Calidad en El Mantenimiento

Calidad en el
mantenimiento
T.S.U
Mantenimiento
Industrial
Contenido
Introduccin.3
U1.- Gestin de la calidad.4
U2.-Estadistica y Probabilidad..8
U3.-Herramientas Estadsticas de la calidad.30
U4.-Herramientas de confiabilidad..38
Introduccin
La calidad es un tema de reciente desarrollo, ahora ya no se puede hablar de

hacer las cosas bien sino mantener un nivel de calidad adecuado durante la
realizacin de un producto o servicio. Existen diferentes definiciones de calidad, el
uso de cada una depende del rea en que s este trabajando. Anteriormente se
crea que la calidad era demasiada costosa y por eso influa en las ganancias
producidas por la empresa. Ahora se sabe que el buscar la calidad resulta en una
baja en los costos de las empresas y una mayor ganancia. Se ha discutido mucho
la definicin de calidad, pero los pensadores que ms han sobresalido en el tema
son los que presentaremos a continuacin.
U1.- Gestin de calidad

En las organizaciones de hoy da omos mencionar constantemente las frases:
Nuestro Sistema de Gestin de la Calidad, El Sistema de Gestin de la
Calidad de XXX, sin tener muchas veces, la ms mnima idea de lo que esto
significa, su concepto y los beneficios que puede traer a una organizacin cuando
este se implementa con compromiso y liderazgo.
Un Sistema de Gestin de la Calidad (SGC) no es ms que una serie de

actividades coordinadas que se llevan a cabo sobre un conjunto de elementos
para lograr la calidad de los productos o servicios que se ofrecen al cliente, es
decir, es planear, controlar y mejorar aquellos elementos de una organizacin que
influyen en el cumplimiento de los requisitos del cliente y en el logro de la
satisfaccin del mismo.
Otra manera de definir un Sistema de Gestin de la Calidad, es descomponiendo
cada una de sus palabras y definirlas por separado:
Sistema: Conjunto de elementos que relacionados entre s ordenadamente
contribuyen a determinado objetos (Real Academia Espaola, 2001).
Como ejemplo podemos citar los ecosistemas, los cuales estn compuesto de
varios elementos relacionados entre s, tales como: Agua, clima, tierra y aire.
Gestin: Es la accin o efecto de hacer actividades para el logro de un negocio o
un deseo cualquiera (Real Academia Espaola, 2001).
De estas dos definiciones podemos concluir que un Sistema de Gestin de la
Calidad son actividades empresariales, planificadas y controladas, que se realizan
sobre un conjunto de elementos para lograr la calidad.
Entre los elementos de un Sistema de Gestin de la Calidad, se encuentran los
siguientes:
1. Estructura Organizacional
2. Planificacin (Estrategia)
3. Recursos
4. Procesos
5. Procedimientos
La Estructura Organizacional es la jerarqua de funciones y responsabilidades que
define una organizacin para lograr sus objetivos. Es la manera en que la
3
organizacin organiza a su personal, de acuerdo a sus funciones y tareas,

definiendo as el papel que ellos juegan en la misma.
La Planificacin constituye al conjunto de actividades que permiten a la
organizacin trazar un mapa para llegar al logro de los objetivos que se ha
planteado. Una correcta planificacin permite responder las siguientes preguntas
en una organizacin:
A dnde queremos llegar?
Qu vamos hacer para lograrlo?
Cmo lo vamos hacer?
Qu vamos a necesitar?
El Recurso es todo aquello que vamos a necesitar para poder alcanzar el logro de
los objetivos de la organizacin (personas, equipos, infraestructura, dinero, etc).
Los Procesos son el conjunto de actividades que transforman elementos de
entradas en producto o servicio. Todas las organizaciones tienen procesos, pero
no siempre se encuentran identificados. Los procesos requieren de recursos,
procedimientos, planificacin y las actividades as como sus responsables.
Los Procedimientos son la forma de llevar a cabo un proceso. Es el conjunto de
pasos detallados que se deben de realizar para poder transformar los elementos
de entradas del proceso en producto o servicio. Dependiendo de la complejidad, la
organizacin decide si documentar o no los procedimientos.
Todos estos elementos descritos anteriormente, estn relacionados entre s (de
ah a que es unSISTEMA) y su vez son gestionados a partir de tres procesos de
gestin, como bien dice Juran: Planear, Controlar y Mejorar. En la figura siguiente
se
presenta
un
esquema
grfico
de
esta
relacin:
Sistema de Gestin de la Calidad
La Planificacin de la Calidad: Son actividades para establecer los requisitos y los

objetivos para calidad y para la aplicacin a los elementos de un Sistema de
Calidad (Juran & Godfrey, 1998).
La planificacin de la calidad consta de los siguientes pasos:
1. Establecer el proyecto
2. Identificar los clientes
3. Identificar los requisitos del cliente
4. Desarrollar el producto
5. Desarrollar el proceso
6. Desarrollar los controles y enviar a operaciones
El Control de la Calidad, lleva a cabo un conjunto de operaciones para mantener la
estabilidad y evitar cambios adversos. Para mantener la estabilidad, se mide el
desempeo actual y estos se comparan con las metas establecidas para tomar
acciones en las diferencias que se encuentren(Juran & Godfrey, 1998).
La Mejora de la Calidad constituye al grupo de actividades que llevan a la
organizacin hacia un cambio benfico, es decir, lograr mayores niveles de
desempeo. Mejor Calidad es una forma de cambio benfico (Juran & Godfrey,
1998).
Para que un Sistema de Gestin de la Calidad falle, solo bastar con que uno de
estos cinco elementos lo haga, o que se realice una mala gestin sobre ellos. No
5
es posible tener unSistema de Gestin de la Calidad sin que uno de los cinco
elementos citados anteriormente est presente.
Podramos usar la analoga del cuerpo humano, tal como lo explica Victor
Medelln, en donde todo el cuerpo es un complejo sistema formado a su vez por
varios elementos, tales como: Sistema Respiratorio, Sistema Digestivo, Sistema
Circulatorio, etc. Cada uno de estos elementos que conforman al cuerpo humano
estn relacionados entre s, y no es posible que el cuerpo humano pueda operar
sin uno de ellos.
Continuando con la analoga anterior, podramos agregar que si no hacemos una
adecuada gestin sobre los elementos del cuerpo humano, nuestro Sistema
Corporal empezar a fallar, provocando as un deterioro en nuestra salud, en el
caso del Sistema de Gestin de la Calidad, provocar un deterioro en la Calidad
de los productos o servicios que ofrezca la organizacin.
En nuestra prxima entrega, continuaremos desarrollando este tema,
introduciendo la normativa ISO 9001 y los beneficios que un Sistema de Gestin
de la Calidad podra traerle a una organizacin.
U2.-Estadstica y Probabilidad
Estadstica:
La estadstica es comnmente considerada como una coleccin de hechos
numricos expresados en trminos de una relacin sumisa, y que han sido
recopilados a partir de otros datos numricos.
Kendall y Buckland (citados por Gini V. Glas / Julian C. Stanley, 1980) definen la
estadstica como un valor resumido, calculado, como base en una muestra de
observaciones que generalmente, aunque no por necesidad, se considera como
una estimacin de parmetro de determinada poblacin; es decir, una funcin de
valores de muestra.
"La estadstica es una tcnica especial apta para el estudio cuantitativo de los
fenmenos de masa o colectivo, cuya mediacin requiere una masa de
observaciones de otros fenmenos ms simples llamados individuales o
particulares". (Gini, 1953).
Murria R. Spiegel, (1991) dice: "La estadstica estudia los mtodos cientficos para
recoger, organizar, resumir y analizar datos, as como para sacar conclusiones
vlidas y tomar decisiones razonables basadas en tal anlisis.
"La estadstica es la ciencia que trata de la recoleccin, clasificacin y
presentacin de los hechos sujetos a una apreciacin numrica como base a la
explicacin, descripcin y comparacin de los fenmenos". (Yale y Kendal, 1954).
Cualquiera sea el punto de vista, lo fundamental es la importancia cientfica que
tiene la estadstica, debido al gran campo de aplicacin que posee.
Definicin de estadstica. El trmino estadstica tiene su raz en la palabra Estado.
Surge cuando se hace necesario para sus intereses cuantificar conceptos. En la
mayora de los casos esta cuantificacin se har en funcin de unos fines
econmicos o militares. El estado quiere conocer censo de personas, de
infraestructura, de recursos en general, para poder obtener conclusiones de esta
informacin.
Actualmente la estadstica es una ciencia que se desarroll principalmente en el
siglo XX en las Universidades y centros de investigacin prestigiosos alrededor del
mundo, dedicados a la investigacin en ciencias biolgicas y agropecuarias, como
la Estacin experimental de Rothamstead en Gran Bretaa o la Universidad
Estatal de Iowa y la Universidad de Carolina del Norte en EE.UU. No es ya una
cuestin reservada al estado. Podramos decir que ha permeado la mayora de las
ciencias, desde la Biologa (en especial, la Gentica), la Fsica, la Qumica y las
relacionadas con la Ingeniera en general, as como las Finanzas, Economa y
Ciencias Sociales.
7
La razn es clara: por una parte la estadstica proporciona tcnicas precisas para
obtener informacin, (recoleccin y descripcin de datos) y por otra parte
proporciona mtodos para el anlisis de esta informacin (inferencia).
INFERENCIA ESTADSTICA
Se basa en las conclusiones a la que se llega por la ciencia experimental
basndose en informacin incompleta (de una parte de la poblacin). La inferencia
estadstica es una parte de la Estadstica que permite generar modelos
probabilsticos a partir de un conjunto de observaciones. Del conjunto se
observaciones que van a ser analizadas, se eligen aleatoriamente slo unas
cuantas, que es lo que se denomina muestra, y a partir de dicha muestra se
estiman los parmetros del modelo, y se contrastan las hiptesis establecidas, con
el objeto de determinar si el modelo probabilstico es el adecuado al problema real
que se ha planteado.
La utilidad de la inferencia estadstica, consiste en que si el modelo se considera
adecuado, puede usarse para la toma de decisiones o para la realizacin de las
previsiones convenientes.
En el desarrollo del tema se utilizarn variables aleatorias, que son variables
determinadas por el azar.
La inferencia estadstica parte de un conjunto de observaciones de una variable, y
a partir de estos datos "infiere" o genera un modelo probabilstico; por tanto es la
consecuencia de la investigacin emprica, cuando se est llevando a cabo, y
como consecuencia de la ciencia terica, cuando se estn generando
estimadores, o mtodos, con tal o cual caracterstica para casos particulares. La
inferencia estadstica es, en consecuencia, un planteamiento inductivo.
Es la parte de la estadstica matemtica que se encarga del estudio de
los mtodos para la obtencin del modelo de probabilidad que sigue una variable
aleatoria de una determinada poblacin, a travs de una muestra obtenida de la
misma.
Proceso de anlisis que consiste en inferir las propiedades de una poblacin con
base en la caracterizacin de la muestra.
TEORA DE DECISIN
Estudio formal sobre la toma de decisiones. Los estudios de casos reales, que se
sirven de la inspeccin y los experimentos, se denominan teora descriptiva de
decisin; los estudios de la toma de decisiones racionales, que utilizan la lgica y
la estadstica, se llaman teora preceptiva de decisin. Estos estudios se hacen
ms complicados cuando hay ms de un individuo, cuando los resultados de
diversas opciones no se conocen con exactitud y cuando las probabilidades de los
distintos resultados son desconocidas. La teora de decisin comparte
caractersticas con la teora de juegos, aunque en la teora de decisin el

"adversario" es la realidad en vez de otro jugador o jugadores.
Al hacer un anlisis sobre esta teora, y mirndola desde el punto de vista de
un sistema, se puede decir que al tomar una decisin sobre un problema en
particular, se debe tener en cuenta los puntos de dificultad que lo componen, para
as empezar a estudiarlos uno a uno hasta obtener una solucin que sea acorde a
lo que se esta esperando obtener de este, y sino, buscar otras soluciones que se
acomoden a lo deseado.
La teora de decisin, no solamente se puede ver desde el punto de vista de un
sistema, sino en general, porque esta se utiliza a menudo para tomar decisiones
de la vida cotidiana, ya que muchas personas piensan que la vida es como una de
las teoras; La teora del juego, que para poder empezarlo y entenderlo hay que
saber jugarlo y para eso se deben conocer las reglas de este, para que no surjan
equivocaciones al empezar la partida.
Se puede decir que la Teora de decisin es una de las ramas que sirve para que
al dar un paso, no se vaya a dar en falso, porque si se conoce de esta no hay el
porque de equivocarse.
POBLACION EN ESTADISTICA
El concepto de poblacin en estadstica va ms all de lo que comnmente se
conoce como tal. Una poblacin se precisa como un conjunto finito o infinito de
personas u objetos que presentan caractersticas comunes. "Una poblacin es un
conjunto de todos los elementos que estamos estudiando, acerca de los cuales
intentamos sacar conclusiones". Levan & Rubin (1996). "Una poblacin es un
conjunto de elementos que presentan una caracterstica comn". Cadenas (1974).
Ejemplo: Los miembros del Colegio de Ingenieros del Estado Cojedes. El tamao
que tiene una poblacin es un factor de suma importancia en el proceso
de investigacin estadstica, y este tamao vienen dado por el nmero de
elementos que constituyen la poblacin, segn el nmero de elementos la
poblacin puede ser finita o infinita. Cuando el nmero de elementos que integra la
poblacin es muy grande, se puede considerar a esta como una poblacin infinita,
por ejemplo; el conjunto de todos los nmeros positivos. Una poblacin finita es
aquella que est formada por un limitado nmero de elementos, por ejemplo; el
nmero de estudiante del Ncleo San Carlos de la Universidad Nacional
Experimental Simn Rodrguez. Cuando la poblacin es muy grande, es obvio que
la observacin de
todos
los
elementos
se
dificulte
en
cuanto
al trabajo, tiempo y costos necesarios para hacerlo. Para solucionar este
inconveniente se utiliza una muestra estadstica. Es a menudo imposible o poco
prctico observar la totalidad de los individuos, sobre todos si estos son muchos.
En lugar de examinar el grupo entero llamado poblacin o universo, se examina
una pequea parte del grupo llamada muestra.
Poblacin o Universo: es el total del conjunto de elementos u objetos de los cuales
se quiere obtener informacin. Aqu el trmino poblacin tiene un significado
mucho ms amplio que el usual, ya que puede referirse a personas, cosas, actos,
reas geogrficas e incluso al tiempo.
9
La poblacin debe estar perfectamente definida en el tiempo y en el espacio, de

modo que ante la presencia de un potencial integrante de la misma, se pueda
decidir si forma parte o no de la poblacin bajo estudio.
Por lo tanto, al definir una poblacin, se debe cuidar que el conjunto de elementos
que la integran quede perfectamente delimitado.
MUESTRA ALEATORIA
Es una muestra sacada de una poblacin de unidades, de manera que todo
elemento de la poblacin tenga la misma probabilidad de seleccin y que las
unidades diferentes se seleccionen independientemente.
Muestra aleatoria: muestra elegida independientemente de todas las dems, con
la misma probabilidad que cualquier otra y cuyos elementos estn elegidos
independientemente unos de otros y con la misma probabilidad. Muestra aleatoria
Una muestra aleatoria es una muestra sacada de una poblacin de unidades, de
manera que todo elemento de la poblacin tenga la misma probabilidad de
seleccin y que las unidades diferentes se seleccionen independientemente.
Variables aleatorias y distribuciones
Se llama variable aleatoria aquella que toma diversos valores o conjuntos de
valores con distintas probabilidades. Existen 2 caractersticas importantes de una
variable aleatoria, sus valores y las probabilidades asociadas a esos valores.
Una tabla, grfico o expresin matemtica que de las probabilidades con que una
variable aleatoria toma diferentes valores, se llama distribucin de la variable
aleatoria.
Como vimos anteriormente, la inferencia estadstica se relaciona con las
conclusiones que se pueden sacar acerca de una poblacin de observaciones
basndose en una muestra de observaciones. Entonces intervienen las
probabilidades en el proceso de la seleccin de la muestra; en este caso se desea
saber algo sobre una distribucin con base en una muestra aleatoria de esa
distribucin.
De tal manera vemos que trabajamos con muestras aleatorias de una poblacin
que es mas grande que la muestra obtenida; tal muestra aleatoria aislada no es
mas que una de muchas muestras diferentes que se habran podido obtener
mediante el proceso de seleccin. Este concepto es realmente importante en
estadstica.
La distribucin de un estadgrafo en todas las muestras aleatorias de tamao n
tomadas de una poblacin, se llama distribucin muestral del estadgrafo para
muestras aleatorias de tamao n.
Para muestras aleatorias de tamao n de toda poblacin base, la media de la
distribucin muestral de la media muestral, es la media de la poblacin de base.
Para muestras aleatorias de tamao n de toda poblacin base, la varianza de la
distribucin muestral de la media muestral, es s2/ n que es la varianza de la
poblacin de base dividida por el tamao de la muestra.
Para muestras aleatorias de tamao n de toda poblacin de base, la media de la
distribucin muestral de la varianza muestral s2, es la varianza s2 de la poblacin
de base.
10
PARAMETROS ALEATORIOS
Se llama variable aleatoria aquella que toma diversos valores o conjuntos de
valores con distintas probabilidades. Existen 2 caractersticas importantes de una
variable aleatoria, sus valores y las probabilidades asociadas a esos valores.
Una tabla, grfico o expresin matemtica que d las probabilidades con que una
variable aleatoria toma diferente valores, se llama distribucin de la variable
aleatoria.
Como vimos anteriormente, la inferencia estadstica se relaciona con las
conclusiones que se pueden sacar acerca de una poblacin de observaciones
basndose en una muestra de observaciones. Entonces intervienen las
probabilidades en el proceso de la seleccin de la muestra; en este caso se desea
saber algo sobre una distribucin con base en una muestra aleatoria de esa
distribucin.
De tal manera vemos que trabajamos con muestras aleatorias de una poblacin
que es ms grande que la muestra obtenida; tal muestra aleatoria aislada no es
ms que una de muchas muestras diferentes que se habran podido obtener
mediante el proceso de seleccin. Este concepto es realmente importante en
estadstica.
ENFOQUE CLASICO EN ESTADISTICA
En
el
enfoque
clsico
los
primeros
gerentes
y
autores
sobre administracin buscaban "el mejor camino", una serie de principios para
crear una estructura organizacional que funcionara bien en todas las
situaciones. Max Weber, Frederick Taylor y Henri Fayol fueron los principales
contribuyentes al llamado enfoque clsico para disear organizaciones. Ellos
pensaban que las organizaciones ms eficientes y eficaces tenan una estructura
jerrquica en la cual los miembros de la organizacin, en sus acciones, eran
guiados por un sentimiento de obligacin en la organizacin y por una serie de
regla y reglamentos racionales. Segn Weber, cuando estas organizaciones se
haban desarrollado plenamente, se caracterizaban por la especializacin de
tareas, los nombramientos por mritos, la oferta de oportunidades para que sus
miembros hicieran carrera, la rutinizacin de actividades y un clima impersonal y
racional en la organizacin, Weber lo llam burocracia.
Weber alababa la burocracia porque estableca reglas para tomar decisiones, una
cadena de mando clara y a la promocin de las personas con base en la
capacidad y la experiencia, en lugar del favoritismo o el capricho. Asimismo,
admiraba que la burocracia especificaba, con claridad, la autoridad y
la responsabilidad lo cual, en su opinin, facilitaba la evaluacin de los resultados
y su recompensa. Tanto l como otros autores clsicos, as como sus
contemporneos en la administracin, vivieron en una poca en que este enfoque
para disear organizaciones se fundamentaba en el precedente de
los servicios civiles del gobierno. El trmino burocracia no siempre ha tenido la
11
connotacin negativa moderna; es decir, un marco para la actividad lenta,

ineficiente, sin imaginacin de las organizaciones.
ENFOQUE BAYESIANO EN ESTADISTICA
En el enfoque Bayesiano de la Estadstica, la incertidumbre presente en un
modelo dado, es representada a travs de una distribucin de probabilidad sobre
los posibles valores del parmetro desconocido (tpicamente multidimensional)
que define al modelo. El Teorema de Bayes, permite entonces incorporar la
informacin
contenida
en
un
conjunto
de datos,
produciendo
una descripcin conjunta de la incertidumbre sobre los valores de los parmetros
del modelo a travs de la distribucin final. Desafortunadamente, la
implementacin de las tcnicas Bayesianas usualmente requiere de un esfuerzo
computacional muy alto. La mayor parte de este esfuerzo se concentra en
el clculo de ciertas caractersticas de la distribucin final del parmetro
de inters (que llamaremos resmenes inferenciales). As, por ejemplo, para pasar
de una distribucin conjunta a una coleccin de distribuciones y momentos
marginales que sean tiles para hacer inferencias sobre subconjuntos de
parmetros, se requiere integrar. En la mayora de los casos los resmenes
inferenciales bsicos se reducen a integrales de la forma donde, , , y . As, por
ejemplo, donde denota a la funcin indicadora del conjunto y denota a la
distribucin predictiva de una observacin futura. En la prctica es comn que la
dimensin de sea muy grande. Por otro lado, excepto en aplicaciones muy
sencillas tanto como pueden llegar a tener formas muy complicadas. En la gran
mayora de los problemas las integrales requeridas no pueden resolverse
analticamente, por lo que es necesario contar con mtodos numricos eficientes
que permitan calcular o aproximar integrales en varias dimensiones.
El propsito de estas notas es revisar de manera general algunos de los mtodos
clsicos para calcular integrales, tales como la aproximacin de Laplace,
cuadratura (integracin numrica) y el mtodo de Monte Carlo, as como discutir
algunas de las tcnicas de integracin desarrolladas durante los ltimos aos y
conocidas con el nombre genrico de tcnicas de Monte Carlo va cadenas de
Markov. El lector interesado en el enfoque Bayesiano de la Estadstica o en
aspectos especficos de los mtodos aqu discutidos puede consultar los libros de
Bernardo y Smith (1994) y O"Hagan (1994), as como las referencias que ah se
incluyen.
En trminos generales, los mtodos antes mencionados sern ms eficientes y
darn resultados ms precisos en la medida en que la distribucin final sea ms
parecida a una distribucin normal. Es por esta razn que en la mayora de los
casos resulta conveniente trabajar en trminos de una reparametrizacin del
modelo, de manera que cada uno de los nuevos parmetros tome valores en todo
y su distribucin final sea aproximadamente normal. Tambin es importante que la
correlacin final entre los nuevos parmetros no sea muy alta.
En lo que resta de esta seccin describiremos dos problemas que nos servirn
para ilustrar y comparar los mtodos discutidos en estas notas. Algunos de estos
mtodos
han
sido
instrumentados
en el
lenguaje S
de
S-Plus.
El cdigo correspondiente, as como los resultados principales, pueden
encontrarse en los apndices al final de este trabajo.
DESCRIPCION DE DATOS EN ESTADISTICA
12
La estadstica descriptiva es una parte de la estadstica que se dedica a analizar y

representar los datos. Este anlisis es muy bsico, pero fundamental en todo
estudio. Aunque hay tendencia a generalizar a toda la poblacin las primeras
conclusiones obtenidas tras un anlisis descriptivo, su poder inferencia es mnimo
y debera evitarse tal proceder. Otras ramas de la estadstica se centran en el
contraste dehiptesis y su generalizacin a la poblacin.
Algunas de las tcnicas empleadas en este primer anlisis de los datos se
enumeran ms abajo en el listado de conceptos bsicos. Bsicamente, se lleva a
cabo un estudio calculando una serie de medidas de tendencia central, para ver
en qu medida los datos se agrupan o dispersan en torno a un valor central.
DATOS AGRUPADOS Y NO AGRUPADOS
Cuando la muestra que se ha tomado de la poblacin o proceso que se desea
analizar, es decir, tenemos menos de 20 elementos en la muestra, entonces estos
datos son analizados sin necesidad de formar clases con ellos y a esto es a lo que
se le llama tratamiento de datos no agrupados.
Cuando la muestra consta de 30 o ms datos, lo aconsejable es agrupar los datos
en clases y a partir de estas determinar las caractersticas de la muestra y por
consiguiente las de la poblacin de donde fue tomada. Antes de pasar a definir
cul es la manera de determinar las caractersticas de inters (media,
mediana, moda, etc.) cuando se han agrupado en clases los datos de la muestra,
es necesario que sepamos como se agrupan los datos.
FRECUANCIA DE CLASE
Marca de clase (punto medio): punto que divide a la clase en dos partes iguales.
Es el promedio entre los lmites superior e inferior de la clase.
Intervalo de clase: para una distribucin de frecuencias que tiene clases del mismo
tamao, el intervalo de clase se obtiene restando el lmite inferior de una clase del
lmite inferior de la siguiente.
FRECUENCIA RELATIVA
Es la relacin o cociente entre la frecuencia absoluta y el nmero total de
observaciones. Es la proporcin entre la frecuencia de un intervalo y el nmero
total de datos.
PUNTO MEDIO
Punto medio
Punto medio es el punto que divide a un segmento en dos partes iguales.
El punto medio de un segmento, es nico y equidista de los extremos del
segmento. Cumpliendo esta ltima condicin, pertenece a la mediatriz del
segmento.
La frmula para determinar el punto medio de un segmento en el plano, con
coordenadas: (x1,y1) y (x2,y2) es: [(x1 + x2) / 2] + [(y1 + y2) / 2]
LIMITES EN ESTADISTICA
13
Son los valores extremos que tiene el intervalo de clase, inferior y superior, entre
los cuales van a estar los valores de los datos agrupados en ese intervalo de
clase.
HISTOGRAMA EN ESTADISTICA
El Histograma representa la frecuencia con la que se presentan los
diferentes grupos de datos de la variable objeto de estudio. Es un conjunto de
rectngulos, los cuales representan a cada una de las clases. En el eje de
abscisas se representan las clases definidas y en el eje de ordenadas la
frecuencia de cada una de ellas. La amplitud del intervalo de las clases se halla
dividiendo el Recorrido entre el nmero de clases. El Histograma proporciona
mucha informacin respecto a la estructura de los datos. Por tanto, es importante
analizar la situacin del centro del Histograma y el ancho del mismo que definen la
tendencia central y la variabilidad del conjunto de datos respectivamente, as como
la forma del Histograma que identifica algunas de las caractersticas del proceso
en estudio.
Historia de la Estadstica""
Etimologa
La palabra "estadstica" procede del latn statisticum collegium ("consejo de
Estado") y de su derivado italiano statista ("hombre de Estado" o "poltico"). El
trmino alemn Statistik, introducido por Gottfried Achenwall (1749), designaba
originalmente el anlisis de datos del Estado, es decir, "la ciencia del Estado". No
fue hasta el siglo XIX cuando el trmino estadstica vino a designar la coleccin y
clasificacin de datos.
En su origen, por tanto, la estadstica estuvo asociada al control de datos
poblacionales por parte de la administracin pblica. Este tipo de prcticas han
sido analizadas por Michel Foucault como una forma de impoltica, un estilo de
gobierno caracterizado por regular a las poblaciones a travs del biopoder. Desde
los comienzos de la civilizacin han existido formas sencillas de estadstica, pues
ya se utilizaban representaciones grficas y otros smbolos en pieles, rocas, palos
de madera y paredes de cuevas para contar el nmero de personas, animales o
ciertas cosas. Hacia el ao 3000 a. C. los babilonios usaban ya pequeas tablillas
de arcilla para recopilar datos en tablas sobre la produccin agrcola y de los
gneros vendidos o cambiados mediante trueque. Los egipcios analizaban los
datos de la poblacin y la renta del pas mucho antes de construir las pirmides en
el siglo XXXI a. C. Los libros bblicos de Nmeros y Crnicas incluyen, en algunas
partes, trabajos de estadstica. El primero contiene dos censos de la poblacin
de Israel y el segundo describe el bienestar material de las diversas tribus judas.
En China existan registros numricos similares con anterioridad al ao 2000 a. C.
Los griegos clsicos realizaban censos cuya informacin se utilizaba hacia el 594
a. C. para cobrar impuestos.
HISTOGRAMA DE FRECUENCIA RELATIVA
El histograma de una imagen representa la frecuencia relativa de los niveles de
gris de la imagen. Las tcnicas de modificacin del histograma de una imagen son
tiles para aumentar el contraste de imgenes con histogramas muy
concentrados.
14
Sea u una imagen de tamao NxN, la funcin de distribucin del histograma es:
Fu(l) = (Numerodepixels(i,j)talesqueu(i,j) < = l) / N2
Ejemplos de otros tipos de representaciones grficas: Hay histogramas donde se
agrupan los datos en clases, y se cuenta cuntas observaciones (frecuencia
absoluta) hay en cada una de ellas. En algunas variables (variables cualitativas)
las clases estn definidas de modo natural, p.e sexo con dos clases: mujer, varn
o grupo sanguneo con cuatro: A, B, AB, O. En las variables cuantitativas, las
clases hay que definirlas explcitamente (intervalos de clase).
Se representan los intervalos de clase en el eje de abscisas (eje horizontal) y las
frecuencias, absolutas o relativas, en el de ordenadas (eje vertical).
A veces es ms til representar las frecuencias acumuladas.
O representar simultneamente los histogramas de una variable en dos
situaciones distintas.
Otra forma muy frecuente, de representar dos histogramas de la misma variable
en dos situaciones distintas.
En las variables cuantitativas o en las cualitativas ordinales se pueden
representar polgonos de frecuencia en lugar de histogramas, cuando se
representa la frecuencia acumulativa, se denomina ojiva.
MEDIDAS DE TENDENCIA CENTRAL

Tambin se les conoce como medidas de posicin o promedios son los valores
que se utilizan para representar el conjunto de observaciones. Tienden a situarse
en el centro del conjunto de los datos, previamente ordenados.
Las principales medidas centrales son:
La media, la mediana y la moda.
MEDIA ARITMETICA GEOMETRICA PONDERADA
Media aritmtica:
Es uno de los promedios de mayor utilizacin. Su generalizacin se debe a las
propiedades que posee, que la convierten en un indicador muy representativo.
Se obtiene sumando los productos de cada valor de la variable por su respectiva
frecuencia, y dividiendo esta suma por el total de observaciones.
MEDIANA EN ESTADISTICA
Mediana:
Es el valor de la variable que divide a la distribucin de frecuencias en dos partes
iguales.
Para hallar la mediana ordenamos la frecuencias de mayor a menor o
viceversa, y si hay un nmero impar de valores la mediana es el central y si es par
ser la semisuma de los dos valores.
15
MEDIDAS DE DISPERSIN
MODA EN ESTADSTICA
En Estadstica, la moda es el valor que cuenta con una mayor frecuencia en una
distribucin de datos.
Hablaremos de una distribucin bimodal de los datos, cuando encontremos dos
modas, es decir, dos datos que tengan la misma frecuencia absoluta mxima. Una
distribucin trimodal de los datos es en la que encontramos tres modas. Si todas
las variables tienen la misma frecuencia diremos que no hay moda.
El intervalo modal es el de mayor frecuencia absoluta. Cuando tratamos con datos
agrupados antes de definir la moda, se ha de definir el intervalo modal.
La moda, cuando los datos estn agrupados, es un punto que divide al intervalo
modal en dos partes de la forma p y c-p, siendo c la amplitud del intervalo, que
verifiquen que:
Siendo la frecuencia absoluta del intervalo modal las frecuencias absolutas de los
intervalos anterior y posterior, respectivamente, al intervalo modal.
Se llama tpicain de un conjunto de datos al grado en que los diferentes valores
de los datos tiende a extenderse alrededor del valor medio utilizado.
Este grado de tpicain se mide por medio de los indicadores tpicains llamados
medidas de tpica in, entre ellas tenemos el rango, la varianza, y la tpicain
tpica.
Hasta el momento hemos estudiado los valores centrales de la distribucin, pero
tambin es importante conocer si los valores en general estn cerca o alejados de
estos valores centrales, es por lo que surge la necesidad de estudiar medidas de
dispersin.
16
Rango:
Es la primera medida que vamos a estudiar, se define como la diferencia existente
entre el valor mayor y el menor de la distribucin,. Lo notaremos como R.
Realmente no es una medida muy significativa e la mayora de los casos, pero
indudablemente es muy fcil de calcular.
Hemos estudiado varias medidas de centralizacin, por lo que podemos hablar de
desviacin con respecto a cualquiera de ellas, sin embargo, la mas utilizada es
con respecto a la media.
Desviacin:
Es la diferencia que se observa entre el valor de la variable y la media aritmtica.
La denotaremos por di.
No es una medida, son muchas medidas, pues cada valor de la variable lleva
asociada su correspondiente desviacin, por lo que precisaremos una medida que
resuma dicha informacin.
La primera solucin puede ser calcular la media de todas las desviaciones, es
decir, si consideramos como muestra la de todas las desviaciones y calculamos su
media. Pero esta solucin es mala pues como veremos siempre va a ser 0.
Luego por lo tanto esta primera idea no es valida, pues las desviaciones positivas
se contrarrestan con las negativas.
Para resolver este problema, tenemos dos caminos:
Tomar el valor absoluto de las desviaciones. Desviacin media Elevar al cuadrado
las desviaciones. Varianza.
Varianza:
MEDIDAS DE DISPERSIN
VARIANZA EN ESTADISTICA
Varianza (Concepto)
Es el estadstico de dispersin que mide el grado de variabilidad que sintetiza el
grado de homogeneidad o heterogeneidad de las diferencias individuales entre los
casos de una muestra (o de varias muestras) respecto de una o varias variables
numricas continuas o cuantitativas.
En teora de probabilidad y estadstica la varianza es un estimador de la
divergencia de una variable aleatoria x de su valor esperado E[x]. Tambin se
utilizan la desviacin estndar, la raz de la varianza.
17
La varianza s2 de una variable aleatoria x se define como

Mtodo abreviado:
Tambin se expresa como la diferencia entre el momento de orden 2 y el cuadrado
del valor esperado:
Mientras que la desviacin estndar es el promedio de la distancia de cada punto
respecto del promedio la varianza es como un rea.
s 2 = f(x - m )2 / N
s 2 = varianza de la poblacin.
x = punto medio de cada una de las clases.
m = media de la poblacin.
N = nmero total de elementos de la poblacin.
f = frecuencia de cada una de las clases donde vean el 2 se eleva al cuadrado y
este smbolo () es de sumatoria
Cruz Bazan R. (Instituto Tecnolgico Superior del Oriente del Estado De Hidalgo).
DESVIACION ESTANDAR
La desviacin estndar (o desviacin tpica) es una medida de dispersin para
variables de razn (ratio o cociente) y de intervalo, de gran utilidad en
la estadstica descriptiva. Es una medida (cuadrtica) de lo que se apartan los
datos de su media, y por tanto, se mide en las mismas unidades que la variable.
Para conocer con detalle un conjunto de datos, no basta con conocer las medidas
de tendencia central, sino que necesitamos conocer tambin la desviacin que
representan los datos en su distribucin, con objeto de tener una visin de los
mismos ms acorde con la realidad a la hora de describirlos e interpretarlos para
la toma de decisiones.
DESVIACION MEDIANA
Desviacin Mediana.
El criterio que gua esta estadstica, radica en el uso de diferencias de cada dato
respecto a la mediana muestral m.
Si estas diferencias son muy grandes, entonces estamos ante un caso de gran
variabilidad, y si son pequeas se espera que la variabilidad sea pequea.
Naturalmente que el criterio que parece ms apropiado es agrupar las
discrepancias individuales y tratarlas en conjunto.
Un agrupamiento natural sera una suma de ellas, pero el slo uso de las
diferencias no garantiza que se pueda medir discrepancias porque algunas
(prcticamente la mitad) sern menores que la mediana, con diferencias
negativas, y el resto mayores que la mediana, con diferencias positivas, y al sumar
dichos valores habra compensaciones entre valores negativos y positivos.
Por lo tanto, una salida a esta dificultad es considerar el valor absoluto de las
diferencias calculadas y promediarlos.
Puede verse entonces que, cuanto mayor sea la dispersin existente entre los
datos, tanto mayor tender a ser el promedio del valor absoluto de las diferencias
de los datos, respecto de la mediana muestral.
Esta estadstica se encuentra medida en la misma escala que los datos originales,
lo que facilita su comprensin.
RANGO EN ESTADISTICA
RANGO
18
El rango en estadstica es la diferencia o resta del lmite superior menos el lmite

inferior, de los datos utilizados en una clase.
Se simboliza con la letra R mayscula.
Para averiguar el rango de un grupo de nmeros:
Ordene los nmeros segn su tamao Reste el valor mnimo al valor mximo.
PARAMETROS PARA DATOS AGRUPADOS
En el estudio de las distribuciones de datos, la estadstica selecciona un conjunto
de los mismos de forma que sean representativos de todos los de la distribucin.
Estos datos seleccionados se denominan caractersticas de la distribucin o
parmetros estadsticos.
MEDIA DE DATOS AGRUPADOS
MEDIA DE DATOS AGRUPADOS Media para un conjunto de datos agrupados.
La media para datos agrupados es la siguiente:
Donde es el total de datos, m el nmero total de clase y es la frecuencia de datos.
La definicin es claramente entendida como una extensin de la definicin que
dimos para datos no agrupados, ya que es lgico suponer que datos que se
repiten con una frecuencia pueden simplificar la suma por, por supuesto que los
ndices de la segunda suma con respecto a la primera corren con respecto a
menor nmero, es decir, con respecto al nmero de agrupamientos m.
Ejemplo:
Sean los siguientes datos 1, 1, 2, 2, 4, 4, 5, 2, 3, 2, 3, 4, 1, 2, 1. La media para
dichos datos es aproximadamente igual a 2.4666, es decir,
Sin embargo, el mismo resultado podemos obtener si tomamos la frecuencia con
que aparecen los datos, en este caso:
Dato
Frecuencia
Producto de frecuencias y datos
1 4 4 2 5 10 3 2 6 4 3 12 5 1 5
La obtencin de la media finalmente se convierte en para la obtencin de la media
cuando las frecuencias estn sujetas a la eleccin de clase bajo los mtodos
mostrados, se realiza de igual manera, la nica diferencia existe en determinar el
valor como el punto medio de cada clase, veamos el siguiente ejemplo.
Supongamos que una clnica de salud, obtiene una tabla de edades de las
personas que son atendidas en un fin de semana, para los que presentan la
siguiente tabla. Cul ser el promedio de edades de los enfermos que acudieron
a recibir atencin mdica?
DISTRIBUCION DE FRECUENCIA
La distribucin de frecuencia es la representacin estructurada, en forma de tabla,
de toda la informacin que se ha recogido sobre la variable que se estudia.
Variable Frecuencias absolutas Frecuencias relativas (Valor) Simple Acumulada
Simple Acumulada x x x x x X1 n1 n1 f1 = n1 / n f1 X2 n2 n1 + n2 f2 = n2 / n f1 + f2
. . . . . Xn-1 nn-1 n1 + n2 +..+ nn-1 fn-1 = nn-1 / n f1 + f2 +..+fn-1 f( n fn = nn / n (Xn
nn
Siendo X los distintos valores que puede tomar la variable. Siendo n el nmero de
veces que se repite cada valor. Siendo f el porcentaje que la repeticin de cada
valor supone sobre el total Veamos un ejemplo: Medimos la altura de los nios de
19
una clase y obtenemos los siguientes resultados (cm): Alumno Estatura Alumno
Estatura Alumno Estatura x x x x x x Alumno 1 1,25 Alumno 11 1,23 Alumno 21
1,21 Alumno 2 1,28 Alumno 12 1,26 Alumno 22 1,29 Alumno 3 1,27 Alumno 13
1,29 Alumno 20 1,28 Alumno 30 1,21
Si presentamos esta informacin estructurada obtendramos la siguiente tabla de
frecuencia: Variable Frecuencias absolutas Frecuencias relativas (Valor) Simple
Acumulada Simple Acumulada x x x x x 1,20 1 1 3,3% 3,3% 1,21 4 5 13,3% 16,6%
1,22 4 9 13,3% 30,0% 1,23 2 11 6,6% 36,6% 1,24 1 12 3,3% 40,0% 1,25 2 14
6,6% 46,6% 1,26 3 17 10,0% 56,6% 1,27 3 20 10,0% 66,6% 1,28 4 24 13,3%
80,0% 1,29 3 27 10,0% 90,0% 1,30 3 30 10,0% 100,0% Si los valores que toma la
variable son muy diversos y cada uno de ellos se repite muy pocas veces,
entonces conviene agruparlos por intervalos, ya que de otra manera obtendramos
una tabla de frecuencia muy extensa que aportara muy poco valor a efectos
de sntesis.
La distribucin de frecuencia es la representacin estructurada, en forma de tabla,
de toda la informacin que se ha recogido sobre la variable que se estudia.
Variable Frecuencias absolutas Frecuencias relativas (Valor) Simple Acumulada
Simple Acumulada x x x x x X1 n1 n1 f1 = n1 / n f1 X2 n2 n1 + n2 f2 = n2 / n f1 + f2
. . . . . Xn-1 nn-1 n1 + n2 +..+ nn-1 fn-1 = nn-1 / n f1 + f2 +..+fn-1 f( n fn = nn / n (Xn
nn
Siendo X los distintos valores que puede tomar la variable. Siendo n el nmero de
veces que se repite cada valor. Siendo f el porcentaje que la repeticin de cada
valor supone sobre el total Veamos un ejemplo: Medimos la altura de los nios de
una clase y obtenemos los siguientes resultados (cm): Alumno Estatura Alumno
Estatura Alumno Estatura x x x x x x Alumno 1 1,25 Alumno 11 1,23 Alumno 21
1,29 Alumno 20 1,28 Alumno 30 1,21
Si presentamos esta informacin estructurada obtendramos la siguiente tabla de
frecuencia: Variable Frecuencias absolutas Frecuencias relativas (Valor) Simple
Acumulada Simple Acumulada x x x x x 1,20 1 1 3,3% 3,3% 1,21 4 5 13,3% 16,6%
1,22 4 9 13,3% 30,0% 1,23 2 11 6,6% 36,6% 1,24 1 12 3,3% 40,0% 1,25 2 14
6,6% 46,6% 1,26 3 17 10,0% 56,6% 1,27 3 20 10,0% 66,6% 1,28 4 24 13,3%
80,0% 1,29 3 27 10,0% 90,0% 1,30 3 30 10,0% 100,0% Si los valores que toma la
variable son muy diversos y cada uno de ellos se repite muy pocas veces,
entonces conviene agruparlos por intervalos, ya que de otra manera obtendramos
una tabla de frecuencia muy extensa que aportara muy poco valor a efectos de
sntesis. (Tal como se ver en la siguiente leccin).
DISTRIBUCIONES NUMERICAS
Distribucin de frecuencia de clase o de datos Agrupados:
20
Es aquella distribucin en la que la disposicin tabular de los datos estadsticos se

encuentra ordenada en clases y con la frecuencia de cada clase; es decir, los
datos originales de varios valores adyacentes del conjunto se combinan para
formar un intervalo de clase. No existen normas establecidas para determinar
cundo es apropiado utilizar datos agrupados o datos no agrupados; sin embargo,
se sugiere que cuando el nmero total de datos (N) es igual o superior 50 y
adems el rango o recorrido de la serie de datos es mayor de 20, entonces, se
utilizar la distribucin de frecuencia para datos agrupados, tambin se utilizar
este tipo de distribucin cuando se requiera elaborar grficos lineales como el
histograma, el polgono de frecuencia o la ojiva.
La razn fundamental para utilizar la distribucin de frecuencia de clases es
proporcionar mejor comunicacin acerca del patrn establecido en los datos y
facilitar la manipulacin de los mismos. Los datos se agrupan en clases con el fin
de sintetizar, resumir,
DISTRIBUCIONES CATEGRICAS
Si las distribuciones se hallan agrupadas de acuerdo con alguna cualidad o
atributo denominaremos distribucin categrica a esa distribucin.
DISTRIBUCIONES ACOMULADAS
Una distribucin de frecuencias acumulada (ogiva) se usa para determinar cuntos
o qu proporcin de los valores de los datos es menor o mayor que cierto valor.
Una distribucin de frecuencias acumuladas identifica el nmero acumulado de
observaciones incluidas bajo el lmite exacto superior de cada clase de la
distribucin. Las frecuencias acumuladas de una clase pueden determinarse
sumando las frecuencias observadas de esa clase a las frecuencias acumuladas
de la clase anterior.
La grfica de una distribucin de frecuencias acumuladas se llama ojiva. En el
caso de distribuciones acumuladas del tipo "y menor que", esta grfica indica las
frecuencias acumuladas bajo cada lmite exacto de clase de la distribucin de
frecuencias. Si esa grfica de lneas se suaviza, se obtiene la curva llamada ojiva.
DISTRIBUCIONES PORCENTUALES ACOMULADAS
Es la distribucin de frecuencias acumuladas
Fi = Ni/N
La Fi multiplicada por 100 se obtiene la distribucin de porcentaje acumulado (Pi)
que al igual que Fi deber de resultar al final el 100% de N.
TECNICAS DE AGRUPACION DE DATOS
Estoy invitando a todos los maestros, alumnos y personas interesadas en esta
rea y/o carrera a colaborar construyendo este sitio dedicado a esta hermosa y til
profesin aportando el material apropiado a cada uno de los ms de 1,000 temas
que lo componen.
Tambin los invito a aportar material a los ms de 20,000 temas que constituyen
las 20 carreras profesionales que se imparten en los Institutos Tecnolgicos
de Mxico y se encuentran en este sitio.
Es un esfuerzo personal y de muchos amigos de MEXICO y el Mundo Hispano por
devolver algo de lo mucho que hemos recibido en el proceso de la
educacin superior, saludos Prof. lauro soto, Tijuana, BC, mexica
21
PARA EMPEZAR SOLO USAR OPCION edit. ABAJO Y EMPIEZA A CONSTRUIR,

SALUDOS Y MUCHAS GRACIAS
LIMITES DE CLASE
Lmites Reales de Clases
Lmite Real Inferior: Se determina sumando el lmite inferior de la clase en la que
nos ubicamos, ms el lmite superior de la clase contigua anterior y dividiendo por
dos.
Lmite Real Superior: Se determina sumando el lmite superior de la clase en la
que nos ubicamos, ms el lmite superior de la clase contigua siguiente o superior
y dividendo por dos.
Por Ejemplo: Considerando una tabla de frecuencias:
Salarios diarios de Profesionales de la industria petrolera.
No. de Profesionales [Frecuencias de Clase]
7
12
19
16
10
6
2
72
Salarios
Lmites Superiores
-
29
39
49
59
69
79
89
99
Calculando los lmites reales de clases para el primer intervalo de clase, resulta:
LMITE REAL INFERIOR = (Lmite inferior actual + Lmite superior anterior) / 2 =
(30+29)/2 = 29.5
LMITE REAL SUPERIOR = (Lmite superior actual + Lmite inferior superior) / 2 =
(39+40)/2 = 39.5
22
Por lo anterior, se concluye que los lmites reales de clases para la tabla del
ejemplo son:
Lmites Reales de Clases
Salarios
Lmites Reales Superiores
-
39.5
49.5
59.5
69.5
79.5
89.5
99.5
La tabla anterior, resulta ser incierta, ya que los lmites reales de clases no sern
coincidentes con las observaciones reales, pues, si una observacin fuese 49.5,
no es posible definir si pertenece al intervalo de clase (39.549.5) o al intervalo de
clase (49.559.5). Lo anterior da lugar, que a veces los "lmites reales de clases"
sean
utilizados, nicamente como smbolos de las clases.
PARA EMPEZAR SOLO USAR OPCION
ABAJO Y EMPIEZA A CONSTRUIR, SALUDOS Y MUCHAS GRACIAS
FRONTERAS DE CLASE
Son los puntos medios entre lmites de clases adyacentes. Los lmites de una
clase estarn siempre contenidos entre las fronteras de la misma clase y tendrn
mayor aproximacin que los datos, y por lo tanto tambin que los lmites. La
distancia entre la frontera inferior y el lmite inferior de una misma clase, al igual
que la distancia entre el lmite superior y la frontera superior de una misma clase,
es igual a media unidad de aproximacin.
MARCA DE CLASE
En un estudio estadstico, valor representativo de cada intervalo. Tomamos
como marca de clase el punto medio de cada intervalo y lo calculamos sumando
los extremos del intervalo y dividindolo entre 2.
INTERVALO DE CLASE
Es cada uno de los grupos que formamos de los valores de la variable.
Para obtener la amplitud de cada intervalo, tenemos que dividir el recorrido de la
variable por el nmero de grupos que queramos formar.
DIAGRAMA DE TALLOS Y HOJAS
EL DIAGRAMA DE TALLO Y HOJA
Es una tcnica estadstica para representar un conjunto de datos. Cada valor
numrico se divide en dos partes. El o los dgitos principales forman el tallo y los
23
dgitos secundarios las hojas. Los tallos estn colocados a lo largo del eje vertical,
y las hojas de cada observacin a lo largo del eje horizontal.
Ejemplo
La siguiente distribucin de frecuencia muestra el nmero de anuncios
comerciales pagados por los 45 miembros de Grietear Bufadlo Automobile Dealer
s Association en 1999. Observemos que 7 de los 45 comerciantes pagaron entre
90 y 99 anuncios (pero menos de 100). Sin embargo, El numero de comerciantes
pagados en esta clase se agrupan en alrededor de 90, estn dispersos a lo largo
de toda clase, o se acumulan alrededor de 99? No podemos saberlo.
# De anuncios comprados Frecuencia

80 a 90 2
90 a 100 7
100 a 110 6
110 a 120 9
120 a 130 8
130 a 140 7
140 a 150 3
150 a 160 3
Sumatoria de la frecuencia= 45
Una tcnica que se usa para presentar informacin cuantitativa en forma
condensada es el diagrama de tallo y hoja. En el ejemplo anterior no se da
la identidad de los valores de la clase de 90 a 100. Para ilustrar la construccin de
un diagrama de tallo y hojas usando el nmero de comerciales comprados,
supongamos que las 7 observaciones en la clase de 90 a 100 sean 96, 94, 93, 94,
95, 96, 97. EL valor de tallo es el digito o dgitos principales, en este caso el 9. Las
hojas son los dgitos secundarios. EL tallo se coloca a la izquierda de una lnea
vertical y los valores de las hojas a la derecha.
Los valores de las clases de 90 a 100, apareceran como sigue:
9|6434567
Por ultimo, ordenamos los valores dentro de cada tallo de menor a mayor. El
segundo rengln del diagrama de tallo y hojas aparecera como sigue:
9|3445667
Con el diagrama de tallo y hojas podemos observar rpidamente que hubo 2
comerciantes que compraron 94 comerciales y que el nmero de anuncios
comprados fue desde 93 hasta 97. Un diagrama de tallo y hojas es semejante a
una distribucin de frecuencia, pero con ms informacin, esto es, valores de
datos en lugar de marcas.
Diagrama de Pareto
El Diagrama de Pareto es una grfica en donde se organizan diversas
clasificaciones de datos por orden descendente, de izquierda a derecha por medio
de barras sencillas despus de haber reunido los datos para calificar las causas.
De modo que se pueda asignar un orden de prioridades.
Qu es?
24
El nombre de Pareto fue dado por el Dr. Joseph Juran en honor del economista
italiano Vilfredo Pareto (18481923) quien realizo un estudio sobre la distribucin
de la riqueza, en el cual descubri que la minora de la poblacin posea la mayor
parte de la riqueza y la mayora de la poblacin posea la menor parte de la
riqueza. Con esto estableci la llamada "Ley de Pareto" segn la cual la
desigualdad econmica es inevitable en cualquier sociedad.
El Dr. Juran aplic este concepto a la calidad, obtenindose lo que hoy se conoce
como la regla 80/20.
Segn este concepto, si se tiene un problema con muchas causas, podemos decir
que el 20% de las causas resuelven el 80% del problema y el 80% de las causas
solo resuelven el 20% del problema.
Por lo tanto, el Anlisis de Pareto es una tcnica que separa los "pocos vitales" de
los "muchos triviales". Una grfica de Pareto es utilizada para separar
grficamente los aspectos significativos de un problema desde los triviales de
manera que un equipo sepa dnde dirigir sus esfuerzos para mejorar. Reducir los
problemas ms significativos (las barras ms largas en una Grfica Pareto) servir
ms para una mejora general que reducir los ms pequeos. Con frecuencia, un
aspecto tendr el 80% de los problemas. En el resto de los casos, entre 2 y 3
aspectos sern responsables por el 80% de los problemas.
En relacin con los estilos gerenciales de Resolucin de Problemas y Toma de
Decisiones (Conservador, Bombero, Oportunista e Integrador)[1], vemos como la
utilizacin de esta herramienta puede resultar una alternativa excelente para
un gerente de estilo Bombero, quien constantemente a la hora de resolver
problemas solo "apaga incendios", es decir, pone todo su esfuerzo en los "muchos
triviales".
Cundo se utiliza? Al identificar un producto o servicio para el anlisis para
mejorar la calidad.
Cuando existe la necesidad de llamar la atencin a los problema o causas de una
forma sistemtica.
Al identificar oportunidades para mejorar
Al analizar las diferentes agrupaciones de datos (ej.: por producto, por segmento,
del mercado, rea geogrfica, etc.)
Al buscar las causas principales de los problemas y establecer la prioridad de las
soluciones
Al evaluar los resultados de los cambios efectuados a un proceso (antes y
despus)
Cuando los datos puedan clasificarse en categoras
Cuando el rango de cada categora es importante
Pareto es una herramienta de anlisis de datos ampliamente utilizada y es por lo
tanto til en la determinacin de la causa principal durante un esfuerzo de
resolucin de problemas. Este permite ver cules son los problemas ms grandes,
permitindoles a los grupos establecer prioridades. En casos tpicos, los pocos
(pasos, servicios, tems, problemas, causas) son responsables por la mayor parte
el impacto negativo sobre la calidad. Si enfocamos nuestra atencin en estos
pocos vitales, podemos obtener la mayor ganancia potencial de nuestros
esfuerzos por mejorar la calidad.
25
Un equipo puede utilizar la Grfica de Pareto para varios propsitos durante

un proyecto para lograr mejoras:
Para analizar las causas
Para estudiar los resultados
Para planear una mejora continua
Las Grficas de Pareto son especialmente valiosas como fotos de "antes y
despus" para demostrar qu progreso se ha logrado. Como tal, la Grfica de
Pareto es una herramienta sencilla pero poderosa.
Cmo se utiliza? 1. Seleccionar categoras lgicas para el tpico de anlisis
identificado (incluir el periodo de tiempo).
2. Reunir datos. La utilizacin de un Check List puede ser de mucha ayuda en este
paso.
3. Ordenar los datos de la mayor categora a la menor
4. totalizar los datos para todas las categoras
5. calcular el porcentaje del total que cada categora representa
6. trazar los ejes horizontales (x) y verticales (y primario - y secundario)
7. trazar la escala del eje vertical izquierdo para frecuencia (de 0 al total, segn se
calcul anteriormente)
8. de izquierda a derecha trazar las barras para cada categora en orden
descendente. Si existe una categora "otros", debe ser colocada al final, sin
importar su valor. Es decir, que no debe tenerse en cuenta al momento de ordenar
de mayor a menor la frecuencia de las categoras.
9. trazar la escala del eje vertical derecho para el porcentaje acumulativo,
comenzando por el 0 y hasta el 100%
10. trazar el grfico lineal para el porcentaje acumulado, comenzando en la parte
superior de la barra de la primera categora (la ms alta)
11. dar un ttulo al grfico, agregar las fechas de cuando los datos fueron reunidos
y citar la fuente de los datos.
12. analizar la grfica para determinar los "pocos vitales"
Consejos para la construccin / interpretacin Como hemos visto, un Diagrama de
Pareto es un grfico de barras que enumera las categoras en orden descendente
de izquierda a derecha, el cual puede ser utilizado por un equipo para analizar
causas, estudiar resultados y planear una mejora continua.
Dentro de las dificultades que se pueden presentar al tratar de interpretar el
Diagrama de Pareto es que algunas veces los datos no indican una clara
distincin entre las categoras. Esto puede verse en el grfico cuando todas las
barras son ms o menos de la misma altura.
Otra dificultad es que se necesita ms de la mitad de las categoras para sumar
ms del 60% del efecto de calidad, por lo que un buen anlisis e interpretacin
depende en su gran mayora de un buen anlisis previo de las causas y posterior
recogida de datos.
En cualquiera de los casos, parece que el principio de Pareto no aplica. Debido a
que el mismo se ha demostrado como vlido en literalmente miles de situaciones,
es muy poco probable que se haya encontrado una excepcin. Es mucho ms
probable que simplemente no se haya seleccionado un desglose apropiado de las
categoras. Se deber tratar de estratificar los datos de una manera diferente y
repetir el Anlisis de Pareto.
26
Esto nos lleva a la conclusin que para llevar a cabo un proceso de Resolucin de
Problemas /Toma de Decisiones (RP/TD) es necesario manejar cada una de
las herramientas bsicas de la calidad, tanto desde el punto de vista terico como
desde su aplicacin.
La interpretacin de un Diagrama de Pareto se puede definir completando las
siguientes oraciones de ejemplo:
"Existen (nmero de categoras) contribuyentes relacionados con (efecto). Pero
estos (nmero de pocos vitales) corresponden al (nmero) % del total (efecto).
Debemos procurar estas (nmero) categoras pocos vitales, ya que representan la
mayor ganancia potencial para nuestros esfuerzos."
DIAGRAMA DE PUNTOS
El diagrama de puntos resulta de utilidad cuando el conjunto de datos
desrazonablemente pequeo o hay relativamente pocos datos distintos. Cada dato
representa con un punto encima de la correspondiente localizacin en una escala
horizontal de medida. Cuando un valor se repite, hay un punto por cada ocurrencia
y se colocan verticalmente. Permite por ejemplo analizar la dispersin y detectar
datos atpicos.
HISTOGRAMA
Histograma: Es una representacin grafica de datos a travs de barras las cuales
representan la frecuencia de las clases. Estas barras deben ser dibujadas sin
espacios entre si y no necesariamente inician en el origen.
Se utiliza en datos cuantitativos en distribuciones de frecuencia.
Son rectngulos verticales unidos entre s, en donde sus lados son los lmites
reales inferior y superior de clase y cuya altura es igual ala frecuencia de clase.
Con la distribucin de frecuencia anterior se tiene:
DIAGRAMA DE BARRAS
Se utilizan rectngulos separados, que tienen como base a cada uno de los datos
y como altura la frecuencia de ese dato. El diagrama de barras o grfica de barras
suele elaborarse con algunas variantes; por ejemplo, se pueden utilizar lneas en
vez de rectngulos barras ( lneas) horizontales en vez de verticales. Si se
tienen datos cuantitativos se grafica en el eje de las x los valores centrales
(marcas de clase), cuyas alturas son proporcionales a sus frecuencias.
POLIGONO DE FRECUENCIAS
Es la lnea quebrada que une los puntos medios de los lados superiores (marcas
de clase) de un histograma.
Los puntos o vrtices del polgono de frecuencias estn situados, por tanto, en las
marcas de clase, ya que estos corresponden a los puntos medios de los
intervalos.
OJIVAS
27
Una grfica similar al polgono de frecuencias es la ojiva, pero sta se obtiene de

aplicar parcialmente la misma tcnica a una distribucin acumulativa y de igual
manera que stas, existen las ojivas mayores que y las ojivas menores que.
Existen dos diferencias fundamentales entre las ojivas y los polgonos de
frecuencias (y por esto la aplicacin de la tcnica es parcial):
Un extremo de la ojiva no se "amarra" al eje horizontal, para la ojiva mayor que
sucede con el extremo izquierdo; para la ojiva menor que, con el derecho.
En el eje horizontal en lugar de colocar las marcas de clase se colocan las
fronteras de clase. Para el caso de la ojiva mayor que es la frontera menor; para la
ojiva menor que, la mayor.
Las siguientes son ejemplos de ojivas, a la izquierda la mayor que, a la derecha la
menor que, utilizando los datos que se usaron para ejemplificar el histograma:
La ojiva mayor que (izquierda) se le denomina de esta manera porque viendo el
punto que est sobre la frontera de clase "4:00? se ven las visitas que se
realizaron en una hora mayor que las 4:00 horas (en cuestiones temporales se
dira: despus de las 4:00 horas). De forma anloga, en la ojiva menor que la
frecuencia que se representa en cada frontera de clase son el nmero de
observaciones menores que la frontera sealada (en caso de tiempos sera el
nmero de observaciones antes de la hora que seala la frontera).
Si se utiliza una distribucin porcentual acumulativa entonces se obtiene una ojiva
(mayor que o menor que segn sea el caso) cuyo eje vertical tiene una escala que
va del 0% al 100%. El siguiente ejemplo es la misma ojiva menor que se acaba de
usar, pero con una distribucin porcentual:
Distribuciones muestrales
El estudio de determinadas caractersticas de una poblacin se efecta a travs
de diversas muestras que pueden extraerse de ella.
El muestreo puede hacerse con o sin reposicin (con o sin reemplazo, tambin
aparece en la literatura), y la poblacin de partida puede ser infinita o finita. Una
poblacin finita en la que se efecta muestreo con reposicin puede considerarse
infinita tericamente. Tambin, a efectos prcticos, una poblacin muy grande
puede considerarse como infinita. En todo nuestro estudio vamos a limitarnos a
una poblacin de partida infinita o a muestreo con reposicin.
Consideremos todas las posibles muestras de tamao n en una poblacin. Para
cada muestra podemos calcular un estadstico (media, desviacin tpica,
proporcin,.) que variar de una a otra. Debemos aclarar que un "estadstico" es
cualquier combinacin lineal de los datos mustrales. As obtenemos una
distribucin del estadstico que se llama distribucin muestra.
Las dos medidas fundamentales de esta distribucin son la media y la desviacin
tpica (estndar), tambin denominada error estndar.
Hay que hacer notar que si el tamao de la muestra es lo suficientemente grande
las distribuciones mustrales son (aproximadamente) normales (para fines
prcticos) y en esto se basarn todos los resultados que alcancemos.
1. DISTRIBUCIN MUESTRAL DE MEDIAS
Cada muestra de tamao n que podemos extraer de una poblacin proporciona
una media. Si consideramos cada una de estas medias como valores de una
28
variable aleatoria podemos estudiar su distribucin que llamaremos distribucin

muestra de medias.
Si tenemos una poblacin normal N (m, s) y extraemos de ella muestras de
tamao n, la distribucin muestra de medias sigue tambin una distribucin normal
Si la poblacin no sigue una distribucin normal pero n>30, aplicando el llamado
Teorema central del lmite la distribucin muestra de medias se aproxima tambin
a la normal anterior.
2. DISTRIBUCIN MUESTRAL DE PROPORCIONES
En numerosas ocasiones se plantea estimar una proporcin o porcentaje. En
estos casos la variable aleatoria toma solamente dos valores diferentes (xito o
fracaso), es decir sigue una distribucin binomio y cuando la extensin de la
poblacin es grande la distribucin binomio B(n,p) se aproxima a la normal .
Para muestras de tamao n>30, la distribucin muestra de proporciones sigue una
distribucin normal
U3.-Herramientas estadsticas de la calidad

La evolucin del concepto de calidad en
la industria y
en
los servicios nos muestra que pasamos de una etapa donde la calidad solamente
se refera al control final. Para separar los productos malos de los productos
buenos, a una etapa de Control de Calidad en el proceso, con el lema: "La Calidad
no se controla, se fabrica".
Finalmente llegamos a una Calidad de Diseo que significa no solo corregir o
reducir defectos sino prevenir que estos sucedan, como se postula en el enfoque
de la Calidad Total.
El camino hacia la Calidad Total adems de requerir el establecimiento de
una filosofa de calidad, crear una nueva cultura, mantener un liderazgo,
desarrollar al personal y trabajar un equipo, desarrollar a los proveedores, tener un
enfoque al cliente y planificar la calidad
Demanda vencer una serie de dificultades en el trabajo que se realiza da a da.
Se requiere resolver las variaciones que van surgiendo en los
diferentes procesos de produccin, reducir los defectos y adems mejorar los
niveles estndares de actuacin.
Para resolver estos problemas o variaciones y mejorar la Calidad, es necesario
basarse en hechos y no dejarse guiar solamente por el sentido comn, la
experiencia o la audacia. Basarse en estos tres elementos puede ocasionar que
en caso de fracasar nadie quiera asumir la responsabilidad.
De all la conveniencia de basarse en hechos reales y objetivos. Adems es
necesario
aplicar
un
conjunto
de herramientas estadsticas siguiendo
un procedimiento sistemtico y estandarizado de solucin de problemas.
Existen Siete Herramientas Bsicas que han sido ampliamente adoptadas en las
actividades de mejora de la Calidad y utilizadas como soporte para el anlisis y
solucin de problemas operativos en los ms distintos contextos de
una organizacin.
29
El ama de casa posee ciertas herramientas bsicas por medio de las cuales puede
identificar y resolver problemas de calidad en su hogar, estas pueden ser algunas,
tijeras, agujas, corta uas y otros. As tambin para la industria existen controles
o registros que podran llamarse "herramientas para asegurar la calidad de una
fbrica", esta son las siguientes:
1.
Hoja de control (Hoja de recogida de datos)
2.
Histograma
3.
Diagrama de pareto
4.
Diagrama de causa efecto
5.
Estratificacin (Anlisis por Estratificacin)
6.
Diagrama de scadter (Diagrama de Dispersin)
7.
Grfica de control
La experiencia de los especialistas en la aplicacin de estos instrumentos o

Herramientas Estadsticas seala que bien aplicadas y utilizando
un mtodo estandarizado de solucin de problemas pueden ser capaces de
resolver hasta el 95% de los problemas.
En la prctica estas herramientas requieren ser complementadas con
otras tcnicas cualitativas y no cuantitativas como son:
La lluvia de ideas (Brainstorming)
La Encuesta
La Entrevista
Diagrama de Flujo
Matriz de Seleccin de Problemas, etc
Hay personas que se inclinan por tcnicas sofisticadas y tienden a menospreciar

estas siete herramientas debido a que parecen simples y fciles, pero la realidad
es que es posible resolver la mayor parte de problemas de calidad, con el uso
combinado de estas herramientas en cualquier proceso de manufactura industrial.
Las siete herramientas sirven para:
Detectar problemas
30
Delimitar el rea problemtica
Estimar factores que probablemente provoquen el problema
Determinar si el efecto tomado como problema es verdadero o no
Prevenir errores debido a omisin, rapidez o descuido
Confirmar los efectos de mejora
Detectar desfases
2. Hoja de control
La Hoja de Control u hoja de recogida de datos, tambin llamada de Registro,
sirve para reunir y clasificar las informaciones segn determinadas categoras,
mediante la anotacin y registro de sus frecuencias bajo la forma de datos. Una
vez que se ha establecido el fenmeno que se requiere estudiar e identificadas las
categoras que los caracterizan, se registran estas en una hoja, indicando la
frecuencia
de
observacin.
Lo esencial de los datos es que el propsito este claro y que los datos reflejen la
verdad. Estas hojas de recopilacin tienen muchas funciones, pero la principal es
hacer fcil la recopilacin de datos y realizarla de forma que puedan ser usadas
fcilmente y analizarlos automticamente.
De modo general las hojas de recogida de datos tienen las siguientes funciones:
De distribucin de variaciones de variables de los artculos producidos
(peso, volumen, longitud, talla, clase, calidad, etc)
De clasificacin de artculos defectuosos
De localizacin de defectos en las piezas
De causas de los defectos
De verificacin de chequeo o tareas de mantenimiento.
Una vez que se ha fijado las razones para recopilar los datos, es importante que
se analice las siguientes cuestiones:
La informacin es cualitativa o cuantitativa
Como, se recogern los datos y en que tipo de documento se har
31
Cmo se utiliza la informacin recopilada
Cmo de analizar
Quin se encargar de la recogida de datos
Con qu frecuencia se va a analizar
Dnde se va a efectuar
Esta es una herramienta manual, en la que clasifican datos a travs

de marcas sobre la lectura realizadas en lugar de escribirlas, para estos propsitos
son utilizados algunos formatos impresos, los objetivos mas importantes de la hoja
de control son:
Investigar procesos de distribucin
Artculos defectuosos
Localizacin de defectos
Causas de efectos
Una secuencia de pasos tiles para aplicar esta hoja en un Taller es la siguiente:
1.
Identificar el elemento de seguimiento
2.
Definir el alcance de los datos a recoger
3.
Fijar la periodicidad de los datos a recolectar
4.
Disear el formato de la hoja de recogida de datos, de acuerdo con la

cantidad de informacin a recoger, dejando un espacio para totalizar los datos,
que permita conocer: las fechas de inicio y trmino, las probables
interrupciones, la persona que recoge la informacin, fuente, etc
3. Histogramas
Es bsicamente la presentacin de una serie de medidas clasificadas y
ordenadas, es necesario colocar las medidas de manera que formen filas y
columnas, en este caso colocamos las medidas en cinco filas y cinco columnas.
La manera ms sencilla es determinar y sealar el nmero mximo y mnimo por
cada columna y posteriormente agregar dos columnas en donde se colocan los
nmeros mximos y mnimos por fila de los ya sealados. Tomamos
el valor mximo de la columna X+ (medidas mximas) y el valor mnimo de las
columnas X- (medidas mnimas) y tendremos el valor mximo y el valor mnimo.
Teniendo los valores mximos y mnimos, podemos determinar el rango de la serie
de medidas, el rango no es ms que la diferencia entre los valores mximos y
32
mnimos.
Rango = valor mximo valor mnimo
EJEMPLO:
Rango = 3.67 3.39 milmetros
Rango= 0.28 N=nmero de medidas que conforman la serie N=25
Es necesario determinar el nmero de clases para poder as tener el intervalo de
cada clase.
Ejemplo:
28=4.6 nmero de clase 6
Intervalo de cada clase4.6
El intervalo de cada clase lo aproxima a 5 o sea que vamos a tener 6 clases y un
intervalo de 5 por clase.
La marca de clase es el valor comprendido de cada clase y se determina as:

X=marca de clase=lmite mximo + lmite mnimo con la tabla ya preparada se
identifican los datos de medida que se tiene y se introducen en la tabla en la clase
que le corresponde a una clase determinada.
El histograma se usa para:
Obtener una comunicacin clara y efectiva de la variabilidad del sistema
Mostrar el resultado de un cambio en el sistema
Identificar anormalidades examinando la forma
Comparar la variabilidad con los lmites de especificacin

Procedimientos de elaboracin:
1.
Reunir datos para localizar por lo menos 50 puntos de referencia
2.
Calcular la variacin de los puntos de referencia, restando el dato del

mnimo valor del dato de mximo valor
3.
Calcular el nmero de barras que se usaran en el histograma (un mtodo

consiste en extraer la raz cuadrada del nmero de puntos de referencia)
4.
Determinar el ancho de cada barra, dividiendo la variacin entre el nmero

de barras por dibujar
33
5.
Calcule el intervalo o sea la localizacin sobre el eje X de las dos lneas

verticales que sirven de fronteras para cada barrera
6.
Construya una tabla de frecuencias que organice los puntos de referencia

desde el ms bajo hasta el ms alto de acuerdo con las fronteras establecidas
por cada barra.
7.
Elabore el histograma respectivo.
4. Diagrama de pareto
Es una herramienta que se utiliza para priorizar los problemas o las causas que
los
genera.
El nombre de Pareto fue dado por el Dr. Juran en honor del economista italiano
VILFREDO PARETO (1848-1923) quien realiz un estudio sobre la distribucin de
la riqueza, en el cual descubri que la minora de la poblacin posea la mayor
parte de la riqueza y la mayora de la poblacin posea la menor parte de la
riqueza.
El Dr. Juran aplic este concepto a la calidad, obtenindose lo que hoy se conoce
como la regla 80/20.
Segn este concepto, si se tiene un problema con muchas causas, podemos decir
que el 20% de las causas resuelven el 80 % del problema y el 80 % de las causas
solo
resuelven
el
20
%
del
problema.
Seta basada en el conocido principio de Pareto, esta es una herramienta que es
posible identificar lo poco vital dentro de lo mucho que podra ser trivial, ejemplo:
la siguiente figura muestra el nmero de defectos en el producto manufacturado,
clasificado de acuerdo a los tipos de defectos horizontales.
Procedimientos para elaborar el diagrama de Pareto:
1.
Decidir el problema a analizar.
2.
3.
Disear una tabla para conteo o verificacin de datos, en el que se registren

los totales.
Recoger los datos y efectuar el clculo de totales.
4.
Elaborar una tabla de datos para el diagrama de Pareto con la lista de

tems, los totales individuales, los totales acumulados, la composicin
porcentual y los porcentajes acumulados.
5.
Jerarquizar los tems por orden de cantidad llenando la tabla respectiva.
6.
Dibujar dos ejes verticales y un eje horizontal.
7.
Construya un grfico de barras en base a las cantidades y porcentajes de

cada tem.
34
8.
9.
Dibuje la curva acumulada. Para lo cual se marcan los valores acumulados

en la parte superior, al lado derecho de los intervalos de cada tem, y
finalmente una los puntos con una lnea continua.
Escribir cualquier informacin necesaria sobre el diagrama.
Para determinar las causas de mayor incidencia en un problema se traza una lnea
horizontal a partir del eje vertical derecho, desde el punto donde se indica el 80%
hasta su interseccin con la curva acumulada. De ese punto trazar una lnea
vertical hacia el eje horizontal. Los tems comprendidos entre esta lnea vertical y
el eje izquierdo constituyen las causas cuya eliminacin resuelve el 80 % del
problema.
5. Diagrama de causa efecto
Sirve para solventar problemas de calidad y actualmente es ampliamente utilizado
alrededor de todo el mundo. Cmo debe ser construido un diagrama de causa
efecto?. Por ejemplo, tenemos el cocinado de un arroz especial del cual
consideraremos el sabor como si esto fuera una caracterstica de la calidad para
lograr
su
mejora.
En la siguiente figura tenemos un ejemplo de un diagrama de causa efecto
elaborado cuando un problema de mquina es debido a las principales causas
nombradas en este caso:
Mquina
Hombre
Mtodo
Material
y distribucin de un lado de la columna.
6. La estratificacin
Es lo que clasifica la informacin recopilada sobre una caracterstica de calidad.
Toda la informacin debe ser estratificada de acuerdo a operadores individuales
en mquinas especficas y as sucesivamente, con el objeto de asegurarse de los
factores
asumidos;
Usted observara que despus de algn tiempo las piedras, arena, lodo
y agua puede separase, en otras palabras, lo que ha sucedido es una
estratificacin de los materiales, este principio se utiliza en manufacturera. Los
criterios efectivos para la estratificacin son:
Tipo de defecto
Causa y efecto
35
Localizacin del efecto

Material, producto, fecha
individual, proveedor, lote etc.
de
produccin, grupo de trabajo, operador,
Diagrama de dispersin
Es el estudios de dos variables, tales como la velocidad del pin y las

dimensiones de una parte o la concentracin y la gravedad especfica, a esto se le
llama diagrama de dispersin. Estas dos variables se pueden embarcarse as:
Una caracterstica de calidad y un factor que la afecta,
Dos caractersticas de calidad relacionadas, o
Dos factores relacionados con una sola caracterstica de calidad.

Para comprender la relacin entre estas, es importante, hacer un diagrama de
dispersin y comprender la relacin global.
Cuadro de los datos de presin del aire de soplado y porcentaje de defectos de
tanque plstico.
Fecha
Presin de aire
(Kg/cm2)
Oct. 1
2
3
4
5
8
9
10
11
12
15
16
17
18
19
8.6
8.9
8.8
8.8
8.4
8.7
9.2
8.6
9.2
8.7
8.4
8.2
9.2
8.7
9.4
Grficas de dispersin
Se utilizan para estudiar la variacin de un proceso y determinar a qu obedece
esta
variacin.
Un grfico de control es una grfica lineal en la que se han determinado
estadsticamente un lmite superior (lmite de control superior) y un lmite inferior
36
(lmite inferior de control) a ambos lados de la media o lnea central. La lnea

central refleja el producto del proceso. Los lmites de control
proveen seales estadsticas para que la administracin acte, indicando la
separacin entre la variacin comn y la variacin especial.
Estos grficos son muy tiles para estudiar las propiedades de los productos, los
factores variables del proceso, los costos, los errores y otros datos administrativos.
Un grfico de Control muestra:
1.
Si un proceso est bajo control o no
2.
3.
Indica resultados que requieren una explicacin

Define los lmites de capacidad del sistema, los cuales previa comparacin
con los de especificacin pueden determinar los prximos pasos en un proceso
de mejora.
Este puede ser de lnea quebrada o de crculo. La lnea quebrada es a menudo

usada para indicar cambios dinmicos. La lnea quebrada es la grfica de control
que provee informacin del estado de un proceso y en ella se indica si el proceso
se establece o no. Ejemplo de una grfica de control, donde las medidas
planteadas versus tiempo.
En ella se aclara como las medidas estn relacionadas a los lmites de control
superior e inferior del proceso, los puntos afuera de los lmites de control muestran
que el control esta fuera de control.
Todos los controles de calidad requieren un cierto sentido de juicio
y acciones propias basadas en informacin recopilada en el lugar de trabajo. La
calidad no puede alcanzarse nicamente a travs de calcular desarrollado en el
escritorio, pero si a travs de actividades realizadas en la planta y basadas desde
luego en clculos de escritorio.
El control de calidad o garanta de calidad se inici con la idea de hacer hincapi
en la inspeccin.
Necesidad de la participacin total
Para aplicar desde el comienzo la garanta de calidad en la etapa de desarrollo de
un producto nuevo, ser preciso que todas las divisiones de la empresa y todos
sus empleados participen en el control de calidad.
Cuando el control de calidad slo hace hincapi en la inspeccin, nicamente
interviene una divisin, bien sea la divisin de inspeccin o la divisin de control
de calidad, y sta se limita a verificar en la puerta de salida para impedir que
salgan productos defectuosos. Sin embargo, el programa de control de calidad
hace hincapi en el proceso de fabricacin, la participacin se hace extensiva a
las lneas de ensamblaje, a los subcontratistas y a las divisiones
de compras, ingeniera de productos y mercadeo. En una aplicacin ms
avanzada del control de calidad, que viene a ser la tercera fase, todo lo anterior se
toma insuficiente. La participacin ya tiene que ser a escala de toda la empresa.
Esto significa que quienes intervienen en planificacin, diseo e investigacin de
nuevos productos, as como quienes estn en la divisin de fabricacin y en las
37
divisiones de contabilidad, personal y relaciones laborales, tienen que participar

sin excepcin.
La garanta de calidad tiene que llegar a esta tercera fase de desarrollo, que es la
aplicacin de la garanta de calidad desde las primeras etapas de desarrollo de un
producto. Al mismo tiempo, el control de calidad ha acogido el concepto de la
participacin total por parte de todas las divisiones y sus empleados. La
convergencia de estas dos tendencias ha dado origen al control de calidad en toda
la empresa, la caracterstica ms importante del Control de Calidad japons hoy.
En la fabricacin de productos de alta calidad con garanta plena de calidad, no
hay que olvidar el papel de los trabajadores. Los trabajadores son los que
producen, y si ellos y sus supervisores no lo hacen bien, el Control de Calidad no
podr progresar.
B. La satisfaccin de un trabajo bien hecho con calidad. Esto incluye lo siguiente:
El gozo de completar un proyecto o alcanzar una meta
El gozo de escalar una montaa simplemente porque est all.
U4.-Herramientas de confiabilidad
ANALISIS DE MODO Y EFECTO DE FALLA (AMEF)
38
El Anlisis de modos y efectos de fallas potenciales, AMEF, es un proceso

sistemtico para la identificacin de las fallas potenciales del diseo de un
producto o de un proceso antes de que stas ocurran, con el propsito de
eliminarlas o de minimizar el riesgo asociado a las mismas.
Por lo tanto, el AMEF puede ser considerado como un mtodo analtico
estandarizado para detectar y eliminar problemas de forma sistemtica y total,
cuyos objetivos principales son:
Reconocer y evaluar los modos de fallas potenciales y las causas asociadas con
el diseo y manufactura de un producto
Determinar los efectos de las fallas potenciales en el desempeo del sistema
Identificar las acciones que podrn eliminar o reducir la oportunidad de que ocurra
la falla potencial
Analizar la confiabilidad del sistema
Documentar el proceso
Aunque el mtodo del AMEF generalmente ha sido utilizado por
las industrias automotrices, ste es aplicable para la deteccin y bloqueo de las
causas
de
fallas
potenciales
en
productos
y
procesos
de
cualquier clase de empresa, ya sea que estos se encuentren en operacin o en
fase de proyecto; as como tambin es aplicable para sistemas administrativos y
de
servicios.
Requerimientos Del AMEF
Para hacer un AMEF se requiere lo siguiente:
Un equipo de personas con el compromiso de mejorar la capacidad de diseo
para satisfacer las necesidades del cliente.
Diagramas esquemticos y de bloque de cada nivel del sistema, desde
subensambles hasta el sistema completo.
Especificaciones de los componentes, lista de piezas y datos del diseo.
Especificaciones funcionales de mdulos, subensambles, etc.
Requerimientos de manufactura y detalles de los procesos que se van a utilizar.
Formas de AMEF (en papel o electrnicas) y una lista de consideraciones
especiales que se apliquen al producto.
-CARACTERSTICAS
39
* Todas las caractersticas especiales estn incluidas en el diseo y en el proceso.

* Se han calculado los NPR iniciales.
* Se ha definido qu se entiende por Alto.
* Todos los NPR altos tienen acciones correctivas.
* Se han incorporado elementos a prueba de errores (poka-yoke)
Los NPR se han recalculado.
* El AMEF refleja nuevos NPR, en otras palabras estn actualizados.
* Los NPR que an estn altos, se encuentran indicados en el plan de control y en
las instrucciones de operacin.
ANALISIS DE CAUSA RAIZ (RCA O ARBOL LOGICO DE FALLAS)
Es un mtodo de resolucin de problemas dirigido a identificar sus causas o
acontecimientos. La prctica de la RCA se basa en el supuesto de que los
problemas
se resuelven mejor al tratar de corregir o eliminar las causas raz, en vez de
simplemente tratar los sntomas evidentes de inmediato. Al dirigir las medidas
correctivas a las causas primarias, se espera que la probabilidad de la repeticin
del problema se minimizar.
Sin embargo, se reconoce que la prevencin total de la recurrencia de una sola
intervencin no es siempre posible. Por lo tanto, la RCA es considerada a menudo
como un proceso iterativo, y con frecuencia es usado como una herramienta de
mejora continua.
Conclusin
Los Sistemas de Gestin de la Calidad fueron creados por organismos que
trabajaron en conjunto creando as estndares de calidad, con el fin de controlar y
40
administrar eficazmente y de manera homognea, los reglamentos de calidad

requeridos por las necesidades de las organizaciones para llegar a un fin comn
en sus operaciones.
41

Calidad en El Mantenimiento

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Calidad en El Mantenimiento

Загружено:

Авторское право:

Доступные форматы

Calidad en el

La calidad es un tema de reciente desarrollo, ahora ya no se puede hablar de

U1.- Gestin de calidad

Un Sistema de Gestin de la Calidad (SGC) no es ms que una serie de

organizacin organiza a su personal, de acuerdo a sus funciones y tareas,

A dnde queremos llegar?

Qu vamos hacer para lograrlo?

Cmo lo vamos hacer?

La Planificacin de la Calidad: Son actividades para establecer los requisitos y los

caractersticas con la teora de juegos, aunque en la teora de decisin el

La poblacin debe estar perfectamente definida en el tiempo y en el espacio, de

connotacin negativa moderna; es decir, un marco para la actividad lenta,

La estadstica descriptiva es una parte de la estadstica que se dedica a analizar y

MEDIDAS DE TENDENCIA CENTRAL

La varianza s2 de una variable aleatoria x se define como

El rango en estadstica es la diferencia o resta del lmite superior menos el lmite

Es aquella distribucin en la que la disposicin tabular de los datos estadsticos se

PARA EMPEZAR SOLO USAR OPCION edit. ABAJO Y EMPIEZA A CONSTRUIR,

# De anuncios comprados Frecuencia

Un equipo puede utilizar la Grfica de Pareto para varios propsitos durante

Una grfica similar al polgono de frecuencias es la ojiva, pero sta se obtiene de

variable aleatoria podemos estudiar su distribucin que llamaremos distribucin

U3.-Herramientas estadsticas de la calidad

Diagrama de causa efecto

Estratificacin (Anlisis por Estratificacin)

Diagrama de scadter (Diagrama de Dispersin)

La experiencia de los especialistas en la aplicacin de estos instrumentos o

Matriz de Seleccin de Problemas, etc

Hay personas que se inclinan por tcnicas sofisticadas y tienden a menospreciar

Delimitar el rea problemtica

Estimar factores que probablemente provoquen el problema

Determinar si el efecto tomado como problema es verdadero o no

Prevenir errores debido a omisin, rapidez o descuido

Confirmar los efectos de mejora

De clasificacin de artculos defectuosos

De localizacin de defectos en las piezas

De causas de los defectos

De verificacin de chequeo o tareas de mantenimiento.

Cmo se utiliza la informacin recopilada

Quin se encargar de la recogida de datos

Con qu frecuencia se va a analizar

Esta es una herramienta manual, en la que clasifican datos a travs

Definir el alcance de los datos a recoger

Fijar la periodicidad de los datos a recolectar

Disear el formato de la hoja de recogida de datos, de acuerdo con la

La marca de clase es el valor comprendido de cada clase y se determina as:

Mostrar el resultado de un cambio en el sistema

Identificar anormalidades examinando la forma

Comparar la variabilidad con los lmites de especificacin

Calcular la variacin de los puntos de referencia, restando el dato del

Calcular el nmero de barras que se usaran en el histograma (un mtodo

Determinar el ancho de cada barra, dividiendo la variacin entre el nmero

Calcule el intervalo o sea la localizacin sobre el eje X de las dos lneas

Construya una tabla de frecuencias que organice los puntos de referencia

Elabore el histograma respectivo.

Disear una tabla para conteo o verificacin de datos, en el que se registren

Elaborar una tabla de datos para el diagrama de Pareto con la lista de

Jerarquizar los tems por orden de cantidad llenando la tabla respectiva.

Dibujar dos ejes verticales y un eje horizontal.

Construya un grfico de barras en base a las cantidades y porcentajes de

Dibuje la curva acumulada. Para lo cual se marcan los valores acumulados

y distribucin de un lado de la columna.

Localizacin del efecto

produccin, grupo de trabajo, operador,