CURSO:

GESTIÓN DE LA CALIDAD

Prof. Zoila López Salavarría

zoila.lopez@upn.pe
UNIDAD 1:
FUNDAMENTOS DE CALIDAD, HERRAMIENTAS BASICAS
DE LA CALIDAD Y ESTADÍSTICA APLICADA AL CONTROL
y MEJORA CONTINUA

LOGRO DE LA UNIDAD:
• Al finalizar la primera unidad, el estudiante, identifica
apropiadamente los costos de la calidad, utiliza de forma
adecuada las herramientas de calidad y los gráficos de control
para analizar problemas y determinar sus causas; y utiliza
planes de muestreo de aceptación para determinar la
aceptación o rechazo de lotes de productos.
TEMAS – SEMANA 2:

 Medidas de tendencia central y de dispersión

 Distribuciones de probabilidad: Discretas y continuas
Logro de la Sesión: Los alumnos al finalizar la sesión
utiliza las principales técnicas para realizar un análisis
descriptivo de un conjunto de datos observando la
tendencia central y la variabilidad y aplica éstas
medidas en el cálculo de los límites reales de un
proceso; además desarrolla casos prácticos aplicables a
distribuciones discretas y continuas.
Medidas de tendencia central
y de dispersión
Grupo de Datos y Muestreo
Medidas de tendencia central

Media
Mediana
Moda
La Media es el promedio

o Medida de tendencia
central que es igual al
promedio aritmético de
un conjunto de datos.
• Media muestreal,
• Media poblacional, µ
 Mediana o percentil 50 (punto medio)

Es igual al valor que divide a la mitad a los datos

cuando son ordenados de menor a mayor.

Reduce el efecto de los valores extremos.

Cuando un set de datos tiene un número par de valores,
la mediana es el promedio de los dos números del
medio.
 Moda

Es igual al dato que ocurrió más número de veces.

• El punto más alto de un histograma

Medidas de dispersión o
variabilidad
Desviación estándar
Rango
Coeficiente de variación
 Desviación estándar

Es la medida más usual de variabilidad. Mide que tan

esparcidos están los datos respecto a la media.

σ = Desviación estándar de la población.

s = Desviación estándar de la muestra
 Rango
Medición de la variabilidad de un conjunto de datos
que es resultado de la diferencia entre el dato mayor
y el dato menor de la muestra.
 Coeficiente de variación
Medida de variabilidad que se obtiene al dividir la
desviación estándar entre la media y es útil para
comparar la variación de dos o más variables que están
medidas en diversas escalas.
CV (%) Descripción
0 No es variable. Constante
<0,10> Bastante homogénea
[10,15> Homogénea
[15, 20> Regularmente homogénea
[20, 25> Variable
[25, +> Muy variable
 Ecuaciones
Media muestral Desviación estándar muestral

 x  x 
n 2

_  xi S i

n 1
x i 1
n
Coeficiente de variación Rango

 R  xmáx  xmín
CV  100
x
 Observaciones
o La media se ve afectada por
valores extremos; en estos
casos la medida de tendencia
central valida es la mediana.
o Si la media es muy diferente
a la mediana existen datos
raros; reportar la mediana e
investigar la causa del dato o
datos extremos.
o Para describir la tendencia
central de los datos es
imprescindible apoyarse
tanto en la media como en la
mediana y la moda.
 Observaciones
o La media del proceso o media Muestra
1
x1
1.88
x2
1.93
x3
1.98
x4
1.88
poblacional (μ), se estima 2 1.93 1.97 1.89 1.94

calculando la media de las 3

4
1.92
1.89
1.95
1.89
1.90
1.90
1.98
1.94
medias muestreales. 5
6
1.95
2.00
1.93
1.95
1.90
1.94
1.93
1.89
o Para estimar μ, se toman por 7 1.95 1.93 1.97 1.85

lo menos 20 a 30 muestras de 8
9
1.87
1.96
1.98
1.92
1.96
1.98
2.04
1.88
entre 5 a 10 piezas cada una, 10
11
1.99
1.93
1.93
1.95
2.01
1.90
2.02
1.93
espaciándolas un lapso de dos 12 1.95 1.98 1.89 1.90

o más días. 13
14
1.88
1.97
1.93
1.88
1.88
1.92
1.90
1.96
o Las medidas de tendencia 15
16
1.91
1.98
1.91
1.90
1.96
1.92
1.93
1.91
central no son suficientes 17 1.93 1.94 1.95 1.90

como criterio de calidad ya 18

19
1.82
2.00
1.92
1.97
1.95
1.99
1.94
1.95
que no toman en cuenta que 20 1.98 1.94 1.96 1.88

tan dispersos están los datos.

 Distribución Normal
DISTRIBUCIÓN SIMÉTRICA
moda = mediana = promedio
Frequency

Value
 Distribución Descentrada
o Descentrada Positivamente
En una
o Asimetría positiva
distribución
asimétrica a la
derecha, la media
es mayor a la
mediana, y esta a
su vez es mayor
que la moda
Frequency

(X>Me>Mo).

(X>Me>Mo)
Value
 Distribución Descentrada
o Descentrada Negativamente
o Asimetría negativa

En una distribución
asimétrica a la
izquierda, la relación se
invierte, la moda es

Frequency
mayor a la mediana, y
esta a su vez mayor que
la media
(Mo > Me > X)

(X < Me < Mo). Value

Media muestral y distribución del
proceso
Media

Distribución
del proceso

425 Gramos
 Media muestral y distribución del
proceso
Media
Distribución
de las medias
de las muestras
Distribución
del proceso

425 Gramos
Distribución normal
 Regla que aplica a las
 = Desviación
distribuciones con forma de
estándar campana
 Los intervalos son válidos para
los datos muestreales y no
necesariamente para toda la
población o proceso. Sin
embargo, si los intervalos se
calculan con la media y
desviación estándar del
proceso o población,
Media entonces serán válidos para
–3 –2 –1 +1 +2 +3 toda la población.
68.26%
95.44%
99.74%
Límites naturales o reales de un proceso
o Son aquellos entre los cuales por lo regular varía la
salida del proceso, y por lo general se obtienen de la
siguiente manera:
 Límite real inferior (LRI) = μ – 3σ
 Límite real superior (LRS) = μ + 3σ
o Si la característica de calidad tiene una distribución
normal (μ, σ), entonces 99.73% de la distribución se
localiza dentro de los límites naturales
 Estimación de los límites naturales de
tolerancia de un proceso
o Conocer la media y la desviación estándar es relativamente
fácil en un proceso que está en operación; sin embargo,
cuando el diseñador requiere establecer tolerancias, por lo
general el proceso aún no está operando o no produce el
producto de interés, por lo que en estos casos es difícil que
se conozcan μ y σ o que se estimen con buena precisión.
o Por ello, será necesario estimar los límites con base en
muestras casi siempre pequeñas, con y S.
 Estimación de los límites naturales de
tolerancia de un proceso
Es posible determinar una constante K tal que con una
confianza de γ por ciento los intervalos de la forma:
X ± K (γ,α) S
Incluyan por lo menos (1 – α/2) x 100% de la
distribución del proceso. En la tabla A7 se dan valores
de K γ,α para valores de n entre 5 y 1000, γ = 90%, 95%,
9% y α = 0.10, 0.05, 0.01. De la tabla se observa que
conforme el tamaño de muestra crece, el valor de K γ,α
tiende al percentil Z (α/2) de la distribución normal
 Ejemplo
o En una empresa que manufactura piezas de inyección de plástico
se proyecta la producción de una nueva pieza. Son varias sus
características de calidad: peso de la preforma, contenido,
resistencia, etc. Por ello, con la idea de tener información para
establecer las tolerancias se produce a manera de prueba, un
pequeño lote de 20 piezas. Se obtiene que Xprom = 36.0167 g y S
= 0.1870 g. Se tiene n = 20, se desea una probabilidad o
confianza de γ = 90% y una cobertura de los límites de tolerancia
de 99%, por lo que α = 0.001.
o De la tabla A7 se obtiene que K = 3.368, por lo tanto los límites
naturales de tolerancia para el peso será:
Xprom ± K (90, 0.01) S
¿resultados?
 Ejemplo
o = 36.0167 ± 3.368 x 0.1870 = [ 35.3869 , 36.6465 ]
o Con una probabilidad o confianza (γ) de 90%, el 99% de la
distribución del peso de la preforma de la pieza se encuentra
entre 35.3869 y 36.6465 g. Estos límites pueden ser usados
como información por el diseñador del producto para
establecer las especificaciones.
Distribuciones de probabilidad:
Discretas y continuas
 Conceptos
o La probabilidad es un valor numérico que representa la
oportunidad o posibilidad de que un evento en particular
ocurra. P(A) = n/N
o P(A)= 0.20 es una afirmación que refleja la posibilidad de que
ocurra un evento A. Para ello, se asigna un número del
intervalo [0,1], o un porcentaje entre 0 y 100%. Entre más
grande sea el número, será mayor la probabilidad del
resultado.
o Una distribución de probabilidad es un modelo matemático
que relaciona el valor de la variable con la probabilidad que
tiene ese valor de ocurrir en la población.
 Tipos de distribuciones

Hay dos tipos de distribuciones de probabilidad que

dependen del tipo de característica (variable o
atributo):
• Continuas (al medirse sus resultados se ubican en
una escala continua que corresponde a un intervalo
de los números reales) o
• Discretas (elementos que pueden cuantificarse con la
simple observación).
 Tipos de distribuciones
1. Cuando la variable que se está midiendo se expresa en
una escala continua, su distribución de probabilidad se
llama distribución continua. Ejm, La distribución de
probabilidad del diámetro de los anillos para pistones.
2. Cuando el parámetro que se está midiendo sólo puede
asumir ciertos valores, como los enteros 0, 1, 2, …, la
distribución de probabilidad se llama distribución
discreta. Ejm, La distribución del número de
disconformidades o defectos en tarjetas electrónicas.
Distribución Discreta y Continua

Introduction to Statistical Quality Control, 7th Edition by Douglas C. Montgomery.

DISTRIBUCIONES DE PROBABILIDADES
o DISCRETAS:
• Distribución Binomial
• Distribución de Poisson
o CONTINUAS:
• Distribución Normal
 Distribución Binomial
o Es frecuente que en control de calidad se den variables
“pasa, no pasa”.
Ejm., un artículo cumple con especificaciones o no, una pieza
resiste cierta fuerza o no, una lámpara enciende o no.
o Se basa en el Experimento o Ensayo de Bernoulli:
Ensayo aleatorio que sólo tiene dos resultados posibles
llamados “éxito” y “fracaso”.
o Distribución Binomial (n, p): Proporciona la probabilidad
de observar x éxitos en una secuencia de n experimentos
Bernoulli independientes, con una probabilidad constante
p de éxito.
 Distribución Binomial

Consiste en una secuencia de n ensayos Bernoulli donde se

cumple:
1. La muestra se compone de un número fijo de observaciones, n
2. Cada observación se clasifica en una de dos categorías
3. Los ensayos son independientes, el resultado de cualquier observación es
independiente del resultado de cualquier otra observación.
4. La probabilidad de éxito en cada ensayo, denotada por p, permanece
constante.
Sus parámetros son :
n : Numero de veces que se repite el experimento o tamaño de muestra.
p : Probabilidad de éxito en cada uno de los ensayos o proporción de interés.
 Distribución Binomial
Ejm: En un proceso de fabricación donde se produce una gran
cantidad de artículos, se sabe que en promedio 2% de ellos
están defectuosos. Los artículos son empacados en cajas de
10, y se quiere saber cuál es la probabilidad que no haya
ningún artículo defectuoso en cada caja. Si X es el número
de artículos defectuosos por caja, entonces se quiere
obtener P(X=0).

P(X=0) = 10! (0.02)0 (1 - 0.02)10 – 0 = (0.98)10 = 0.82

0! (10 – 0)!
Se espera que 82% de las cajas no tenga ningún artículo
defectuoso, mientras que el restante 18% tendrá al menos
uno.
 Distribución Binomial
Si se quisiera saber cuál es la probabilidad de que cada
caja tenga exactamente un artículo defectuoso P(X=1),
entonces:
P(X=1) = 10! (0.02)1 (1 - 0.02)10 – 1 = 10 (0.02) (0.98)9 = 0.167
1! (10 – 1)!
Se espera que 16.7% de las cajas tenga exactamente un artículo
defectuoso.

De manera similar se podría calcular cualquier otra probabilidad.

 Distribución Binomial
En Excel se puede evaluar las probabilidades con la
distribución binomial, para ello se utiliza la función:
DISTR.BINOM (x,n,p,valor lógico),
donde:
. x es el número de éxitos del que se quiere obtener la probabilidad, ejm. 0
defectos, 1 defecto
. n es el número de ensayos independientes o tamaño de muestra, ejm. 10
. p es la probabilidad de éxito en cada ensayo (proporción de artículos
defectuosos, por ejemplo) ejm. 2% (0.02) y
. el valor lógico puede ser cero o uno; si se coloca 0 entonces se calcula P(X=x)
o función de probabilidad bruta y si se coloca 1 entonces se calcula la función
acumulada P(X ≤ x).
Ejemplos: DISTR.BINOM(0, 10, 0.02, “0”); DISTR.BINOM(1, 10, 0.02, “0”);
DISTR.BINOM(1, 10, 0.02, “1”)
 Distribución Poisson
• Una situación frecuente en control de calidad es evaluar
variables como las siguientes: número de defectos por
artículo, número de defectos por metro cuadrado de tela,
número de impurezas en un líquido, número de errores de un
trabajador.
• En resumen: número de eventos que ocurren por unidad (por
unidad de área, por unidad de volumen, por un periodo de
tiempo, etc). Estas variables siguen una distribución de Poisson
• Se debe asumir que la probabilidad de éxito es constante y que
la ocurrencia de éxito en cualquier intervalo es independiente
de la ocurrencia en otro intervalo.
 Distribución Poisson

donde e = 2.718 y ! es el símbolo factorial, además la media y la

varianza son iguales μ = λ y σ2 = λ

Su parámetro es :
λ : tasa promedio de ocurrencia en 1 unidad.
Se muestra varias distribuciones de Poisson. Obsérvese que se trata de una
distribución sesgada, cola de la derecha es más larga. Conforme el parámetro λ se
hace más grande, la apariencia de la distribución de Poisson se hace simétrica.
 Distribución Poisson
o Ejm: En una empresa se reciben en promedio 5 quejas
diarias por mal servicio. ¿Cuál es la probabilidad de no
recibir quejas en un día?.

P(X=0/λ=5) = e-5 (5)0 / 0! = 0.007

Se espera que con una probabilidad de 0.007 no se reciban
quejas en un día.
o ¿Cuál sería la probabilidad de recibir dos quejas en un
día?
P(X=2/λ=5) = e-5 (5)2 / 2! = 0.08
De manera similar se podría calcular cualquier otra probabilidad
 Distribución Poisson
o En Excel se puede evaluar las probabilidades con la distribución
Poisson, para ello se utiliza la función:
POISSON(x, λ ,valor lógico),
donde:
. x es el número de éxitos del que se quiere obtener la
probabilidad, ejm. 0 quejas, 2 quejas
. λ es la media o promedio, ejm. 5 quejas diarias y
. el valor lógico puede ser cero o uno; si se coloca 0 entonces se
calcula la función de probabilidad bruta P(X=x) y si se coloca 1
entonces se calcula la función acumulada P(X ≤ x).
Ejemplos: POISSON (0, 5, “0”); POISSON (2, 5, “0”); POISSON (2, 5, “1”)
 Distribución Normal
o La distribución normal es probablemente la distribución
continua más importante, tanto en la estadística teórica
como aplicada.
o Es una distribución continua cuya densidad tiene forma de
campana.
o La mayoría de procesos industriales y de la naturaleza siguen
una distribución normal, que está caracterizada por tener
una media o promedio y una desviación estándar, es decir
una medida de tendencia central y una de dispersión.
Ejm: Variable aleatoria como el largo de una memoria USB seguirá una
distribución normal con media µ= 75 mm y σ = 0.005 mm. Eso quiere decir que
algunas memorias medirán 75 mm y otras 75 mm más o menos 0.005 mm. Si
se obtiene una muestra de memorias se espera que el promedio sea 75 y la
desviación estándar 0.005 mm.
 Distribución Normal
o La distribución (función de densidad) de probabilidad de x está
dada por:

• La media de la distribución normal es µ (-∞ < µ > ∞)

y la varianza es σ2 > 0
 Apariencia visual de la Distibución Normal

o La proporción de la distribución normal se localiza en torno a la media.

o Entre ± una σ de la media se ubica el 68.26% de la distribución y en la
media ± tres σ se encuentra 99.73% de la distribución. Esta última es la
razón de cómo se obtienen los límites reales de un proceso.
 Distribución Normal - Cálculo de probabilidades
 Si una variable aleatoria X se distribuye normal con media µ
y varianza σ2 y se quiere encontrar la probabilidad de que
esta variable tome valores entre dos números cualesquiera,
a y b por ejemplo, entonces lo que se tiene que hacer es
calcular el área bajo la curva entre a y b, y esto se realiza
mediante métodos numéricos, ya que la integral de la
función de distribución no tiene solución analítica.

o Cuando es una distribución normal con parámetros µ = 0 y

σ = 1, entonces a la distribución se le conoce como
distribución normal estándar.
Distribución Normal - Cálculo de probabilidades

Estandarizar una variable es fácil, puesto que X tiene una

distribución normal, la variable estandarizada será:
Original normal
distribution

Área bajo la curva = 1 Standard normal

=1 distribution
=0

Cualquier distribución normal

puede convertirse en una
distribución normal estándar.
Distribución Normal - Cálculo de probabilidades

o La variable (estandarizada) se distribuye de manera normal

estándar:

o La ventaja de estandarizar es que cualquier probabilidad de

interés, por ejemplo P(X≤ x), se puede escribir en términos de la
variable estandarizada Z como:
P(X≤x) = P (X - µ ≤ x - µ ) = P (Z ≤ z)
σ σ
o Para lo cual basta tener una tabla de distribución normal estándar
y, con base a ella, es posible calcular cualquier probabilidad
usando la distribución normal.
 Distribución Normal - Cálculo de probabilidades
o En Excel se utiliza la función:
DISTR.NORM (x, media, desv_estándar, acum)
• En la celda x se da el valor de referencia para el cálculo de
la probabilidad P(X≤ x),
• en media se da el valor de la media, μ, de la distribución
normal con la que se quiere obtener la probabilidad, y
• en des_estándar se declara el valor de la desviación
estándar σ de la distribución normal.
• acum es un valor lógico que determina la forma de la
función: si el argumento acum es VERDADERO (se pone 1),
la función DISTR.NORM devuelve la función de
distribución acumulada (P(X≤ x)); pero si es FALSO (se
pone 0), devuelve el valor (altura) de la función de
densidad f(x) en el punto x.
 Distribución Normal - ejemplo
o La resistencia de tensión del papel empleado para
hacer bolsas para víveres es una característica
importante de la calidad. Se sabe que la resistencia,
tiene una distribución normal con media µ = 40
lb/pulg2 y desviación estándar σ = 2 lb/pulg2 . El
comprador de las bolsas requiere que éstas tengan
una resistencia de por lo menos 35 lb/pulg2 Calcular la
probabilidad de que una bolsa hecha con este papel
cumpla o exceda la especificación:
P (x ≥ 35)
o Obsérvese que: P (x ≥ 35) = 1 – P (x ≤ 35)
 Ejemplo

P (x ≥ 35) = 1 – P (x ≤ 35)
o Para calcular esta probabilidad en las tablas normales, se
estandariza:
P (x ≥ 35) = P (z ≤ 35 – 40) = P (z ≤ - 2.5) = φ(- 2.5) = 0.0062
2
o Por consiguiente la probabilidad buscada es:
P (x ≥ 35) = 1 – P (x ≤ 35) = 1 – 0.0062 = 0.9938
Ejemplo
 Ejemplo
P (x ≥ 35) = 1 – P (x ≤ 35)
En Excel, el cálculo de P (x ≥ 35) = 1 – P (x ≤ 35), se realiza
de la siguiente manera:
o DISTR.NORM (x, media, desv_estándar, acum)
o DISTR.NORM (35, 40, 2, 1) = 0.0062
o 1 – 0.0062 = 0.9938
Desarrollo de Práctica 2