
(t)=E e
t a a X a X a X n n
( )
( ) 0 1 1 2 2
E e
ta a tX a tX a tX n n
( )
( ) 0 1 1 2 2
E e e e
ta ta X ta X n n
( )
0 1 1

Al ser variables aleatorias independientes, el valor esperado del producto es
igual al producto de los valores esperados, y por lo tanto:
M
Y
(t) E e E e E e
ta ta X ta X n n
( ) ( ) ( )
0 1 1
= e E e E e
ta ta X ta X n n 0 1 1
( ) ( )
Cada uno de los valores esperados resultantes, corresponde a una funcin
generadora de momentos, pero evaluada en a
i
t, es decir : E e
taX i i
( ) = M a t
Xi i
( )
Se sabe que para una Normal, su funcin generatriz de momentos es:
M t E e e
X
tX
t t
i
i
i i
( ) ( )
1
2
2
M a t E e e
X
taX
at a t
i i
i i
i i i i
( ) ( )
1
2
2 2 2

y por lo tanto , la funcin generadora de momentos para "Y" va a resultar:
M t e e e
Y
a t
a t a t a t a t n n n n
( )
0
1 1 1
2
1
2 2 2 2 2
1
2
1
2
= e
a a t a t i i
i
i n
i
i
i n
i ( ) ( ) 0
1
2
1
2 2
1
2

La funcin generadora de momentos obtenida para la variable "Y" , corresponde
justamente a la de una Distribucin Normal , con parmetros:
Y
Y
a a
a
i i
i
i n
i i
i
i n
0
1
2 2 2
1
;
tal como se quera demostrar.

153
Ing
o

CAPITULO VI : CONCLUSIONES Y RECOMENDACIONES
1) Para realizar un estudio de capacidad es requisito indispensable elaborar
como paso previo un grfico de control, con el objeto de verificar la estabilidad
del proceso.
En general , es preferible utilizar un grfico ( X , R) , a menos que por razones
tcnicas sea necesario mantener un control ms estricto sobre la variabilidad del
proceso, en cuyo caso debe utilizarse uno ( X , S) .
La formacin de subgrupos debe hacerse de manera que cada uno de ellos sea
lo ms homogneo posible, y que exista una gran probabilidad de variacin de
un subgrupo a otro , para lo cual es recomendable tomar las muestras de cada
subgrupo a partir de la produccin de un perodo breve de tiempo , o de un
mismo lote.
2) Existen dos metodologas importantes para evaluar la capacidad de un
proceso de produccin , que son:
a) A partir del grfico de control.
b) A partir del histograma.
Ambas metodologas tienen ciertas limitaciones en su fundamentacin terica, y
por ser complementarias, lo recomendable es utilizar ambas, a fin de obtener
una mejor estimacin de la capacidad del proceso.
Una evaluacin hecha por una sola de las metodologas, tiene el inconveniente
de estar basada en unos supuestos, de los cuales no se tiene una razonable
certeza, de que el proceso o la muestra los cumple.
3) No existen en las Normas ISO-9000 sealamientos acerca de la metodologa
a seguir para evaluar la capacidad del proceso , ni tampoco acerca de los
valores mnimos exigidos para los indicadores de su capacidad .
Lo recomendable es que el organismo competente seale pautas sobre el
particular, ya que actualmente la certificacin de la capacidad del proceso , a los
fines de dar cumplimiento a lo previsto en la Norma ISO-9000 , queda a criterio
del auditor .
4) Los indicadores de capacidad deberan ser estimados por intervalos, y la
certificacin de capacidad mediante pruebas de hiptesis..
154
Ing
o

Esta recomendacin permitira que el auditor tome una decisin ms racional
con relacin a la certificacin de capacidad..
Como este problema se encuentra en fase de desarrollo, una recomendacin
para la Universidades e Institutos de Investigacin, es que inicien un anlisis
ms a fondo del problema, a fin de desarrollar una nueva metodologa que
permita establecer de una manera ms precisa que la actual, los requisitos que
debe reunir un proceso de produccin, para que le sea concedida la certificacin
de capacidad.
5) La condicin ptima de operacin de un proceso es cuando est centrado ,
pues en ste punto su capacidad de calidad es mxima .
En conclusin, los responsables de la calidad del proceso deben canalizar su
esfuerzos para tratar de lograr un proceso centrado; con la nica excepcin de la
situacin en que el costo de corregir una pieza defectuosa es diferente para
cada extremo, en cuyo caso, la media de operacin del proceso debe
determinarse por la frmula dada en el captulo IV.
6) Es recomendable la realizacin de experimentos con el proceso, a fin de
poder detectar los factores que lo afectan de manera significativa, y reducir as
su variabilidad.
La clusula de la Norma ISO-900O (ver Introduccin) as lo sugiere , y por lo
tanto un estudio de capacidad solamente , no es suficiente para dar
cumplimiento a lo establecido en ella .
7) La revisin de las especificaciones del proceso es tambin otra
recomendacin muy importante , pues el estudio de capacidad supone que son
conocidas .
Un error en la fijacin de las especificaciones ocasiona consecuencias
gravsimas en la evaluacin de la capacidad del proceso, y por ello es muy
importante que estn perfectamente definidas.
8) Otra recomendacin importante para las empresas de produccin, es la que
se refiere a la formacin de su personal en Mtodos Estadsticos.
A lo largo de toda la obra hemos visto como la evaluacin de capacidad exige el
manejo de numerosas destrezas en tcnicas estadsticas, para cuya realizacin
se requiere un entrenamiento adecuado del personal.
Esta recomendacin es extensible tambin a las Facultades de Ingeniera,, ya
que en los planes de estudio de las diversas especialidades de Ingeniera , es
155
Ing
o

frecuente encontrar que la enseanza de la Estadstica no existe , o est
minimizada.
Si se toma en consideracin que el Ingeniero es por lo general, el profesional
llamado a gerenciar los procesos de produccin, resulta obvio que para poder
establecer metas de calidad en la produccin industrial, debe fortalecerse su
formacin en esta disciplina.

COMENTARIO FINAL
Un estudio de capacidad no puede ser visto como un hecho aislado con el
propsito de aprobar una auditora , y lograr una certificacin de calidad ; debe
formar parte de un programa continuo de mejoramiento de la calidad, en donde
el liderazgo gerencial es de vital importancia .
Las tcnicas de control y mejoramiento de procesos no son mtodos que se
aplican una vez, slo cuando el proceso est en problemas, sino que deben
tener un carcter permanente, para lo cual se requiere el apoyo decidido de la
gerencia .
La participacin y el compromiso de la gerencia constituyen el paso ms
importante en todo el proceso de mejoramiento. La gerencia desempea un
papel modelo, y el resto de la organizacin la considerar como gua y ejemplo.
El trabajo en equipo es tambin muy importante, pues la identificacin de los
factores que afectan el comportamiento del proceso requiere del concurso de
todo el personal involucrado.
Una de las tareas clave en la aplicacin de los diagramas de control estadstico,
es la determinacin de las variables apropiadas sobre las cuales se debe aplicar
el control, as como tambin los puntos del proceso de produccin , en los que
debe establecerse el control; y para ello se requiere de un adecuado trabajo en
equipo .
Un programa de Control Estadstico de Procesos debe reunir los siguientes
requisitos para que pueda tener xito:
1. Liderazgo gerencial.
2. Trabajo en equipo.
3. Educacin del personal a todos los niveles.
156
Ing
o

4. Enfasis en el mejoramiento continuo..
Todos los miembros de la gerencia y del equipo, deben recibir capacitacin
relativa a las herramientas apropiadas para el mejoramiento del proceso.
Un diagrama de flujo del proceso para mejorar su entendimiento acerca de la
forma como opera, es un buen mtodo para analizarlo, y para establecer los
puntos donde podran aplicarse con provecho los controles.
Tambin es importante desarrollar criterios de medicin relativos a las variables
claves, para lo cual se debe contar con equipos de laboratorio adecuadamente
calibrados.
En este sentido es muy importante tambin contar con normas y procedimientos
escritos acerca de la forma como deben hacerse estos ensayos y mediciones,
ya que si no existe uniformidad, sta variabilidad se reflejar injustamente
como una variabilidad del proceso, y en consecuencia en una inadecuada
evaluacin de su capacidad..
Por ltimo, es importante recordar que el contenido de esta obra slo considera
los aspectos relativos al estudio de capacidad, pero que esto es slo uno de los
muchos aspectos que evala la Norma ISO-9000, y que por lo tanto su
cumplimiento no garantiza la obtencin de la correspondiente certificacin de
calidad.
La evaluacin del sistema de calidad hecho por la norma ISO-9000 es
muchsimo ms amplia, y obedece a un concepto ms global como es el de
CALIDAD TOTAL.

157
Ing
o

Tabla N 1: Area bajo la Distribucin Normal Estndar entre 0 y z.

z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
158
Ing
o

2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990

159
Ing
o

Tabla 2: Diferentes reas bajo la curva normal estndar

z (z) (-z) D(z) z (z) (-z) D(z)
0,01 0,5040 0,4960 0,0080 0,51 0,6950 0,3050 0,3899
0,02 0,5080 0,4920 0,0160 0,52 0,6985 0,3015 0,3969
0,03 0,5120 0,4880 0,0239 0,53 0,7019 0,2981 0,4039
0,04 0,5160 0,4840 0,0319 0,54 0,7054 0,2946 0,4108
0,05 0,5199 0,4801 0,0399 0,55 0,7088 0,2912 0,4177
0,06 0,5239 0,4761 0,0478 0,56 0,7123 0,2877 0,4245
0,07 0,5279 0,4721 0,0558 0,57 0,7157 0,2843 0,4313
0,08 0,5319 0,4681 0,0638 0,58 0,7190 0,2810 0,4381
0,09 0,5359 0,4641 0,0717 0,59 0,7224 0,2776 0,4448
0,10 0,5398 0,4602 0,0797 0,60 0,7257 0,2743 0,4515
0,11 0,5438 0,4562 0,0876 0,61 0,7291 0,2709 0,4581
0,12 0,5478 0,4522 0,0955 0,62 0,7324 0,2676 0,4647
0,13 0,5517 0,4483 0,1034 0,63 0,7357 0,2643 0,4713
0,14 0,5557 0,4443 0,1113 0,64 0,7389 0,2611 0,4778
0,15 0,5596 0,4404 0,1192 0,65 0,7422 0,2578 0,4843
0,16 0,5636 0,4364 0,1271 0,66 0,7454 0,2546 0,4907
0,17 0,5675 0,4325 0,1350 0,67 0,7486 0,2514 0,4971
0,18 0,5714 0,4286 0,1428 0,68 0,7517 0,2483 0,5035
0,19 0,5753 0,4247 0,1507 0,69 0,7549 0,2451 0,5098
0,20 0,5793 0,4207 0,1585 0,70 0,7580 0,2420 0,5161
0,21 0,5832 0,4168 0,1663 0,71 0,7611 0,2389 0,5223
160
Ing
o

0,22 0,5871 0,4129 0,1741 0,72 0,7642 0,2358 0,5285
0,23 0,5910 0,4090 0,1819 0,73 0,7673 0,2327 0,5346
0,24 0,5948 0,4052 0,1897 0,74 0,7704 0,2296 0,5407
0,25 0,5987 0,4013 0,1974 0,75 0,7734 0,2266 0,5467
0,26 0,6026 0,3974 0,2051 0,76 0,7764 0,2236 0,5527
0,27 0,6064 0,3936 0,2128 0,77 0,7794 0,2206 0,5587
0,28 0,6103 0,3897 0,2205 0,78 0,7823 0,2177 0,5646
0,29 0,6141 0,3859 0,2282 0,79 0,7852 0,2148 0,5705
0,30 0,6179 0,3821 0,2358 0,80 0,7881 0,2119 0,5763
0,31 0,6217 0,3783 0,2434 0,81 0,7910 0,2090 0,5821
0,32 0,6255 0,3745 0,2510 0,82 0,7939 0,2061 0,5878
0,33 0,6293 0,3707 0,2586 0,83 0,7967 0,2033 0,5935
0,34 0,6331 0,3669 0,2661 0,84 0,7995 0,2005 0,5991
0,35 0,6368 0,3632 0,2737 0,85 0,8023 0,1977 0,6047
0,36 0,6406 0,3594 0,2812 0,86 0,8051 0,1949 0,6102
0,37 0,6443 0,3557 0,2886 0,87 0,8078 0,1922 0,6157
0,38 0,6480 0,3520 0,2961 0,88 0,8106 0,1894 0,6211
0,39 0,6517 0,3483 0,3035 0,89 0,8133 0,1867 0,6265
0,40 0,6554 0,3446 0,3108 0,90 0,8159 0,1841 0,6319
0,41 0,6591 0,3409 0,3182 0,91 0,8186 0,1814 0,6372
0,42 0,6628 0,3372 0,3255 0,92 0,8212 0,1788 0,6424
0,43 0,6664 0,3336 0,3328 0,93 0,8238 0,1762 0,6476
0,44 0,6700 0,3300 0,3401 0,94 0,8264 0,1736 0,6528
0,45 0,6736 0,3264 0,3473 0,95 0,8289 0,1711 0,6579
0,46 0,6772 0,3228 0,3545 0,96 0,8315 0,1685 0,6629
0,47 0,6808 0,3192 0,3616 0,97 0,8340 0,1660 0,6680
0,48 0,6844 0,3156 0,3688 0,98 0,8365 0,1635 0,6729
0,49 0,6879 0,3121 0,3759 0,99 0,8389 0,1611 0,6778
161
Ing
o

0,50 0,6915 0,3085 0,3829 1,00 0,8413 0,1587 0,6827

z (z) (-z) D(z) z (z) (-z) D(z)
1,01 0,8438 0,1562 0,6875 1,51 0,9345 0,0655 0,8690
1,02 0,8461 0,1539 0,6923 1,52 0,9357 0,0643 0,8715
1,03 0,8485 0,1515 0,6970 1,53 0,9370 0,0630 0,8740
1,04 0,8508 0,1492 0,7017 1,54 0,9382 0,0618 0,8764
1,05 0,8531 0,1469 0,7063 1,55 0,9394 0,0606 0,8789
1,06 0,8554 0,1446 0,7109 1,56 0,9406 0,0594 0,8812
1,07 0,8577 0,1423 0,7154 1,57 0,9418 0,0582 0,8836
1,08 0,8599 0,1401 0,7199 1,58 0,9429 0,0571 0,8859
1,09 0,8621 0,1379 0,7243 1,59 0,9441 0,0559 0,8882
1,10 0,8643 0,1357 0,7287 1,60 0,9452 0,0548 0,8904
1,11 0,8665 0,1335 0,7330 1,61 0,9463 0,0537 0,8926
1,12 0,8686 0,1314 0,7373 1,62 0,9474 0,0526 0,8948
1,13 0,8708 0,1292 0,7415 1,63 0,9484 0,0516 0,8969
1,14 0,8729 0,1271 0,7457 1,64 0,9495 0,0505 0,8990
1,15 0,8749 0,1251 0,7499 1,65 0,9505 0,0495 0,9011
1,16 0,8770 0,1230 0,7540 1,66 0,9515 0,0485 0,9031
1,17 0,8790 0,1210 0,7580 1,67 0,9525 0,0475 0,9051
1,18 0,8810 0,1190 0,7620 1,68 0,9535 0,0465 0,9070
1,19 0,8830 0,1170 0,7660 1,69 0,9545 0,0455 0,9090
1,20 0,8849 0,1151 0,7699 1,70 0,9554 0,0446 0,9109
1,21 0,8869 0,1131 0,7737 1,71 0,9564 0,0436 0,9127
1,22 0,8888 0,1112 0,7775 1,72 0,9573 0,0427 0,9146
1,23 0,8907 0,1093 0,7813 1,73 0,9582 0,0418 0,9164
1,24 0,8925 0,1075 0,7850 1,74 0,9591 0,0409 0,9181
162
Ing
o

1,25 0,8944 0,1056 0,7887 1,75 0,9599 0,0401 0,9199
1,26 0,8962 0,1038 0,7923 1,76 0,9608 0,0392 0,9216
1,27 0,8980 0,1020 0,7959 1,77 0,9616 0,0384 0,9233
1,28 0,8997 0,1003 0,7995 1,78 0,9625 0,0375 0,9249
1,29 0,9015 0,0985 0,8029 1,79 0,9633 0,0367 0,9265
1,30 0,9032 0,0968 0,8064 1,80 0,9641 0,0359 0,9281
1,31 0,9049 0,0951 0,8098 1,81 0,9649 0,0351 0,9297
1,32 0,9066 0,0934 0,8132 1,82 0,9656 0,0344 0,9312
1,33 0,9082 0,0918 0,8165 1,83 0,9664 0,0336 0,9328
1,34 0,9099 0,0901 0,8198 1,84 0,9671 0,0329 0,9342
1,35 0,9115 0,0885 0,8230 1,85 0,9678 0,0322 0,9357
1,36 0,9131 0,0869 0,8262 1,86 0,9686 0,0314 0,9371
1,37 0,9147 0,0853 0,8293 1,87 0,9693 0,0307 0,9385
1,38 0,9162 0,0838 0,8324 1,88 0,9699 0,0301 0,9399
1,39 0,9177 0,0823 0,8355 1,89 0,9706 0,0294 0,9412
1,40 0,9192 0,0808 0,8385 1,90 0,9713 0,0287 0,9426
1,41 0,9207 0,0793 0,8415 1,91 0,9719 0,0281 0,9439
1,42 0,9222 0,0778 0,8444 1,92 0,9726 0,0274 0,9451
1,43 0,9236 0,0764 0,8473 1,93 0,9732 0,0268 0,9464
1,44 0,9251 0,0749 0,8501 1,94 0,9738 0,0262 0,9476
1,45 0,9265 0,0735 0,8529 1,95 0,9744 0,0256 0,9488
1,46 0,9279 0,0721 0,8557 1,96 0,9750 0,0250 0,9500
1,47 0,9292 0,0708 0,8584 1,97 0,9756 0,0244 0,9512
1,48 0,9306 0,0694 0,8611 1,98 0,9761 0,0239 0,9523
1,49 0,9319 0,0681 0,8638 1,99 0,9767 0,0233 0,9534
1,50 0,9332 0,0668 0,8664 2,00 0,9772 0,0228 0,9545

163
Ing
o

z (z) (-z) D(z) z (z) (-z) D(z)
2,01 0,9778 0,0222 0,9556 2,51 0,9940 0,0060 0,9879
2,02 0,9783 0,0217 0,9566 2,52 0,9941 0,0059 0,9883
2,03 0,9788 0,0212 0,9576 2,53 0,9943 0,0057 0,9886
2,04 0,9793 0,0207 0,9586 2,54 0,9945 0,0055 0,9889
2,05 0,9798 0,0202 0,9596 2,55 0,9946 0,0054 0,9892
2,06 0,9803 0,0197 0,9606 2,56 0,9948 0,0052 0,9895
2,07 0,9808 0,0192 0,9615 2,57 0,9949 0,0051 0,9898
2,08 0,9812 0,0188 0,9625 2,58 0,9951 0,0049 0,9901
2,09 0,9817 0,0183 0,9634 2,59 0,9952 0,0048 0,9904
2,10 0,9821 0,0179 0,9643 2,60 0,9953 0,0047 0,9907
2,11 0,9826 0,0174 0,9651 2,61 0,9955 0,0045 0,9909
2,12 0,9830 0,0170 0,9660 2,62 0,9956 0,0044 0,9912
2,13 0,9834 0,0166 0,9668 2,63 0,9957 0,0043 0,9915
2,14 0,9838 0,0162 0,9676 2,64 0,9959 0,0041 0,9917
2,15 0,9842 0,0158 0,9684 2,65 0,9960 0,0040 0,9920
2,16 0,9846 0,0154 0,9692 2,66 0,9961 0,0039 0,9922
2,17 0,9850 0,0150 0,9700 2,67 0,9962 0,0038 0,9924
2,18 0,9854 0,0146 0,9707 2,68 0,9963 0,0037 0,9926
2,19 0,9857 0,0143 0,9715 2,69 0,9964 0,0036 0,9929
2,20 0,9861 0,0139 0,9722 2,70 0,9965 0,0035 0,9931
2,21 0,9864 0,0136 0,9729 2,71 0,9966 0,0034 0,9933
2,22 0,9868 0,0132 0,9736 2,72 0,9967 0,0033 0,9935
2,23 0,9871 0,0129 0,9743 2,73 0,9968 0,0032 0,9937
2,24 0,9875 0,0125 0,9749 2,74 0,9969 0,0031 0,9939
2,25 0,9878 0,0122 0,9756 2,75 0,9970 0,0030 0,9940
2,26 0,9881 0,0119 0,9762 2,76 0,9971 0,0029 0,9942
2,27 0,9884 0,0116 0,9768 2,77 0,9972 0,0028 0,9944
164
Ing
o

2,28 0,9887 0,0113 0,9774 2,78 0,9973 0,0027 0,9946
2,29 0,9890 0,0110 0,9780 2,79 0,9974 0,0026 0,9947
2,30 0,9893 0,0107 0,9786 2,80 0,9974 0,0026 0,9949
2,31 0,9896 0,0104 0,9791 2,81 0,9975 0,0025 0,9950
2,32 0,9898 0,0102 0,9797 2,82 0,9976 0,0024 0,9952
2,33 0,9901 0,0099 0,9802 2,83 0,9977 0,0023 0,9953
2,34 0,9904 0,0096 0,9807 2,84 0,9977 0,0023 0,9955
2,35 0,9906 0,0094 0,9812 2,85 0,9978 0,0022 0,9956
2,36 0,9909 0,0091 0,9817 2,86 0,9979 0,0021 0,9958
2,37 0,9911 0,0089 0,9822 2,87 0,9979 0,0021 0,9959
2,38 0,9913 0,0087 0,9827 2,88 0,9980 0,0020 0,9960
2,39 0,9916 0,0084 0,9832 2,89 0,9981 0,0019 0,9961
2,40 0,9918 0,0082 0,9836 2,90 0,9981 0,0019 0,9963
2,41 0,9920 0,0080 0,9840 2,91 0,9982 0,0018 0,9964
2,42 0,9922 0,0078 0,9845 2,92 0,9982 0,0018 0,9965
2,43 0,9925 0,0075 0,9849 2,93 0,9983 0,0017 0,9966
2,44 0,9927 0,0073 0,9853 2,94 0,9984 0,0016 0,9967
2,45 0,9929 0,0071 0,9857 2,95 0,9984 0,0016 0,9968
2,46 0,9931 0,0069 0,9861 2,96 0,9985 0,0015 0,9969
2,47 0,9932 0,0068 0,9865 2,97 0,9985 0,0015 0,9970
2,48 0,9934 0,0066 0,9869 2,98 0,9986 0,0014 0,9971
2,49 0,9936 0,0064 0,9872 2,99 0,9986 0,0014 0,9972
2,50 0,9938 0,0062 0,9876 3,00 0,9987 0,0013 0,9973

165
Ing
o

z (z) (-z) D(z) z (z) (-z) D(z)
3,01 0,9987 0,0013 0,9974 3,51 0,9998 0,0002 0,9996
3,02 0,9987 0,0013 0,9975 3,52 0,9998 0,0002 0,9996
3,03 0,9988 0,0012 0,9976 3,53 0,9998 0,0002 0,9996
3,04 0,9988 0,0012 0,9976 3,54 0,9998 0,0002 0,9996
3,05 0,9989 0,0011 0,9977 3,55 0,9998 0,0002 0,9996
3,06 0,9989 0,0011 0,9978 3,56 0,9998 0,0002 0,9996
3,07 0,9989 0,0011 0,9979 3,57 0,9998 0,0002 0,9996
3,08 0,9990 0,0010 0,9979 3,58 0,9998 0,0002 0,9997
3,09 0,9990 0,0010 0,9980 3,59 0,9998 0,0002 0,9997
3,10 0,9990 0,0010 0,9981 3,60 0,9998 0,0002 0,9997
3,11 0,9991 0,0009 0,9981 3,61 0,9998 0,0002 0,9997
3,12 0,9991 0,0009 0,9982 3,62 0,9999 0,0001 0,9997
3,13 0,9991 0,0009 0,9983 3,63 0,9999 0,0001 0,9997
3,14 0,9992 0,0008 0,9983 3,64 0,9999 0,0001 0,9997
3,15 0,9992 0,0008 0,9984 3,65 0,9999 0,0001 0,9997
3,16 0,9992 0,0008 0,9984 3,66 0,9999 0,0001 0,9997
3,17 0,9992 0,0008 0,9985 3,67 0,9999 0,0001 0,9998
3,18 0,9993 0,0007 0,9985 3,68 0,9999 0,0001 0,9998
3,19 0,9993 0,0007 0,9986 3,69 0,9999 0,0001 0,9998
3,20 0,9993 0,0007 0,9986 3,70 0,9999 0,0001 0,9998
3,21 0,9993 0,0007 0,9987 3,71 0,9999 0,0001 0,9998
3,22 0,9994 0,0006 0,9987 3,72 0,9999 0,0001 0,9998
3,23 0,9994 0,0006 0,9988 3,73 0,9999 0,0001 0,9998
3,24 0,9994 0,0006 0,9988 3,74 0,9999 0,0001 0,9998
3,25 0,9994 0,0006 0,9988 3,75 0,9999 0,0001 0,9998
3,26 0,9994 0,0006 0,9989 3,76 0,9999 0,0001 0,9998
3,27 0,9995 0,0005 0,9989 3,77 0,9999 0,0001 0,9998
166
Ing
o

3,28 0,9995 0,0005 0,9990 3,78 0,9999 0,0001 0,9998
3,29 0,9995 0,0005 0,9990 3,79 0,9999 0,0001 0,9998
3,30 0,9995 0,0005 0,9990 3,80 0,9999 0,0001 0,9999
3,31 0,9995 0,0005 0,9991 3,81 0,9999 0,0001 0,9999
3,32 0,9995 0,0005 0,9991 3,82 0,9999 0,0001 0,9999
3,33 0,9996 0,0004 0,9991 3,83 0,9999 0,0001 0,9999
3,34 0,9996 0,0004 0,9992 3,84 0,9999 0,0001 0,9999
3,35 0,9996 0,0004 0,9992 3,85 0,9999 0,0001 0,9999
3,36 0,9996 0,0004 0,9992 3,86 0,9999 0,0001 0,9999
3,37 0,9996 0,0004 0,9992 3,87 0,9999 0,0001 0,9999
3,38 0,9996 0,0004 0,9993 3,88 0,9999 0,0001 0,9999
3,39 0,9997 0,0003 0,9993 3,89 0,9999 0,0001 0,9999
3,40 0,9997 0,0003 0,9993 3,90 1,0000 0,0000 0,9999
3,41 0,9997 0,0003 0,9994 3,91 1,0000 0,0000 0,9999
3,42 0,9997 0,0003 0,9994 3,92 1,0000 0,0000 0,9999
3,43 0,9997 0,0003 0,9994 3,93 1,0000 0,0000 0,9999
3,44 0,9997 0,0003 0,9994 3,94 1,0000 0,0000 0,9999
3,45 0,9997 0,0003 0,9994 3,95 1,0000 0,0000 0,9999
3,46 0,9997 0,0003 0,9995 3,96 1,0000 0,0000 0,9999
3,47 0,9997 0,0003 0,9995 3,97 1,0000 0,0000 0,9999
3,48 0,9997 0,0003 0,9995 3,98 1,0000 0,0000 0,9999
3,49 0,9998 0,0002 0,9995 3,99 1,0000 0,0000 0,9999
3,50 0,9998 0,0002 0,9995 4,00 1,0000 0,0000 0,9999

167
Ing
o

Tabla 2.3: Valores de z en funcin del rea

Area A la izquierda Central Area A la izquierda Central
0,001 -3,090 0,001 0,510 0,025 0,690
0,005 -2,576 0,006 0,520 0,050 0,706
0,010 -2,326 0,013 0,530 0,075 0,722
0,020 -2,054 0,025 0,540 0,100 0,739
0,025 -1,960 0,031 0,550 0,126 0,755
0,030 -1,881 0,038 0,560 0,151 0,772
0,040 -1,751 0,050 0,570 0,176 0,789
0,050 -1,645 0,063 0,580 0,202 0,806
0,060 -1,555 0,075 0,590 0,228 0,824
0,070 -1,476 0,088 0,600 0,253 0,842
0,080 -1,405 0,100 0,610 0,279 0,860
0,090 -1,341 0,113 0,620 0,305 0,878
0,100 -1,282 0,126 0,630 0,332 0,896
0,110 -1,227 0,138 0,640 0,358 0,915
0,120 -1,175 0,151 0,650 0,385 0,935
0,130 -1,126 0,164 0,660 0,412 0,954
0,140 -1,080 0,176 0,670 0,440 0,974
0,150 -1,036 0,189 0,680 0,468 0,994
0,160 -0,994 0,202 0,690 0,496 1,015
0,170 -0,954 0,215 0,700 0,524 1,036
0,180 -0,915 0,228 0,710 0,553 1,058
0,190 -0,878 0,240 0,720 0,583 1,080
0,200 -0,842 0,253 0,730 0,613 1,103
0,210 -0,806 0,266 0,740 0,643 1,126
168
Ing
o

0,220 -0,772 0,279 0,750 0,674 1,150
0,230 -0,739 0,292 0,760 0,706 1,175
0,240 -0,706 0,305 0,770 0,739 1,200
0,250 -0,674 0,319 0,780 0,772 1,227
0,260 -0,643 0,332 0,790 0,806 1,254
0,270 -0,613 0,345 0,800 0,842 1,282
0,280 -0,583 0,358 0,810 0,878 1,311
0,290 -0,553 0,372 0,820 0,915 1,341
0,300 -0,524 0,385 0,830 0,954 1,372
0,310 -0,496 0,399 0,840 0,994 1,405
0,320 -0,468 0,412 0,850 1,036 1,440
0,330 -0,440 0,426 0,860 1,080 1,476
0,340 -0,412 0,440 0,870 1,126 1,514
0,350 -0,385 0,454 0,880 1,175 1,555
0,360 -0,358 0,468 0,890 1,227 1,598
0,370 -0,332 0,482 0,900 1,282 1,645
0,380 -0,305 0,496 0,910 1,341 1,695
0,390 -0,279 0,510 0,920 1,405 1,751
0,400 -0,253 0,524 0,930 1,476 1,812
0,410 -0,228 0,539 0,940 1,555 1,881
0,420 -0,202 0,553 0,950 1,645 1,960
0,430 -0,176 0,568 0,960 1,751 2,054
0,440 -0,151 0,583 0,970 1,881 2,170
0,450 -0,126 0,598 0,975 1,960 2,241
0,460 -0,100 0,613 0,980 2,054 2,326
0,470 -0,075 0,628 0,990 2,326 2,576
0,480 -0,050 0,643 0,995 2,576 2,807
0,490 -0,025 0,659 0,999 3,090 3,290
0,500 0,000 0,674 1,000

169
Ing
o

Tabla No 3 : Coeficientes para la construccin de grficas de control

170
Ing
o

Tabla No 4: Percentiles de la Distribucin Chi Cuadrado
grados libertad
v X0,005 X0,010 X0,025 X0,050 X0,100 X0,900 X0,950 X0,975 X0,990 X0,995
1 0,00 0,00 0,00 0,00 0,02 2,71 3,84 5,02 6,63 7,88
2 0,01 0,02 0,05 0,10 0,21 4,61 5,99 7,38 9,21 10,60
3 0,07 0,11 0,22 0,35 0,58 6,25 7,81 9,35 11,34 12,84
4 0,21 0,30 0,48 0,71 1,06 7,78 9,49 11,14 13,28 14,86
5 0,41 0,55 0,83 1,15 1,61 9,24 11,07 12,83 15,09 16,75
6 0,68 0,87 1,24 1,64 2,20 10,64 12,59 14,45 16,81 18,55
7 0,99 1,24 1,69 2,17 2,83 12,02 14,07 16,01 18,48 20,28
8 1,34 1,65 2,18 2,73 3,49 13,36 15,51 17,53 20,09 21,95
9 1,73 2,09 2,70 3,33 4,17 14,68 16,92 19,02 21,67 23,59
10 2,16 2,56 3,25 3,94 4,87 15,99 18,31 20,48 23,21 25,19
11 2,60 3,05 3,82 4,57 5,58 17,28 19,68 21,92 24,72 26,76
12 3,07 3,57 4,40 5,23 6,30 18,55 21,03 23,34 26,22 28,30
13 3,57 4,11 5,01 5,89 7,04 19,81 22,36 24,74 27,69 29,82
14 4,07 4,66 5,63 6,57 7,79 21,06 23,68 26,12 29,14 31,32
15 4,60 5,23 6,26 7,26 8,55 22,31 25,00 27,49 30,58 32,80
16 5,14 5,81 6,91 7,96 9,31 23,54 26,30 28,85 32,00 34,27
17 5,70 6,41 7,56 8,67 10,09 24,77 27,59 30,19 33,41 35,72
18 6,26 7,01 8,23 9,39 10,86 25,99 28,87 31,53 34,81 37,16
19 6,84 7,63 8,91 10,12 11,65 27,20 30,14 32,85 36,19 38,58
20 7,43 8,26 9,59 10,85 12,44 28,41 31,41 34,17 37,57 40,00
21 8,03 8,90 10,28 11,59 13,24 29,62 32,67 35,48 38,93 41,40
22 8,64 9,54 10,98 12,34 14,04 30,81 33,92 36,78 40,29 42,80
23 9,26 10,20 11,69 13,09 14,85 32,01 35,17 38,08 41,64 44,18
24 9,89 10,86 12,40 13,85 15,66 33,20 36,42 39,36 42,98 45,56
25 10,52 11,52 13,12 14,61 16,47 34,38 37,65 40,65 44,31 46,93
26 11,16 12,20 13,84 15,38 17,29 35,56 38,89 41,92 45,64 48,29
27 11,81 12,88 14,57 16,15 18,11 36,74 40,11 43,19 46,96 49,64
28 12,46 13,56 15,31 16,93 18,94 37,92 41,34 44,46 48,28 50,99
29 13,12 14,26 16,05 17,71 19,77 39,09 42,56 45,72 49,59 52,34
30 13,79 14,95 16,79 18,49 20,60 40,26 43,77 46,98 50,89 53,67
31 14,46 15,66 17,54 19,28 21,43 41,42 44,99 48,23 52,19 55,00
32 15,13 16,36 18,29 20,07 22,27 42,58 46,19 49,48 53,49 56,33
33 15,82 17,07 19,05 20,87 23,11 43,75 47,40 50,73 54,78 57,65
34 16,50 17,79 19,81 21,66 23,95 44,90 48,60 51,97 56,06 58,96
35 17,19 18,51 20,57 22,47 24,80 46,06 49,80 53,20 57,34 60,27
36 17,89 19,23 21,34 23,27 25,64 47,21 51,00 54,44 58,62 61,58
37 18,59 19,96 22,11 24,07 26,49 48,36 52,19 55,67 59,89 62,88
38 19,29 20,69 22,88 24,88 27,34 49,51 53,38 56,90 61,16 64,18
39 20,00 21,43 23,65 25,70 28,20 50,66 54,57 58,12 62,43 65,48
40 20,71 22,16 24,43 26,51 29,05 51,81 55,76 59,34 63,69 66,77
41 21,42 22,91 25,21 27,33 29,91 52,95 56,94 60,56 64,95 68,05
42 22,14 23,65 26,00 28,14 30,77 54,09 58,12 61,78 66,21 69,34
43 22,86 24,40 26,79 28,96 31,63 55,23 59,30 62,99 67,46 70,62
44 23,58 25,15 27,57 29,79 32,49 56,37 60,48 64,20 68,71 71,89
45 24,31 25,90 28,37 30,61 33,35 57,51 61,66 65,41 69,96 73,17
46 25,04 26,66 29,16 31,44 34,22 58,64 62,83 66,62 71,20 74,44
47 25,77 27,42 29,96 32,27 35,08 59,77 64,00 67,82 72,44 75,70
171
Ing
o

48 26,51 28,18 30,75 33,10 35,95 60,91 65,17 69,02 73,68 76,97
49 27,25 28,94 31,55 33,93 36,82 62,04 66,34 70,22 74,92 78,23
50 27,99 29,71 32,36 34,76 37,69 63,17 67,50 71,42 76,15 79,49
51 28,73 30,48 33,16 35,60 38,56 64,30 68,67 72,62 77,39 80,75
52 29,48 31,25 33,97 36,44 39,43 65,42 69,83 73,81 78,62 82,00
53 30,23 32,02 34,78 37,28 40,31 66,55 70,99 75,00 79,84 83,25
54 30,98 32,79 35,59 38,12 41,18 67,67 72,15 76,19 81,07 84,50
55 31,73 33,57 36,40 38,96 42,06 68,80 73,31 77,38 82,29 85,75
56 32,49 34,35 37,21 39,80 42,94 69,92 74,47 78,57 83,51 86,99
57 33,25 35,13 38,03 40,65 43,82 71,04 75,62 79,75 84,73 88,24
58 34,01 35,91 38,84 41,49 44,70 72,16 76,78 80,94 85,95 89,48
59 34,77 36,70 39,66 42,34 45,58 73,28 77,93 82,12 87,17 90,72
60 35,53 37,48 40,48 43,19 46,46 74,40 79,08 83,30 88,38 91,95
61 36,30 38,27 41,30 44,04 47,34 75,51 80,23 84,48 89,59 93,19
62 37,07 39,06 42,13 44,89 48,23 76,63 81,38 85,65 90,80 94,42
63 37,84 39,86 42,95 45,74 49,11 77,75 82,53 86,83 92,01 95,65
64 38,61 40,65 43,78 46,59 50,00 78,86 83,68 88,00 93,22 96,88
65 39,38 41,44 44,60 47,45 50,88 79,97 84,82 89,18 94,42 98,11
66 40,16 42,24 45,43 48,31 51,77 81,09 85,96 90,35 95,63 99,33
67 40,94 43,04 46,26 49,16 52,66 82,20 87,11 91,52 96,83 100,55
68 41,71 43,84 47,09 50,02 53,55 83,31 88,25 92,69 98,03 101,78
69 42,49 44,64 47,92 50,88 54,44 84,42 89,39 93,86 99,23 103,00
70 43,28 45,44 48,76 51,74 55,33 85,53 90,53 95,02 100,43 104,21
71 44,06 46,25 49,59 52,60 56,22 86,64 91,67 96,19 101,62 105,43
72 44,84 47,05 50,43 53,46 57,11 87,74 92,81 97,35 102,82 106,65
73 45,63 47,86 51,26 54,33 58,01 88,85 93,95 98,52 104,01 107,86
74 46,42 48,67 52,10 55,19 58,90 89,96 95,08 99,68 105,20 109,07
75 47,21 49,48 52,94 56,05 59,79 91,06 96,22 100,84 106,39 110,29
76 48,00 50,29 53,78 56,92 60,69 92,17 97,35 102,00 107,58 111,50
77 48,79 51,10 54,62 57,79 61,59 93,27 98,48 103,16 108,77 112,70
78 49,58 51,91 55,47 58,65 62,48 94,37 99,62 104,32 109,96 113,91
79 50,38 52,72 56,31 59,52 63,38 95,48 100,75 105,47 111,14 115,12
80 51,17 53,54 57,15 60,39 64,28 96,58 101,88 106,63 112,33 116,32
81 51,97 54,36 58,00 61,26 65,18 97,68 103,01 107,78 113,51 117,52
82 52,77 55,17 58,84 62,13 66,08 98,78 104,14 108,94 114,69 118,73
83 53,57 55,99 59,69 63,00 66,98 99,88 105,27 110,09 115,88 119,93
84 54,37 56,81 60,54 63,88 67,88 100,98 106,39 111,24 117,06 121,13
85 55,17 57,63 61,39 64,75 68,78 102,08 107,52 112,39 118,24 122,32
86 55,97 58,46 62,24 65,62 69,68 103,18 108,65 113,54 119,41 123,52
87 56,78 59,28 63,09 66,50 70,58 104,28 109,77 114,69 120,59 124,72
88 57,58 60,10 63,94 67,37 71,48 105,37 110,90 115,84 121,77 125,91
89 58,39 60,93 64,79 68,25 72,39 106,47 112,02 116,99 122,94 127,11
90 59,20 61,75 65,65 69,13 73,29 107,57 113,15 118,14 124,12 128,30
91 60,00 62,58 66,50 70,00 74,20 108,66 114,27 119,28 125,29 129,49
92 60,81 63,41 67,36 70,88 75,10 109,76 115,39 120,43 126,46 130,68
93 61,63 64,24 68,21 71,76 76,01 110,85 116,51 121,57 127,63 131,87
94 62,44 65,07 69,07 72,64 76,91 111,94 117,63 122,72 128,80 133,06
95 63,25 65,90 69,92 73,52 77,82 113,04 118,75 123,86 129,97 134,25
96 64,06 66,73 70,78 74,40 78,73 114,13 119,87 125,00 131,14 135,43
97 64,88 67,56 71,64 75,28 79,63 115,22 120,99 126,14 132,31 136,62
98 65,69 68,40 72,50 76,16 80,54 116,32 122,11 127,28 133,48 137,80

172
Ing
o

Tabla No 5 : Valores crticos de D
n
para la prueba de Kolmogov Smirnoff

173
Ing
o

174
Ing
o

BIBLIOGRAFIA
1 - Arvelo L , Francisco .
525 Problemas de Estadstica .
Editorial Litextu.

2- Besterfield , Dale H.
Quality Control .
Prentice Hall Inc.

3- Blake , Ian F.
An Introduccion to Applied Probability .
John Wiley & Sons.

4- Bowker , Albert H & Lieberman, Gerald J.
Estadstica para Ingenieros
Editorial Prentice Hall Internacional .

5- DeGroot , Morris H.
Probabilidad y Estadstica.
Addison-Wesley Iberoamericana .

6- Deming , W. Edwards
Calidad , Productividad y Competitividad . La salida de la crisis .
Ediciones Diaz de Santos , S.A .

7- Derenzo , Stephen E.
Approximations for Hand Calculators.
Manuales Hewlett - Packard.

8- Duncan , Acheson J.
Control de Calidad y Estadstica Industrial.
Editorial Alfaomega .

9- Grant , Eugene L.
Control de Calidad Estadstico .
Editorial CECSA .

10- Guttman & Wilks & Hunter
Introductory Engineering Statistics.
John Wiley & Sons.

11- Hansen , Bertrand L.
Control de Calidad .
175
Ing
o

Editorial Hispano Europea .

12- Hines , William W & Montgomery , Douglas C.
Probabilidad y Estadstica para Ingeniera y Administracin .
Editorial CECSA .

13- Ishikawa , Kaoru
Guide to Quality Control .
Asian Productivity Organization .

14- Juran , J.M & Gryna , Frank M. Jr.
Planificacin y Anlisis de la Calidad .
Editorial Revert , S.A .

15- Kennedy , John B. & Neville , Adam M.
Estadstica para Ciencias e Ingeniera .
Editorial Harla .

16- Kreyszig , Erwin .
Introductory Mathematical Statistics . Principles and Methods .
John Wiley & Sons.

17- Lindgren , B.W
Statistical Theory .
The MacMillan Company .

18- Lpez Casuso , Rafael
Introduccin al Clculo de Probabilidades e Inferencia Estadstica
Universidad Catlica Andrs Bello .

19- Menderhall & Wackerly & Scheaffer
Estadstica Matemtica con Aplicaciones .
Grupo Editorial Iberoamericana .

20- Meyer , Paul L.
Probabilidad y Aplicaciones Estadsticas .
Addison-Wesley Iberoamericana .

21- Montgomery , Douglas C.
Control Estadstico de la Calidad
Grupo Editorial Iberoamericana .

22- Spiegel , Murray R.
Estadstica
Coleccin Schaum . Editorial Mc. Graw Hill .

176
Ing
o

23- Walpole , Ronald E. & Myers , Raymond H.
Probabilidad y Estadstica .
Editorial Mc. Graw Hill Interamericana .

Capacidad de Procesos Iso 9000 Arvelo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Capacidad de Procesos Iso 9000 Arvelo

Uploaded by

Copyright:

Available Formats

1

Capacidad de Procesos segn ISO 9000

= 34.09 , y el punto central de la especificacin es 35.0, el

= 0.1458 , que result ligeramente mayor que 0.1333,

, en los lmites de aceptacin para H

You might also like