Procesode variabilidad

Tcnicaestadstica para monitorear un proceso y verificar su

estabilidad con cambiospequeos o imperceptibles que suceden
en el proceso y afectan directamente alproducto.
Todala variacin del objeto expuesto de los procesos de la
fabricacin y de lamedida.
Importanciade la variabilidad
Porqueafecta al producto directamente, y en segundo plano a la
economia de laempresa.
Ejemplos
o Por ejemplo, cuando tomamos datos de lamuestra sobre la
salida de un proceso, tal como dimensiones, grueso del
xido,o resistencia crtico, observamos que todos los
valores no son iguales. Esto dalugar a una coleccin de
valores observados distribuidos sobre un cierto valorde la
localizacin.
o En una empresa se fabrican pantalones demezclilla, pero
esos pantalones ninguno tiene los mismos defectos, unos
salencon error de costura, otros con error de talla, etc.
o Por ejemplo, aunque las personas intentenhacer un buen
trabajo, si un proceso cuenta con maquinaria mal
calibrada, losmateriales son deficientes y las personas no
cuentan con el entrenamientodebido, ser muy difcil
reducir la variabilidad comn, cambiar al personal noser la
solucin.
Principiode la variabilidad del proceso
Enel estudio de la variabilidad, consciente en que, aunque los
dimetros de lasdistintas piezas sean distintos, si se mantiene
constante el sistema de causasque producen la variabilidad en las
entradas, las frecuencias con que seobservan los distintos valores
de los dimetros tienden a estabilizarse en unaforma de
distribucin predecible.
Noexisten dos artculos que tengan las mismas medidas
Ejemplos:
o Enuna empresa se fabrican tornillos de ciertas medidas,
pero la maquinaria estfallando y no todas las piezas de la
misma medida salen igual.
o Enun restaurante se hace el mismo men todos los das,
pero no siempre sabe igualo es la misma presentacin que
el dia anterior ya que los empleados cambian deturno.
o Enuna fabrica textil se desea tener el mismo color de
pantalones, pero como lamateria prima no se obtiene de la
misma fuente los colores varian.
Tiposde variabilidad
Variabilidad aleatoria.- Sedeben a una amplia variedad de causas
que estn presentes en forma permanente yson de difcil
identificacin. Cada una de estas causas es un componente
muypequeo en la variabilidad total del proceso y la suma de su

contribucin esmedible. Son inherentes al proceso y poco

controlables por los operadores delos procesos. Su eliminacin o
reduccin requiere de una decisin gerencialpara la asignacin de
recursos para mejorar el sistema. (Remplazo de equipos,nuevas
tecnologas, etc.)
Ejemplos
o Por ejemplo, una pieza puede ser el resultadode una
secuencia de operaciones de laminado realizadas en
diferentes mquinas.El profesional dedicado a la calidad
debera investigar si alguna de lasmquinas est
generando ms variaciones que otra en una determinada
dimensin.Sin embargo, examinar la variacin de las
piezas no es suficiente. Se necesitandiagramas de control
para determinar si el proceso se ubica dentro del
controlestadstico.
o Pues son adaptaciones, variabilidad podemosver el caso del
oso, una variedad de oso emigro al polo norte y por el
ambientelos osos claros eran los que sobrevivan porque
se camuflageaban con elambiente y cazaban mas
animales, as que d el color ms claro paso a blanco,ya
que fue una adaptacin sea se una variabilidad gentica,
ya que los genesque determinaban el color blanco fueron
los que se fueron pasando a lasgeneraciones posteriores.
o Tambin est el caso de las polillas de Inglaterra,son las
polillas blancas pardas y negras, en principio las blancas
prevalecan,pero con la revolucin industrial las negras
sobrevivieron para acostumbrarseal ambiente que estaba
lleno de holln del carbn ya si se camuflageaban deaves
depredadoras, aunando alas blancas, reduciendo su
nmero, cambiando lafrecuencia gentica de la poblacin
original.
Variabilidad Identificable.-se pueden individualizar y controlar
hasta un mnimo valor econmico. Se diceque un proceso est
bajo control estadstico cuando su variabilidad essolamente el
resultado de causas aleatorias.
o Ejemplos
o Por ejemplo, la variabilidad en la dimensiny resistencia de un
ladrillo artesanal es mayor que en uno industrial.
o Por ejemplo, la fabricacin de comida de lacalle a comida de un
restaurante vara tan solo en el precio, como tambin enla calidad
de los insumos.
o Por ejemplo en la industria textil hay muchadiferencia el lugar de
elaboracin como podramos dar el ejemplo de Mxico a unpas
de Centroamrica varia por la calidad del producto y el costo del
recursohumano.
Causasde la variacin.- se dividen en dos

 Causas comunes (aleatorias): Seentienden aquellas fuentes de

variacin en un proceso que estn bajo controlestadstico. Esto
significa que todas las mediciones se encuentran dentro delos
lmites de variacin normal, Las causas comunes de variacin se
comportancomo un sistema constante de causas totalmente
aleatorias. Conocer que unsistema solo est variando por causas
comunes es normalmente simple a travs detcnicas estadsticas.
Ejemplos:
o Por ejemplo, conducimos un automvil y elvolante vibra
cuando viajamos. La vibracin es una causa comn de
variacin, elsistema funciona bajo ciertas variaciones que
son comunes a su funcionamiento,variaciones tolerables.
o Por ejemplo conducimos un automvil ysufrimos una
pinchadura de una llanta, el vehculo comienza a bajar en
zig-zagy de repente todo se hace peligroso: el sistema se
volvi inestable y est apunto de colapsar.
o Uno ejemplos de causa comunes serian losmateriales
recibidos inadecuados a los requisitos, condiciones de
trabajoincomodas, y la mala supervisin.
Las causas especiales de variacin(asignables o identificables):
Frecuentemente sonllamadas causas asignables. Se refiere a cualquier
factor o factores que causanvariacin en relacin con una operacin
especfica o en un momento particularen el tiempo.
Solosi todas las causas especiales de variacin son identificadas y
corregidas,ellas continuarn afectando la salida del proceso de una
manera impredecible.Si hay causas especiales de variacin, la salida del
proceso no es estable atravs del tiempo y por supuesto tampoco es
predecible.
Ejemplos
o Materia prima descompuesta
o Rotura de alguna pieza interna de una mquina
o Fuga de gas de algn ducto en el taller
o Operario accidentado
Factorescomunes que afectan a la variabilidad.o Lasllamadas 5 ms
o Conforme al presente mtodo seprocede a analizar el problema y
a definir las posibles causas, generalmenteeste proceso se
realiza con el grupo de trabajo encargado de la resolucin
delproblema.
o Para la aplicacin de este mtodo se sigue unorden para
considerar las causas de los problemas, partiendo de la premisa
queestas, estn agrupadas segn cinco criterios y por ello se
denomina de las 5 M

 Mano de Obra.- Notoda la gente tiene la misma habilidad ni

entrenamiento, descuidos u olvidos dela gente, (experiencia,
Conocimientos, estado fsico, emocional, etc.).
Mtodos.- Conformeva aumentando la demanda es necesario
cambiar a mtodos ms efectivos y rpidos, (Inspector, equipo de
medicin).
Materiales.- Notodos los materiales son idnticos, (la materia
prima es el producto terminadode otros por tanto tiene
variabilidad).
Medio Ambiente.- Elclima para ir a laborar, (Temperatura, luz,
humedad, etc.).
Mquinas.- Desajustesy desgastes de las maquinas,
(antigedad, Desgaste, Estado de la maquinaria,fluctuaciones
elctricas, etc.).
Ejemplos:
o Medir las caractersticas claves de losinsumos.
o Las condiciones de operacin de los equipos ylas variables
de salida de los diferentes subprocesos.
o Que no toda la gente cumple responsabilidadde ir todos los
das, esto retrasa la produccin al no haber una mano de
obrasegura.

Relacinentre variabilidad y calidad. Laprimera tarea que debemos hacer es producir mercanca de calidad
para que loscompradores compren y sigan comprando.
Lavariacin en calidad de una unidad de producto a otra se debe
generalmente a ungran nmero de causas, por lo que ningn producto o
servicio es exactamenteigual a otro aunque sean realizados por la
misma compaa, maquinaria y/opersonas.
Y el producto entre menos variabilidadtenga, ms calidad hay.
Ejemplos
o El dimetro de una pieza de metal o el tiempode ciclo de un
proceso de servicio.
o El porcentaje de productos con defectos o laproporcin de
clientes insatisfechos.
o Por ejemplo en una refaccionaria se vendieron30 bateras
de esas 30 se registro el 30% de insatisfaccin los cuales
dijeronque las diferentes causas que tuvieron con las
bateras lo que quiere decir queno se tuvo el mismo
problema en todas las bateras.
Usosy aplicaciones de la variabilidad
o Operaciones del proceso.
o Control de calidad.
o Recurso humano.

o Insumos (materia prima).

o Proveedores.
o Alta direccin de la empresa.
Sistemaideal de control de variabilidad
Unsistema ideal de control de un proceso pretende conocer con
una ciertaexactitud cmo cada variable del proceso afecta cada
caracterstica de calidadde un determinado producto o servicio,
adems de que le permite, tener laposibilidad de manipular o
ajustar esas variables y ser capaces de predecir conexactitud los
cambios en las caractersticas de calidad con motivo de
losajustes realizados en las variables del proceso.
Unavez que se sabe que el producto o servicio responde a las
necesidades delcliente la preocupacin bsica es tener el proceso
bajo control. En este punto,en realidad, lo que se busca es reducir
la variabilidad que caracteriza alproceso en anlisis. En
ocasiones, es necesario usar los datos sobre lavariabilidad del
producto como una medida indirecta de la capacidad del
procesoya que en trminos generales el producto habla del
proceso.
Ejemplo:
o Hay equipos que traen incorporado un sistemapara CEP con
displays de las grficas de control, y existen interfaces
pararecolectar datos que utilizan un paradigma de rojo
para parar y verde para seguir, demanera tal de alertar a
los operadores sobre situaciones de bajo control o fuera
de control.

Inferencia Estadistica
Escrito por zuliixchavarria 15-04-2010 Comentarios (0)
Definiciones
Espacio de lamuestra: () es el conjunto de los posibles valores de un
experimento

Evento: (A) es elconjunto de valores tomados por el experimento dentro del

espacio de lamuestra. El evento complementario es Ac A
Variablealeatoria: x(Ai)es una funcin definida en el espacio de N posibles
eventosAi.
Funcin dedistribucin o probabilidad acumulada: F, es la probabilidad de que
cuandose mide un valor de la variable aleatoria x, ste sea menor o igual
a x.F es una funcin mono tnicamente creciente.
Six es , entonces F()=0,F()=1.
Probabilidaddiscreta: Pr, de una variable discreta r, es la frecuencia conque
ocurre r.
Densidadde probabilidad, o funcin de frecuencia, o funcin diferencial
deprobabilidad: P(x), de una variable continua x,es P(x)=dF/dx, de maneraque
la probabilidad de que x tome un valor entre x y x+dxsea P(x)dx
Axiomasde probabilidad (Kolmogorov):
0 P(A) 1
P() = 1, P()= 0
si AB A B =
P(A U B) = P(A) + P(B)
Ejemplo:clculo de la probabilidad de que en una tirada de una moneda, salga
o guila osol.
AS = ,
P(AUS)= P(A) + P(S)= + = 1
Independencia:
si P(A|B)= P(A)
P(AB)=P(A)P(B)
Ejemplo:clculo de la probabilidad de que en dos tiradas de una moneda,
salgan dos guilas
P(AA)= =
Probabilidadcondicional:
P(A|B)= P(AB) / P(B)
Ejemplo:clculo de la probabilidad de que en dos tiradas de una moneda, dada
una primeraguila, salga otraguila
P(A|A)= P(AA)/P(A) = / =

La inferencia estadistica, es el proceso por el cual se deducen

(infieren)propiedades o caractersticas de una poblacin a partir de una
muestrasignificativa. Uno de los aspectos principales de la inferencia es

laestimacin de parmetros estadsticos. Por ejemplo, para averiguar la media,

,de las estaturas de todos los soldados de un reemplazo, se extrae una
muestra yse obtiene su media, 0. La media de la muestra (media muestral), 0,
es unestimador de la media poblacional, . Si el proceso de muestreo est
bienrealizado (es decir, la muestra tiene el tamao adecuado y ha sido
seleccionadaaleatoriamente), entonces el valor de , desconocido, puede ser
inferido apartir de 0.
Lainferencia siempre se realiza en trminos aproximados y declarando un
ciertonivel de confianza. Por ejemplo, si en una muestra de n = 500 soldados
seobtiene una estatura media 0 = 172 cm, se puede llegar a una conclusin
delsiguiente tipo: la estatura media, , de todos los soldados del reemplazo
estcomprendida entre 171 cm y 173 cm, y esta afirmacin se realiza con un
nivel deconfianza de un 90%. (Esto quiere decir que se acertar en el 90% de
losestudios realizados en las mismas condiciones que ste y en el 10%
restante secometer error.)
Si se quiere mejorar el nivel de confianza, se deber aumentar el tamao de
lamuestra, o bien disminuir la precisin de la estimacin dando un tramo
msamplio que el formado por el de extremos 171, 173. Recprocamente, si se
quiereaumentar la precisin en la estimacin disminuyendo el tamao del
intervalo,entonces hay que aumentar el tamao de la muestra o bien consentir
un nivel deconfianza menor.

Finalmente, si se quiere mejorar tanto la precisin como el ,hay que tomar una
muestra suficientemente grande.
Ejemplo:
Hacemos una encuesta entre los clientesde una tienda para preguntarles su
opinin sobre cambios generales quepretendemos hacer en diversas reas de
la tienda. Despus de realizados loscambios, queremos hacer una segunda
encuesta para saber cmo se modific laopinin sobre los cambios una vez
hechos. Nos interesa laDIFERENCIA.
*Revisamos varias de nuestras ventaspara ver los problemas que se presenten
en la facturacin de las mismas. Estolo realizamos antes de imponer algunas
mejoras en el procedimiento defacturacin. Tenemos la intencin de realizar la
misma investigacin despus dehechos los cambios para medir
la DIFERENCIA.

*Queremos establecer estndares parael desempeo de los trabajadores a fin

de poder ver como es el desempeoactual. De lo que encontremos se van a
derivar varias acciones:
-se va a otorgar un estmulo para los trabajadores,
-se va a establecer una tabla comparativa de desempeo entre lasdiferentes
unidades de la empresa y en base a ella se va a otorgar un estmuloa los
gerentes,
-se va a comparar el desempeo contra el desempeo en los ltimos
tresperodos anteriores.
Para establecer los estndares se vana seleccionar varios operarios de cada
uno de los dos turnos
y se va a medir su rendimiento durantetres das especficos de una semana.
Estamos interesados en conocer unVALOR general.
En los tres ejemplos anteriores setienen muestras obtenidas, quiz al azar, y se
trata de conocer valores de lapoblacin en base a los de la muestra.
*La decisin de si a los clientes lesgustaron los cambios la vamos a tomar
sobre los valores en la muestra.
*La mejora en las facturas la vamos aconstatar en base a las que observamos.
*El estndar de desempeo lo vamos afijar en base a los trabajadores
estudiados.
Pero en los tres casos vamos a extenderel valor de la muestra o las muestras a
la poblacin. Este proceso se llamainferencia.
Errores en lainferencia y qu hace la estadstica con ellos
En todo caso el proceso deinferencia est sujeto a errores. No existe magia
alguna que haga que elvalor de la muestra coincida con el de la poblacin y si
afirmsemos locontrario seramos unos charlatanes.
La diferencia entre los valores de lamuestra y los de la poblacin crea
incertidumbre acerca de los valores mustrales.Se necesita una manera de
establecer las limitaciones del proceso deinferencia.
Los procedimientos estadsticos noeliminan los errores en la inferencia. Lo que
hacen es que los valores de loserrores sean cuantificables mediante
afirmaciones d probabilidad. Se dice quelos procedimientos estadsticos
son medibles porque es posible medir (entrminos de probabilidad) la magnitud
del error que cometen.
En el ejemplo de los clientes delestablecimiento, si obtuvimos una muestra
estadstica, podemos decir no slocul es el porcentaje de clientes indiferente a
los cambios (por ejemplo 20%,valor en la muestra) sino, adems, cul es la
probabilidad de que el porcentajereal sea menor que alguna cantidad (por
ejemplo la probabilidad de que seamenor que 25%) o mayor que alguna otra
cantidad (por ejemplo mayor que 10%) oque se encuentre entre dos valores
(entre 18% y 23%, por ejemplo).
Afirmaciones como las anteriores sebasan en el hecho de que por haber
seleccionado al azar, hay un mecanismoobjetivo de generacin de la
incertidumbre y mediante deducciones matemticases posible encontrar las

probabilidades mencionadas. Si la seleccin se hubiesehecho ``a juicio'',

dependera del buen juicio y no de las matemticas eltamao del error en la
inferencia. La medicin de la incertidumbre sera muycomplicada y nada
confiable.
En la mayora de las veces que hacemosinferencia, las probabilidades las
calculamos con el modelo normal. En algunoscasos este modelo normal es el
modelo exacto para la inferencia, pero muyfrecuentemente es slo un modelo
aproximado.
Estimacin y Pruebade Hiptesis
En la estadstica hay dos formasprincipales de inferir: La estimacin parte
desde suponer un modelo estadsticopara la distribucin de la caracterstica
que nos interesa en la poblacin.Esta caracterstica es, generalmente,
numrica y distinguimos a las variablesen continuas y discretas.
Si nos interesa el rendimiento oeficiencia de los trabajadores, como en el tercer
ejemplo, tendremos el tiempode realizacin de una tarea especfica (variable
continua).
En el segundo ejemplo nos interesarel nmero y tipo de errores cometidos en
la factura (variable discreta).
En el primero nos interesa la opininque mediremos como favorable o
desfavorable (variable discreta = nmero depersonas a favor o en contra).
Si tiene Ud. inclinaciones mspoticas, recuerde a la reina de las hadas y su
problema de enamorarse delprimero que vea al despertar; ah tenemos el
mismo tipo de situacin: el amadoser guapo o no guapo, y el parmetro
desconocido es la ``densidad'' de guaposalrededor de la reina dormida.
I Estimacin
Para estimar partimos de un modeloprobabilstico de cmo se distribuye la
caracterstica en la poblacin o decmo se realiz el muestreo. Este modelo
incluye cantidades que desconocemos yque llamamos parmetros
Por ejemplo, en la encuesta para saberla opinin de los clientes, el nmero de
clientes a favor es un parmetro, y laprobabilidad de que obtengamos al azar a
una persona que est a favor es laproporcin de personas a favor en la
poblacin (que desconocemos).
Esto se parece al lo de la reina delas hadas.
Para los tiempos de realizacin de latarea, en el tercer ejemplo, podemos
suponer una distribucin normal con unamedia y una desviacin estndar
desconocidas; nuestro inters se centrara enel valor del promedio de la
poblacin.
De la muestra estimamos los valores delos parmetros en la poblacin y esto lo
hacemos: *mediante un valor fijo yentonces decimos que tenemos
un estimador puntual o, *mediante unintervalo de posibles valores y le
llamamos estimacin por intervalo o intervalode confianza.
Los mtodos de estimacin puntual puedentener varias caractersticas
estadsticas entre las que sobresalen:

1. Insesgamiento: Que el valor delparmetro coincida con el valor promedio del

estimador. Esta propiedad latienen la mayora de los estimadores usados en la
prctica.
2. Consistencia: Que el valor de lamuestra se acerque al valor del parmetro al
aumentar el tamao
de la muestra.
3. Suficiencia: Que el estimadoruse toda la informacin que la muestra contiene
respecto al parmetro de inters.
4. Eficiencia: Que el estimadortenga menor variabilid

Muestreo
Escrito por zuliixchavarria 15-04-2010 Comentarios (0)
Ya sabemos queuna poblacin es el conjunto de individuos sobre los que
hacemos ciertoestudio, y que una muestra es un subconjunto de la poblacin.
Es evidente quelos resultados de una determinada encuesta tendrn un mayor
grado de fiabilidadsi dicha encuesta se realiza sobre la poblacin completa.
Sinembargo, en la mayora de las ocasiones esto no es posible, debido a
mltiplesrazones:
* Imposibilidad material (Hacer unaencuesta a los casi 41 millones de
espaoles es imposible, hacer un estudiosobre la fecha de caducidad de un
producto. Si lo hacemos con todos losproductos qu vendemos luego?)
* Imposibilidad temporal (Hacer unestudio sobre la duracin de una bombilla.
Cunto debemos esperar para saberlo?)
Portanto, es habitual que tengamos que manejarnos con muestras, de modo
que esimportante saber elegir bien una muestra de la poblacin, una muestra
querepresente bien a dicha poblacin.
Hay muchas maneras de elegir una muestra de unapoblacin.
Antes depasar a analizar dichas formas de extraccin de muestras, lo que si
hemos dedejar claro es que todas las muestras han de cumplir varias
condicionesindispensables.
Esevidente que para que el estudio a realizar sea fiable, hay que cuidar mucho
laeleccin de la muestra, para que represente en la medida de lo posible a
lapoblacin de la que se extrae. Si la muestra est mal elegida, diremos que no
esrepresentativa.
En estecaso, se pueden producir errores imprevistos e incontrolados. Dichos
errores sedenominan sesgos y diremos que la muestraest sesgada.
Una delas condiciones para que una muestra sea representativa es que
el muestreo (o sistema para elegir una muestra de unapoblacin) que se haga
sea aleatorio, es decir, todas las personas de la poblacin tengan las mismas
posibilidadesde ser elegidas, mientras que si la eleccin de la muestra es
subjetiva, esprobable que resulte sesgada.
Lasdistintas maneras de elegir una muestra de una poblacin se
denominanmuestreos. Bsicamente hay dos tipos de muestreos:

1. Muestreo no probabilstico: El investigador no elige la muestra al azar,sino

mediante determinados criterios subjetivos.
2. Muestreoprobabilstico: Cuando lamuestra se elige al azar. En este caso
podemos distinguir varios tipos:
a) Muestreo aleatorio simple: Aquel en el que cada individuo de la
poblacintiene las mismas posibilidades de salir en la muestra.
b) Muestreo sistemtico: En el que se elige un individuo al azar y a partir de l,
a intervalosconstantes, se eligen los dems hasta completar la muestra.
c) Muestreo estratificado: En este muestreo se divide la poblacin enclases o
estratos y se escoge, aleatoriamente, un nmero de individuos de cadaestrato
proporcional al nmero de componentes de cada estrato.
d) Muestreo por conglomerados: Si no disponemos de la relacin de los
elementos de la poblacin, o delos posibles estratos, no podemos aplicar los
muestreos anteriores.
Aqu entra el llamado muestreo por conglomerados, donde en lugar de
elegirindividuos directamente, se eligen unidades ms amplias donde se
clasifican loselementos de la poblacin, llamados conglomerados. En cada
etapa del muestreoen lugar de seleccionar elementos al azar seleccionamos
conglomerados.
Losconglomerados deben ser tan heterogneos como la poblacin a estudiar,
para quela represente bien. Luego se elegirn algunos de los conglomerados al
azar, ydentro de estos, analizar todos sus elementos o tomar una muestra
aleatoriasimple.
No debemos confundir estrato y conglomerado. Un estrato es homogneo (sus
elementos tienen las mismascaractersticas), mientras que un conglomerado es
heterogneo (debe representarbien a la poblacin).
Veamosla diferencia de estos muestreos mediante un ejemplo:
Imaginemosque hemos de recoger una muestra de 20 alumnos de entre los de
un instituto de600.
Ejemplo:
-Muestreo aleatorio simple: Elegiramosun alumno al azar (probabilidad de
elegirlo 1600. Lo devolvemos a la poblaciny se elige otro (probabilidad de
elegirlo 1600), y as hasta 20. Notemos que sino devolvisemos al alumno,
entonces, la probabilidad de escoger al 2 alumnosera 1599, y ya no todos
tendran la misma probabilidad de ser elegidos. Elproblema es que entonces
permitimos que se puedan repetir individuos.
-Muestreo sistemtico: Como hemos deelegir 20 alumnos de 600, es decir, 1
de cada 30, se procede as: Se ordenanlos alumnos y se numeran, se elige uno
al azar, por ejemplo el alumno 27, yluego los dems se eligen a partir de este a
intervalos de 30 alumnos.Escogeramos por tanto a los alumnos:
27,57,87,117,147,177,207,237,267,297,327,357,387,417,447,477,507,537,567,
597y el alumno 627 ya es otra vez el 27.
-Muestreoestratificado: Si queremos que la muestra sea representativa,lo mejor
ser conocer cuntos alumnos de cada curso hay, es decir, si hay 200alumnos
de 3 ESO, 150 de 4 ESO, 150 de 1 de Bachillerato y 100 de 2 de

Bachillerato, procederamos: Como de 600 en total hemos de elegir a 20, de

200de 3 de ESO hemos de elegir x:
20/600=x/200 x =4000/600 = 6_6 7 alumnos de 3
(Utilizandola regla de tres)
De igualmanera podemos calcular los alumnos correspondientes a los dems
cursos:
20/600 =y/150 y = 3000/600 = 5 alumnos de 4
20/600 =z/150 z = 3000/600 = 5 alumnos de 1
20/600 =t/100 t = 2000/600
= 3_3 alumnos de 2
De modoque en nuestra muestra de 20, 7 alumnos son de 3, 5 de 4, 5 de 1 y
3 de 2.Para la eleccin de cada alumno dentro de cada curso, utilizamos el
muestreoaleatorio simple.
-Muestreo por conglomerados: Para ver este muestreo, hemos de cambiar el
ejemplo.
Supongamosque queremos extraer una muestra aleatoria de los estudiantes
universitariosdel pas.
Necesitaramosuna lista con todos ellos para poder realizar algn muestreo del
tipo de los 3anteriores, lo cual es muy difcil de conseguir. Sin embargo, los
estudiantes estnclasificados por Universidades,
Facultadesy Clases.
Podemosseleccionar en una primera etapa, algunas Universidades, despus
algunasfacultades al azar, dentro de las facultades algunas clases y dentro de
lasclases, algunos estudiantes por muestreo aleatorio simple. Los
conglomerados encada etapa seran las diferentes Universidades, las
diferentes facultades y losdiferentes clases.
Comovemos los conglomerados son unidades amplias y heterogneas.
Distribucin muestralde medias
Sitenemos una poblacin de parmetros desconocidos y , y tomamos una
muestra, podemos calcular la media muestral,x1, que tendra cierta relacin
con .
Podramostomar otra muestra, de igual tamao, y calcular de nuevo su media
muestral x2, que tambin estar relacionada con .
Assucesivamente, considerando varias muestras y haciendo las medias
mustralesrespectivas, tenemos una serie de medias, relacionadas de alguna
manera con cmo?.
De lasiguiente forma:
Propiedad: Si la poblacin sigue una distribucin normal N(,),
donde y son desconocidos, si elegimos todas las muestras de cierto
tamao (n) ,de forma que sean representativas, entonces:
a) Lamedia de las medias mustrales de todas las muestras posibles, es igual
a lamedia poblacional, es decir:
x = (x1 + x2 +. . . + xk)/k =
b) La desviacintpica de las medias mustrales posibles es:
sx = /n
donde es la desviacin tpica poblacional y n es el tamao de las muestras.
Conclusin: Las medias de las muestras de tamao n extradas de una
poblacin de parmetros y , siguen una distribucin:

X N(,/n)
siempreque dichas muestras tengan un tamao n 30.
Distribucin muestralde proporciones
Nos planteamosahora determinar qu proporcin de una poblacin posee un
cierto atributo, por ejemplosi es fumador o no fumador, si tiene ordenador o no,
si tiene alergia o no, etc...El estudio de este tipo de proporciones es
equiparable al de una distribucinbinomial (donde slo hay dos posibilidades).
Si la proporcinxito es p y la de fracaso q, y se toma una muestra de la
poblacin de tamaon, al igual que en el caso anterior, para cada muestra
tendremos una proporcinmuestral que denotaremos por p y una
desviacintpica muestral que denotaremos por sp.
Entonces,utilizando razonamientos similares a los del apartado anterior, se
verifica quep = p, y sp =/p q/ n por tanto:
Conclusin: Las proporciones mustrales de tamao n 30, extradas de una
poblacin en la que la probabilidadde xito es p, se ajustan a una normal
N(p;p q/n)
Ejemplo: Una fbrica de pasteles fabrica, en su produccinhabitual, un 3% de
pasteles defectuosos.
Uncliente recibe un pedido de 500 pasteles de la fbrica.
a)Probabilidad de que encuentre ms del 4% de pasteles defectuosos.
b)Probabilidad de que encuentre menos de un 1% de pasteles defectuosos.
a) Eneste caso xito= pastel defectuoso, y la proporcin poblacional de xito
esde p =3/100 tanto, q=97/100. La muestra que recibe el cliente es de
tamaon=500.
Portanto, las proporciones mustrales siguen una distribucin:
p N(3/100;(3/100 97/100)/500) = N(0_03; 0_076) puesto que las
muestras tienen tamao mayor que 30.
Laprobabilidad pedida es que la proporcin de pasteles defectuosos en la
muestrasea mayor del 4%, es decir:
p(p 0_04) = p(Z 0.04 0.03/0.0076)= p(Z 1.32) = 0.0934
b) Eneste caso es p(p 0.01) = p(Z 0.01 0.03/0.0076)= p(Z 2_63) =
0.0043

Intervalos De
Confianza
Escrito por zuliixchavarria 15-04-2010 Comentarios (0)
Estimacin puntual y por intervalo

Las medias o desviacionesestndar calculadas de una muestra se denominan

ESTADSTICOS, podran serconsideradas como un punto estimado de la media y
desviacin estndar real depoblacin o de los PARAMETROS.

Qu pasa si no deseamos unaestimacin puntual como media basada en una

muestra, qu otra cosa podramosobtener como margen, algn tipo de error?

Un Intervalo de Confianza

ESTIMADORPUNTUAL: Utiliza un nmero nico o valor para localizar una estimacin

delparmetro.

ESTIMADOR PORINTERVALO DE CONFIANZA: Denota un rango dentro del cual se

puede encontrarel parmetro y el nivel de confianza que el intervalo contiene al
parmetro.

LIMITES DECONFIANZA: Son los lmites del intervalo de confianza inferior (LIC) y
superior(LSC), se determinan sumando y restando a la media de la muestra
un
cierto nmero Z (dependiendo del nivel o coeficiente deconfianza) de errores estndar
de la media
.

INTERPRETACINDEL INTERVALO DE CONFIANZA: Tener un 95% de confianza

en que la mediapoblacional real y desconocida se encuentra entre los
valores LIC y LSC.

NIVELDE SIGNIFICANCIA = 1- INTERVALO DE CONFIANZA = ERROR TIPO 1 =

ALFA

Cmo obtenemos un intervalo deconfianza?

Estimacin puntual + error deestimacin

De dnde viene el error deestimacin?

Desv.estndar X multiplicador de nivel de confianza deseado Z/2

Ejemplo 1
Si lamedia de la muestra es 100 y la desviacin estndar es 10, el intervalo
deconfianza al 95% donde se encuentra la media para una distribucin normal es:
100 + (10) X 1.96 =>(80.4, 119.6)

1.96 =Z0.025

El 95%de Nivel de Confianza significa que slo tenemos un 5% de oportunidad

deobtener un punto fuera de ese intervalo.

Estoes el 5% total, o 2.5% mayor o menor. Sivamos a la tabla Z veremos que para
un rea de 0.025, corresponde a una Z de1.960.
C. I.

Multiplicador Z/2

99

2.576

95

1.960

90

1.645

85

1.439

80

1.282

Paratamaos de muestra >30, o conocida usar la distribucinNormal

Paramuestras de menor tamao, o desconocida usar ladistribucin t

Elancho del intervalo de confianza decrece con la raiz cuadrada del tamao de
lamuestra.

Ejemplo 2
Dadaslas siguientes resistencias a la tensin: 28.7, 27.9, 29.2 y 26.5 psi

Estimarla media puntual

Xmedia = 28.08 con S = 1.02

Estimarel intervalo de confianza para un nivel de confianza del 95% (t = 3.182 conn1=3 grados de libertad)
Xmedia3.182*S/n = 28.083.182*1.02/2=(26.46, 29.70)

FORMULAS PARAESTIMAR LOS INTERVALOS DE CONFIANZA:

Descripcin
Estimacin de

Intervalo de confianza

con sigma conocida, muestra

grande n>30
Estimacin de

con sigma desconocida, muestra

grande n>30, se toma la desv. Est. de la muestra S

Estimacin de

con muestras pequeas, n < 30 y

sigma desconocida
Estimacin de la

Estimacin de la proporcin

Tamao de muestra
Para estimar n en base a un error mximo
Para estimar n en base a un error mximo
Si se especifica un intervalo total de error, el
error
mximo es la mitad del intervalo

Utilizar

que es peor

caso

Comportamientode los intervalos de confianza.

El modelo deintervalo de confianza obtenido para la media muestral proporciona
caractersticasque se comparten con otros tipos de intervalos para otros parmetros:

Se escoge unnivel de confianza 1- que determinar el error de estimacin. Se desea

siempretener un nivel de confianza alto y un error de estimacin pequeo. El nivel
deconfianza nos proporciona seguridad en que nuestro mtodo arroja
respuestascorrectas. Un error de estimacin pequeo nos dice que el valor del
parmetroestimado se parece mucho al obtenido.
En el caso dela media poblacional, el error de estimacin es n/z / 2 por lohacemos
ms pequeo el error si: El punto crtico se hace menor, lo que llevaconsigo ms peso
de las colas y menos del intervalo central y por tanto unnivel de confianza menor.
Si ladesviacin poblacional es menor. Es ms fcil estimar si la desviacin
espequea.
Si se aumentael tamao muestral. Para obtener un error mitad se necesita cuadriplicar
eltamao muestral.

Intervalo deconfianza para la media muestral con desviacin conocida.

Para determinarun intervalo de confianza de la media muestral recordaremos que el
estadstico:X/ n tiene una distribucinnormal estndar.
Por lo tantodebemos localizar un intervalo centrado en 0, que tenga una probabilidad
1-.Por tanto dejar dos colas de probabilidad /2, de modo que lo quebuscamos es
simplemente un valor crtico z /2.
Y por lo tanto:Un intervalo de confianza de nivel 1 - para la media poblacional
conocida la desviacin poblacional es:
(x z /2 ) /n
Debido a que los niveles de confianza estndares son 90%, 95% y 99%conviene
recordar:
Nivel de confianza

rea de la cola

Valor z /2

90%

0,05

1,645

95%

0,025

1,960

99%

0,005

2,576

Teorema de Limite
Central
Escrito por zuliixchavarria 15-04-2010 Comentarios (0)

El Teorema Central de Lmite no es unnico teorema, sino que consiste en un

conjunto de resultados acerca delcomportamiento de la distribucin de la suma
(o promedio) de variablesaleatorias.
Con Teorema Central del Lmite nos referiremosa todo teorema en el que se
arma, bajo ciertas hiptesis, que la distribucinde la suma de un nmero muy
grande de variables aleatorias se aproxima a unadistribucin normal.
El trmino Central, debido a Poly(1920), significa fundamental, o de
importancia central, este describe el rolque cumple este teorema en la teora de
probabilidades. Su importancia radicaen que este conjunto de teoremas
desvelan las razones por las cuales, en muchoscampos de aplicacin, se
encuentran en todo momento distribuciones normales, ocasi normales.
Un ejemplo tpico de este hecho es elcaso de los errores de medida. Con
respecto a este tema, Laplace propuso unahiptesis que parece ser plausible.
Considera el error total como una sumade numerosos errores elementales muy
pequeos debidos a causas independientes.
Es casi indudable que varias causasindependientes o casi independientes
contribuyen al error total. As porejemplo, en las observaciones astronmicas,
pequeas variaciones detemperatura, corrientes irregulares de aire, vibraciones
de edificios y hastael estado de los rganos de los sentidos de un observador,
pueden considerarsecomo algunas pocas de dichas causas numerosas.
El Teorema Central del Lmite es obrade muchos grandes matemticos.
Dentro de la historia del TeoremaCentral del Lmite Laplace ocupa un lugar
fundamental: a pesar de que nuncaenunci formalmente este resultado, ni lo
demostr rigurosamente, a l ledebemos este importante
descubrimiento.
El Teorema Central del Lmite dice que si tenemos un gruponumeroso de
variables independientes y todas ellas siguen el mismo modelo dedistribucin
(cualquiera que ste sea), la suma de ellas se distribuye segnunadistribucin
normal.
Ejemplo: la variable"tirar una moneda al aire" sigue la distribucin de Bernouilli.
Silanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada
unaindependiente entre si) se distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como devariables
continuas.
Los parmetros de la distribucin normal son:
Media: n * m (media de la variable individual multiplicada porel nmero de
variables independientes)
Varianza: n * s2 (varianza de la variable individualmultiplicada por el nmero de
variables individuales.
Ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1y si
sale cruz el valor 0. Cada lanzamiento es una variable independiente quese

distribuye segn el modelo de Bernouilli, con media 0,5 y varianza

0,25.Calcular la probabilidad de que en estos 100 lanzamientos salgan ms de
60caras.
La variable suma de estas 100 variables independientes se distribuye,por tanto,
segn una distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos lavariable
normal tipificada equivalente:
(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de estadistribucin
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P(Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan msde 60
caras es tan slo del 2,28%.
Ejemplo 2
La renta media de los habitantes de un pas se distribuye uniformementeentre
4,0 millones ptas. y 10,0 millones ptas. Calcular la probabilidad de queal
seleccionar al azar a 100 personas la suma de sus rentas supere los
725millones ptas.
Cada renta personal es una variable independiente que se ditribuye segnuna
funcin uniforme. Por ello, a la suma de las rentas de 100 personas se lepuede
aplicar el Teorema Central del Lmite.
La media y varianza de cada variable individual es:
m = (4 + 10 ) / 2 = 7
s2 = (10 - 4)^2 / 12 =3
Por tanto, la suma de las 100 variables se distribuye segn una
normalcuya media y varianza son:
Media: n * m = 100 * 7 = 700
Varianza : n * s2 = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superiora 725
millones ptas, comenzamos por calcular el valor equivalente de lavariable
normal tipificada:
Luego:
P (X > 725) = P (Y > 1,44) = 1 -P (Y < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100
personasseleccionadas al azar supere los 725 millones de pesetas es tan slo
del 7,49%.

Ejemplo
En una asignatura del colegio la probabilidad de que te saquen a lapizarra en
cada clase es del 10%. A lo largo del ao tienes 100 clases de esaasignatura.
Cul es la probabilidad de tener que salir a la pizarra ms de 15veces?
Se vuelve a aplicar el Teorema Central del Lmite.
Salir a la pizarra es una variable independiente que sigue el modelo
dedistribucin de Bernouilli:
"Salir a la pizarra", le damos el valor 1 y tiene unaprobabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene unaprobabilidad del 0,9
La media y la varianza de cada variable independientes es:
m = 0,10
s2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye segn una
normalcuya media y varianza son:
Media : n * m = 100 * 0,10 = 10
Varianza : n * s2 = 100 * 0,09 = 9
Para calcular la probabilidad de salir a la pizarra ms de 15 veces,calculamos
el valor equivalente de la variable normal tipificada:
Luego:
P (X > 15) = P (Y > 1,67) = 1 - P(Y < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir ms de 15 veces a lapizarra a lo
largo del curso es tan slo del 4,75%.

"VARIABILIDAD DEL
PROCESO"
Escrito por oszielmedina el 10-05-2010Comentarios (3)

VARIABILIDAD DEL PROCESO:

1.- DEFINICION: son cambios inevitables que modifican el proceso (ya sean
pequeos o casi imperceptibles) que afectan posteriormente al producto qu se
produce o al servicio que se ofrece.
El enemigo de todo proceso es la variacin". Un administrador exitoso es
aquel que logra controlarla. La teora de la variabilidad es una de las cuatro que
el Dr. Deming propuso a los japoneses dentro de su filosofa del Conocimiento
Profundo, otra teora que complementa la anterior es la "teora de la
causalidad", en donde plantea que todo efecto tiene una causa, todo defecto
tambin. El control de la variacin, solo puede darse en sus causas,
principalmente en el control de su causa raz.
La problemtica encontrada es que se acepta que hay problemas con la
variacin, pero no hay inters en estudiar el porqu se produce y ni cmo medir
esa variabilidad.
La desviacin estndar es muy importante pues es una de las formas ms
sencillas de controlar la variabilidad, llmese presupuestos, ventas, productos,
tiempos de atencin y para todo el nuevo conjunto de indicadores que estn de
moda.
Por medio de la desviacin estndar se pueden analizar encuestas a clientes y
determinar que tan concluyentes son las respuestas, se puede inferir la
probabilidad de que se alcancen las metas, que los productos estn fuera de
especificacin, que un empleado llegue tarde, que un estudiante no logre la
nota mnima etc.
2.- IMPORTANCIA DE LA VARIABILIDAD: es de mucha importancia, quiz mas
de la que nos podemos imaginar, pues la variabilidad afecta al producto. La
variabilidad es requerida para modificar el proceso cuando se desea obtener
resultados distintos ya sea para mejorar o corregir un proceso que requiera
ajuste.
Kaouru Ishikawa deca que el 85% de los problemas en un proceso son
responsabilidad de la gerencia, el comentario no fue bien recibido. Su
afirmacin se basa en que las variaciones de un proceso generalmente se
atribuyen a causas normales, segn su capacidad diseada, la cual es
responsabilidad de la gerencia. El operario acta dentro de lo que el proceso le
permite.

Esto lleva a plantear uno de los mejores beneficios en el control de la variacin:

definir cundo sta es propia del proceso, algo normal, originada por causas
normales o comunes y cuando obedece a causas anormales o externas. Si se
entiende el concepto de variabilidad y se mide por medio de la desviacin
estndar se pueden establecer los lmites normales de variacin. (Usualmente
ms menos 3 desviaciones estndar), una vez fijados esos lmites se puede
entregar con toda tranquilidad el proceso a manos de los subalternos, para que
ellos se auto controlen, tal y como recomienda la filosofa del "empowerment".
Si los colaboradores no entienden cmo controlar la variabilidad de un proceso,
no hay procedimiento o instruccin que lo salve, aunque estn certificados. De
nada sirven los premios y los castigos si un proceso est variando dentro de
sus causas normales. El premio o el castigo se convierten en una causa
anormal, ajena al proceso, en donde luego que pasa su efecto, se regresa al
estado anterior.
3.- PRINCIPIO DE VARIABILIDAD DEL PROCESO: en un proceso de
produccin, el principio de variabilidad es inobjetable, a pesar de que en este
proceso se lleve a cabo la misma operacin, el mismo mtodo de trabajo, la
misma herramienta, la misma maquinaria e inclusive el mismo operador nunca
existirn dos artculos iguales. Tal vez a simple vista sean iguales, incluso al
sacar la mediciones de cada pieza, peo no son completamente iguales, aunque
para el caso sean tiles ambas. Esto se debe a la variabilidad, es
imprescindible la ocurrencia de que exista variabilidad, pero si puede ser
controlada, tal vez no de forma perfecta pero si lo suficiente para cumplir con
las expectativas requeridas. La estadstica como la vida, nos ha demostrado
que no hay dos cosas exactamente iguales, inclusive los dos ojos de una
persona o bien dos cabellos de una misma cabeza.
Pero adems nos ha demostrado la estadstica que las variaciones de un
producto o un proceso pueden medirse con lo cual podemos determinar el
comportamiento del proceso o el lote de productos o los tiempos de atencin
en el servicio.
Las mediciones obtenidas de un proceso o un lote de productos varan segn
una figura bien definida, que en procesos normales tiene forma de campana, ya
que generalmente de esas mediciones un buen numero de ellas tiende a
agruparse alrededor de su valor promedio con lo cual la forma de la curva
puede ser calculada. Esto es lo que se conoce como una distribucin normal en
donde la frecuencia de las mediciones va disminuyendo hacia los extremos
conforme se va alejando del

promedio.
Adicionalmente
existen otra serie de estadsticos que podran utilizarse para el control de la
variacin, el promedio correctamente utilizado es importante, al igual la moda y
la mediana, as como el rango, pero no hay que ser tan ambiciosos. Hoy da
cuando la mayora de las empresas se administran por promedios, se recuerda
la ancdota del personaje aqul que se ahog en un ro con un promedio de
metro y medio de profundidad.
4.- TIPOS DE VARIABILIDAD: es comn que la produccin de un producto
cambie constantemente, pero existen dos tipos de variabilidad que se perciben
en esta serie de cambios, la variabilidad identificable y la aleatoria.
* Identificable: esta originada por factores que son identificables; esta
variabilidad no presenta un comportamiento estadstico y, por tanto, no son
previsibles las salidas. La organizacin debe identificar las estas causas y
eliminarlas como paso previo a poner el proceso bajo control; ejemplos de
estas causas son roturas de herramientas, averas de maquinas, errores
humanos, cambios err6neos de material, fallos en los sistemas de control, etc.
* Aleatoria: est originada por factores aleatorios (desgaste
de piezas, mantenimiento, personas, equipos de medida, etc.); en este caso la
variabilidad tiene un comportamiento estadstico y es predecible, y se puede
ejercer un control estadstico sobre el mismo.
5.- CAUSAS DE VARIACION: las causas por las que en una operacin se
presenta la variabilidad
son:
Medio ambiente.- pues
este puede tergiversar el tiempo y la calidad del producto o
servicio.
C
ambio de operacin.- este tipo de factores provocan variabilidad, pues en
ocasiones el trabajador debe adaptarse a esta forma de trabajo o en ocasiones
no le agrado o simplemente le parece incomodo. Esto retrasa la produccin.
6.- TIPOS DE CAUSAS DE OPERACIN: estas son las causas comunes y las
especiales.
Las causas comunes son: El punto crtico al controlar procesos es comprender
si la variacin es debida a causas comunes o especiales. Esto es crtico porque
la estrategia para tratar las causas comunes es diferente que la usada para
tratar causas especiales. El problema fundamental es que la mayora de las
veces se trata toda variacin como si sta fuera especial. Si hace esto, solo

provocar una mayor cantidad de variacin, defectos y errores.

Por causas comunes de variacin se entienden aquellas fuentes de variacin
en un proceso que estn bajo control estadstico. Esto significa que todas las
mediciones se encuentran dentro de los lmites de variacin normal, los cuales
se determinan sumando y restando tres desviaciones estndar al promedio de
esas mediciones.
Las causas comunes de variacin se comportan como un sistema constante de
causas totalmente aleatorias. An cuando los valores individualmente medidos
son todos diferentes, como grupo, ellos tienden a formar un patrn que puede
describirse como una distribucin.
Cuando en un sistema slo existen causas comunes de variacin, el proceso
forma una distribucin que es estable a travs del tiempo y adems predecible.
Conocer que un sistema solo est variando por causas comunes es
normalmente simple a travs de tcnicas estadsticas. Sin embargo, identificar
esas causas requiere un anlisis ms detallado por parte de quienes operan el
sistema. La solucin o eliminacin de estas causas comunes normalmente
requiere la intervencin de la gerencia para tomar acciones sobre el sistema o
proceso como un todo, ya que las variaciones comunes son propias o
inherentes a cada proceso.
Las causas especiales son: Las causas especiales de variacin
frecuentemente son llamadas causas asignables. Se refiere a cualquier factor o
factores que causan variacin en relacin con una operacin especfica o en un
momento particular en el tiempo.
Solo si todas las causas especiales de variacin son identificadas y corregidas,
ellas continuarn afectando la salida del proceso de una manera impredecible.
Si hay causas especiales de variacin, la salida del proceso no es estable a
travs del tiempo y por supuesto tampoco es predecible.
Cuando en el proceso existen causas especiales de variacin, la distribucin
del proceso toma cualquier forma y es por lo tanto impredecible.
En general se acepta que el 85% de la variacin es originada por causas
comunes y el 15% por causas especiales. Un antdoto para reducir la variacin
es la normalizacin o documentacin del proceso como requiere ISO 9000.
7.- FACTORES COMUNES QUE AFECTAN LA VARIABILIDAD: son
principalmente conocemos como las 5ms:
-materia prima: si no se tiene un buen insumo de materia prima, por obvias
razones la calidad del producto

menguara.
materiales: los
materiales o ingredientes extras tambin, al igual que con la materia prima
deben de ser de primer nivel si es que se desea una produccin de buena
calidad.

mtodos: los mtodos de trabajo afectan incluso en la variabilidad que puede

ocasionar la operacin de elaboracin de un
producto.
medio ambiente: si el ambiente de
trabajo no es el idneo reduce la capacidad de produccin de los
obreros.
mano de obra:
este factor es muy importante, pues si no se cumple con una mano de obra de
calidad el producto, aunque tenga un excelente procedimiento de trabajo no
ser de buena calidad.
8.- RELACION ENTRE VARIABILIDAD Y CALIDAD: la calidad de un producto
depende mucho de la variabilidad. Se establecen lmites de variabilidad, esto
para evitar deformas, defectos o diferencias entre un producto y otro. Por lo
que podramos concluir que a menor variabilidad tendremos una mejor calidad
en el producto o servicio ofrecido.
9.- USOS Y APLICACIONES D LA VARIABILIDAD: los usos y aplicaciones que
podemos darle a la variabilidad son meramente productivos, pues el hecho de
que hagamos alguna especie de cambio para mejorar el proceso de la
produccin ser posteriormente obtener resultados favorables en el producto o
servicio. No basta con solo mejorar el proceso, pues eso no nos garantiza que
el producto ser mejor, sino que nos daremos cuenta de que los cambios
realizados en el proceso son verdaderamente positivos cuando obtengamos
resultados de la misma ndole en el producto, resultados mejores en el
producto.
10.- SISTEMA IDEAL DE CONTROL DE VARIABILIDAD: Un sistema ideal de
control de variabilidad pretende conocer con una cierta exactitud cmo cada
variable del proceso afecta cada caracterstica de calidad de un determinado
producto o servicio, adems de que le permite, tener la posibilidad de
manipular o ajustar esas variables y ser capaces de predecir con exactitud los
cambios en las caractersticas de calidad con motivo de los ajustes realizados
en las variables del
proceso.
La variable de un proceso ocasionar cambios en la calidad del proceso, para
esto es este sistema, para lograr lo ms cercano a la perfeccin del producto
mediante sistemas y mtodos de trabajo que proporcionen adelantos

productivos a la calidad.
Una vez que se sabe que el producto o servicio responde a las necesidades del
cliente la preocupacin bsica es tener el proceso bajo control. En este punto,
en realidad, lo que se busca es reducir la variabilidad que caracteriza al
proceso en anlisis. En ocasiones, es necesario usar los datos sobre la
variabilidad del producto como una medida indirecta de la capacidad del
proceso ya que en trminos generales el producto habla del proceso.

Comentarios
Muy buena explicacion, gracias a este articulo ahora comprendo mejor la importancia de la
variabilidad dentro de la industria.

Escrito por anonimo el 02-05-2012

Excelente artculo En el trabajo fabricamos un producto que compite con los mejores del mundo
pero existen " puntitos negros en el arroz " que nos dan en el traste con algunos clientes. su causa
VARIACIN EN EL PROCESO Saludos y gracias. JR.

Escrito por anonimo el 29-04-2012