© Manuel Pontigo A.

ISBN 9968-9634-0-3
[email protected]
 MENÚ 2

El Descubridor Binomial y Poisson

Problema 1; Llegadas. Propiedades de D. Poisson.
Obteniendo el Promedio
Problema 5: Tradicional Pois.
Problema 2: Fallas
Colas y Líneas de Espera Uso Conjunto Poiss. y N. Esta.
Problema 3: Emergencias
Prueba Bondad Ajuste.1 Prueba z sobre Nº Defectuosos
Distribuciones de Probabil. Límites en Cartas de Control.
Planes de Control de Calidad
Problema 4, Envases H. Lata Valoración de la C. Control

Activar la Hoja Electrónica

 3

Introducción

Se ha observado que la distribución binomial se parece mucho a una

normal cuando n crece para algún valor fijo de p. Además, para que se
tenga una buena aproximación a la normal, la magnitud de n depende del
valor de p, si éste está alrededor ½ se requiere una pequeña muestra (n),
cuando p es mayor o menor a ½, la cantidad de elementos estudiados debe
aumentarse, una regla general muy conservadora indica:
La aproximación mediante La Distribución Normal Estándar será adecuada
si la media  = np es mayor a 15 individuos.
En muchas aplicaciones se estudian eventos que ocurren con poca
frecuencia de manera que n tiene que ser muy grande para encontrar unas
pocas observaciones con el atributo que se estudia, son poblaciones en que el
promedio np es menor de 15 debido a que se consideran gran cantidad de
observaciones, o la proporción p es muy baja
 El Descubridor 4

Para estos casos, una aproximación diferente fue propuesta por S.

D. Poisson (París, 1837). Este matemático trabajó en el límite de la
distribución binomial, esto es:
Cuando al mismo tiempo n tiende a infinito y p tiende a cero, de
manera que el promedio  = np se hace constante.
La expresión binomial para tales sucesos tiende a la forma
simplificada;
x
P( x)  e 
x!
En donde e = 2,71828... es la base de los logaritmos neperianos. La
fórmula se usa para calcular las probabilidades de la distribución
denominada con el nombre del autor, Poisson cuyos términos
iniciales son:

  2 3
P (0) e P (1) e P ( 2)  e 
P (3) 
(2)(3)
e 
2
 5

Procesos Poisson.
En general, un proceso aleatorio es un procedimiento físico controlado
completamente o en partes por algún tipo de mecanismo aleatorio. Puede
ser una sucesión de lanzamientos de dados, mediciones de la calidad de
productos que salen de una línea de producción, las vibraciones de las alas
del Concorde, el ruido de una señal de radio, el movimiento de partículas en
una solución o muchos otros fenómenos.
Lo que caracteriza a tales procesos, es su dependencia del tiempo. El hecho
de que ciertos eventos suceden o no, a intervalos regulares o en un intervalo
continuo de tiempo.
Situaciones como: la ocurrencia de imperfecciones en un rollo de casimir, la
medición de la radiación de un contador Geiger, el número de artículos
defectuosos de una línea de producción, las entradas de correos electrónicos
en un computador servidor.
El modelo matemático que aproxima la distribución de estos datos es la
Distribución Poisson.
 6
Probabilidad de x éxitos en tiempo T.

Divídase el intervalo en n partes iguales de longitud t, de forma tal

que:
T = nt
Además debe suponerse que:
1. La probabilidad de un éxito durante un intervalo de tiempo muy
pequeño esta dada por mt donde m es el promedio de éxitos
por unidad de tiempo.
2. La probabilidad de más de un éxito durante cada uno de los
pequeños intervalos de tiempo es despreciable.
3. La probabilidad de un éxito durante uno de tales intervalos no
depende de lo que sucedió antes o de lo que sucederá después.
Suposiciones que satisfacen las condiciones fundamentales de
la Distribución Binomial.
 7

Problema 1. De Llegadas.
Una empresa que ofrece el servicio de conexiones de
computadoras particulares a la Red Mundial De Computadoras
(INTERNET) tiene muchos problemas con los Virus Cibernéticos.
El esfuerzo es de tal magnitud que lo sobreasa y decide contratar
los servicios de una empresa dedicada a la “Cacería de Virus
Cibernéticos”
El primer paso de esta empresa fue determinar el número de nuevas
agresiones por día. Después de 10 días de monitoreo decidió iniciar
el estudio.
Los programadores y analistas de esta empresa dedicada a la
“Cacería de Virus”, como sistema, suelen hacerse preguntas que
involucran probabilidades, para enfrentar el problema al tenor de
¿cuáles son las probabilidades?
a) De que entren cuatro nuevos virus por día.
b) Que entren 10 virus en dos días consecutivos.
 8

Obteniendo el Promedio

En la HE se presentan los resultados de los 10 primeros días de

monitoreo en la entrada de virus. El primer paso es encontrar
el promedio mediante cuadro de frecuencias. El evento mínimo
es de 2 y el máximo es de 10 virus en 24 horas. La Distribución
de Frecuencias se presenta a continuación:
Evento Frecuencia Frecuencia
x Observada por evento En donde el promedio se
2 1 2
3 0 0 obtiene mediante,
4 2 8
5 1 5
6 1 6
10
7 3 21
8 0 0 fx i i
12  0 3  ...  2 10 62
9 0 0 x  i 10
2
  6,2
10 2 20 1  0  ...  2 10
Suma de Días 10
f
i 2
i

Suma Total de Virus 62

Promedio 6,2
 Las Respuestas.
9

En la primera pregunta el evento que se quiere

explorar se refiere a la entrada de exactamente 4 6,2 4 e  6, 2
virus en un día cualquiera. La respuesta se consigue P( x 4)  4! 0,1249
aplicando la ecuación Poisson para x = 4 y la media
6,2. La probabilidad es de 12,49%.
En la segunda el número de observaciones se
duplica. Por una de las propiedades de la
10  12 , 4
distribución Poisson, la proporción se mantiene P( x 10) 12,4 e 0,0975
dando una media de 12,4 sucesos en 48 horas. La 10!
probabilidad de que entren 10 virus se estima en
9,75%.
Se puede comprobar que la proporción de entradas 240

de virus por día se obtiene promediando las 24  10 x

i 1
i

= 240 observaciones obteniendo 12,4 virus en 48 p 0,2583

240
horas.
x48 np 48 0,2583 12,4
 10

Problema 2. Fallas.

Una empresa dedicada a la fabricación de envases de hojas de lata ha

comprado una máquina que suelda las latas con estaño usando
un proceso electrolítico.
La empresa vendedora asegura 0,02 imperfecciones por hora y la
capacidad de fabricar 1.000 envases de galón en la misma
cantidad de tiempo.
El instructivo de la máquina muestra las respuestas a las siguientes
preguntas. Las probabilidades de encontrar imperfecciones:
-Una imperfección en 3 horas;
-Al menos dos imperfecciones en 5 horas;
-Cuando más una imperfección en 15 horas.
El sistema de control de la empresa toma 10 muestras tres veces al
día. Los resultados de 100 muestras se presentan en la HE. Las
respuestas a las preguntas con estos datos son:
 Promedio de fallas en la 11

Soldadura
En los procesos industriales mecanizados la cantidad de
producto fabricado es muy regular y podría usarse como
variable x la cantidad de envases en lugar del tiempo y decir
3.000 envases, 5.000 envases o la producción de 15.000 envases,
aunque sea preferible usar el tiempo como unidad.
La tabla de frecuencias, promedios y proporciones es:
Evento Frecuencia Frecuencia 3

x Observada por Evento

fx i i
78 0  21 1  1 2  0 3 23
x i 0
3
  0,23
0 78 0 78  21  1 100
f i
1 21 21 i 0

2 1 2
3 0 0 x 0,23
p  0,023
n 10
Suma de Días 100
Suma Total Inperfecciones 23 Estadísticos obtenidos del
Promedio 0,23
Tamaño de muestra 10 ejercicio de la empresa.
Proporción 0,023
 Las Respuestas del Problema
12

2
a) Si la proporción de fallas es de 0,023 por 3 n  p 3 0,023 0,069
hora, en 3 horas se espera un promedio de:
λ 1e  λ 0,0691 e  0,069
P( x 1)   
Se quiere saber la probabilidad de obtener 1! 1
POISSON(1;0,069;0) 0,0644
una falla en ese tiempo. Para esto se aplica
la probabilidad Poisson:
b) Al menos dos imperfecciones en 5 horas. 5 n  p 5 0,023 0,069
Primero se obtiene el promedio para 5  0,1150 e  0,115 0,1151 e  0,115 
P ( x 2) 1     
horas:  0! 1! 
1 - 0,8914  0,1025 
Al solicitar la probabilidad de 2 o más 1 - POISSON(1;0,115;1) 0,0061
soldaduras malas es más fácil obtenerla por
probabilidades complementarias:
15 15 0,023 0,345
c) Para esta debe obtenerse el promedio de
 0,3450 e  0, 345 0,3451 e  0,345 
fallas en 15 horas: P( x  2)    
 0! 1! 
Y probabilidad de: 0,8914  0,1025 
POISSON(1;0,345;1) 0,9526
 13

Análisis de Colas y Líneas de Espera

Se forma una línea de espera siempre que la Demanda actual del
servicio supera la capacidad actual de proporcionarla.
Muchas veces es difícil predecir cuándo llegarán las unidades en
busca de un servicio y cuánto tiempo tendrán qué esperar para
darles ese servicio.
El proporcionar demasiado servicio provoca costos excesivos. Por
otro lado, carecer de la capacidad de servicio suficiente causa colas
excesivamente largas que también alargan los costos por servicios
insatisfechos, quedando además, costos sociales y empleados ociosos
cuando la cola desparece.
La teoría de las colas, en sí, no resuelve el problema, pero contribuye
con información vital que se requiere para tomar decisiones
concernientes a la predicción de algunas características sobre la línea
de espera, tal como el tiempo promedio de espera.
 14

Proceso Básico de las

Colas
- Los Clientes que requieren un servicio a través del tiempo son una
Fuente de Entrada que pasa a ocupar un lugar en El Sistema de Colas
cuando el cliente se une a una de estas.
- En determinado momento se selecciona un cliente de la Cola mediante
una regla conocida como Disciplina de Cola o Disciplina de Servicio.
- Pasado un tiempo, mediante un mecanismo específico se le proporciona
el servicio solicitado. El cliente después de recibirlo Sale del Sistema de
Cola. Esquemáticamente:
Sistema de Cola

Fuente de Cliente Mecanismo Cliente

Entrada Cola Tiempo de de
Espera Servicio Servido

En el sistema de colas, el tiempo que tarda en satisfacerse el servicio es

fundamental, como lo es en el Proceso Poisson.
 15
Problema 3: Atención de
Emergencias.
La sala de emergencias de una Clínica de Seguridad Social proporciona
cuidados médicos a presuntos pacientes que requieren servicio. La clínica
es pequeña y el departamento es atendido por un médico. Por esto, el
servicio se ofrece siempre que el doctor esté disponible.

Ha últimas fechas han aumentado las emergencias, sobre todo al iniciar la

mañana y al anochecer y los accidentados deben esperar, en ocasiones,
mucho tiempo para ser atendidos.

El doctor de emergencias ha hecho una propuesta a la dirección del

hospital para tratar dos casos simultáneamente. La dirección, ha
encargado al departamento de operaciones que estudie el problema y
ofrezca soluciones.

El Ingeniero Administrador inició el estudio reuniendo datos históricos

para planificar la operación del año siguiente. Reconoció que el problema
de emergencias se podría aproximar con modelos de Teoría de Colas.
 16

La Distribución de Frecuencias
El análisis de los datos históricos de un año indicó que la entrada de casos
a emergencias puede considerarse aleatoria.
De acuerdo a los médicos responsables el ingeniero dividió el día
en tres clases: de 6 a 10 de la mañana, de las 16 a las 21 horas y el resto del
día. La tabulación de emergencias se hace en el siguiente cuadro así como
la estimación de promedios por hora: 4,107; 5,408 y 2,022 emergencias por
hora, para la mañana, tarde y resto del día respectivamente.
Emergencias FRECUENCIAS OBSERVADAS EXPANSIÓN DE TOTALES = f * x
x Mañana Tarde Resto Día Mañana Tarde Resto Día
0 5 0 48 0 0 0
1 24 5 97 24 5 97
2 44 34 97 88 68 194
3 86 41 70 258 123 210
4 56 66 36 224 264 144
5 61 50 9 305 250 45
6 48 46 8 288 276 48
7 25 48 0 175 336 0
8 10 40 0 80 320 0
9 3 18 0 27 162 0
10 3 17 0 30 170 0
Sumas 365 365 365 1499 1974 738
Promedios 4,107 5,408 2,022
 17
Los Promedios de Emergencias por Hora

En la distribución Poisson la media es un parámetro muy importante,

pues proporciona la base para la estimación. Cuando además se cuenta
con datos para obtener el cuadro de frecuencias u ocurrencia de eventos es
posible hacer pruebas para verificar la calidad de aproximación que se
obtendrá con la distribución de probabilidad Poisson. Los cálculos de
promedios obtenidos a partir de las tablas de frecuencias son:
10

fx
i 0
i i
50   241  ...  3(10) 1.499
Para la mañana: xm  10
  4,107
5  24  ...  3 365
f
i 0
i

10

fx i i
00   51  ...  17(10) 1.974
Para la tarde: xt  i 0
10
  5,408
0  5  ...  17 365
f
i 0
i

10

fx i i
480  971  ...  0(10) 738
xr  i 0
  2,022
Resto del día: 10
48  97  ...  0 365
f
i 0
i
 18
Prueba de Bondad de Ajuste para la
Mañana.
En la prueba de Bondad de Ajuste se comparan mediante la prueba de 2
las frecuencias observadas contra las esperadas obtenidas usando la
distribución Poisson.
Emergencias Frecuencias Prueba
x Observada Esperada Ajuste Chi-Cuadr.
0 5 6,0 -1,0 0,1690
En donde la frecuencia esperada
1 24 24,7 -0,7 0,0184 se obtiene multiplicando la
2 44 50,7 -6,7 0,8765
3 86 69,4 16,6 3,9941 probabilidad Poisson por el
4 56 71,2 -15,2 3,2484
5 61 58,5 2,5 0,1078 número de observaciones
6 48 40,0 8,0 1,5850
7 25 23,5 1,5 0,0974
8 10 12,1 -2,1 0,3511
9 3 5,5 -2,5 1,1378
10 3 3,5 -0,5 0,0767  2
10

 foi  fei 

5  6,0 24  24,7 

2 2
 ... 
3  3,5 11,6622 2

11  1
Sumas 365 365 11,6622 i 0 fei 6,0 24,7 3,5
Probabilidad 0,3083

1 1

La Probabilidad de la prueba indica 11 1  211, 6622

11, 6622
F11,6622; 11-1 Y0 
0
11,6622
2 e d 
que debe aceptarse la hipótesis nula: DISTRIBUCION.CHI(11,6622; 11  1) 0,3083

Ho; La distribución Poisson

aproxima adecuadamente los datos.
 19
Prueba de Bondad de Ajuste para la
Tarde.
Procediendo de la misma forma para la distribución de emergencias para
la tarde (se menciona que cuando había 10 o más emergencias de contaba
como 10. Esto obligó a un ajuste obteniendo la clase 10 por diferencia en
este y el caso anterior).
La prueba de Chi-cuadrada se
Emergencias Frecuencias Prueba
x Observada Esperada Ajuste Chi-Cuadr. estimó en:
0 0 1,6 -1,6 1,6351 10
 211 1 
 foi  fei 
1 5 8,8 -3,8 1,6699
2 34 23,9 10,1 4,2562 i 0 fei
3 41 43,1 -2,1 0,1030

0  1,6 5  8,8
2

2
 ... 
17  17,9 
2
17,4681
4 66 58,3 7,7 1,0219
1,6 8,8 17,9
5 50 63,0 -13,0 2,6977
6
7
46
48
56,8
43,9
-10,8
4,1
2,0615
0,3826
Con una probabilidad de
8 40 29,7 10,3 3,5893 aceptación de::
9 18 17,8 0,2 0,0015 1
17 , 4681 1  17 , 4681
10 17 17,9 -0,9 0,0494 F17, 4681; 11-1 Y0  17,46812 11 1 e 2
d 
Sumas 365,0 365,0 17,4681 0

Probabilidad 0,0646 DISTRIBUCION.CHI(17,4681; 11  1) 0,0646

La Probabilidad de la prueba indica que debe aceptarse la hipótesis nula,

aunque con un nivel muy próximo a la significación:
Ho; La distribución Poisson aproxima adecuadamente los datos.
 Prueba de Bondad de Ajuste para Resto del 20

Día.
Procediendo de la misma forma en la distribución de emergencias
para el resto del día.
La prueba de Chi-cuadrada se
Emergencias Frecuencias Prueba
x Observada Esperada Ajuste Chi-Cuadr. estimó en:
0 48 48,3 -0,3 0,0022
1 97 97,7 -0,7 0,0052
10
 fo i  fe i 
χ 211  1 
2 97 98,8 -1,8 0,0322 i 0 fe i
3 70 66,6 3,4 0,1760
4 36 33,7 2,3 0,1636 
48  48,3

97  97,7  ...  0  0,1 6,2314
2 2 2

5 9 13,6 -4,6 1,5609 48,3 97,7 0,1

6 8 4,6 3,4 2,5415
7
8
0
0
1,3
0,3
-1,3
-0,3
1,3246
0,3348
Con una probabilidad de
9 0 0,1 -0,1 0,0752 aceptación de:
10 0 0,0 0,0 0,0152
Sumas 365 365,0 6,2314 1 1
6, 2314 11 1  2 6 , 2314
Probabilidad 0,7955 F6, 2314; 11-1 Y0 
0
6,2314
2 e d 
DISTRIBUCION.CHI(6,2314; 11  1) 0,7955

La Probabilidad indica que debe aceptarse la hipótesis nula:

Ho; La distribución Poisson aproxima adecuadamente los datos.
 Las Distribuciones de 21

Probabilidad.
Se ha probado que la distribución Poisson aproxima apropiadamente la
distribución de frecuencias de las emergencias en el día. Las estimaciones
incluyendo el promedio se muestran en el siguiente cuadro y gráfico.
PROMEDIOS Y ESTIMACIONES POISSON PARA
Emergencia 4,107 5,408 2,022 3,846
Estimación Poisson
x Mañanas Tardes R. Día Promedio
0 0,0165 0,0045 0,1324 0,0214 0,30
1 0,0676 0,0242 0,2677 0,0822
0,25
2 0,1388 0,0655 0,2706 0,1580

Probabilidades
3 0,1900 0,1181 0,1824 0,2026 0,20
4 0,1951 0,1597 0,0922 0,1948
5 0,1602 0,1727 0,0373 0,1498 0,15
6 0,1097 0,1557 0,0126 0,0960
0,10
7 0,0644 0,1203 0,0036 0,0527
8 0,0330 0,0813 0,0009 0,0254 0,05
9 0,0151 0,0489 0,0002 0,0108
10 0,0062 0,0264 0,0000 0,0042 0,00
11 0,0023 0,0130 0,0000 0,0015 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
12 0,0008 0,0059 0,0000 0,0005 Emergencias por hora
13 0,0002 0,0024 0,0000 0,0001
14 0,0001 0,0009 0,0000 0,0000 Mañanas Tardes R. Día Promedio
15 0,0000 0,0003 0,0000 0,0000
16 0,0000 0,0001 0,0000 0,0000
17 0,0000 0,0000 0,0000 0,0000

Debe notar que a medida que el promedio es mayor, la probabilidad se

desplaza a la derecha hasta parecerse a una distribución Normal.
 Algunas Respuestas al Caso 22

Si el médico tarda en promedio 24 minutos por paciente, esto es 2,5

pacientes por hora:
¿Cuál es la probabilidad de que a cualquier hora del día lleguen más de 2,5
pacientes?.
El problema estriba en que la distribución Poisson se refiere a sucesos
discretos y usualmente, tratando de promedios se hace referencia a datos
continuos. Para el promedio del día de 3,846 pacientes por hora la
probabilidad que se busca considerando las distribuciones acumuladas está
entre:
P(x  2) = 0,2616 y P(x  3) = 0,4642
Lo más simple es efectuar una extrapolación lineal multiplicando por la
fracción de evento. Así la probabilidad para 2,5 pacientes por hora se
estimaría en:
P(2,5) = P(2) + [P(3) – P(2)][2,5 - 2] =
= 0,2229 + (0,4642 – 0,2229)0,5 = 0,3629
Por tanto
P(x > 2,5) = 1 – 0,3629 =0,6371
La probabilidad de encontrar cola en emergencias en el día es 63,71%
 Continuando con las 23

respuestas
Para la mañana la probabilidad de que lleguen más de 2,5 pacientes por
hora es:
P(x  2,5)= 0,2229+ [0,4149 – 0,2229](0,05) = 0,3179
Y
P(x > 2,5) = 1 – 0,3179 = 0,6821

Muy próxima al promedio general. Para la Tarde:

P(x  2,5) = 0,0942 + [0,2123 – 0,0942](0,05) = 0,1533
Y
P(x > 2,5) = 1 – 0,1543 = 0,8467
Para el resto del día:
P(x  2,5) = 0,6707 + [0,8531 – 0,6707](0,05) = 0,7619
Y
P(x > 2,5) = 1 – 0,7619 = 0,2381.

De estas condiciones, pareciera que la única parte crítica ocurre por la

tarde. Sin embargo, estudiando el problema se encontró que, como en
todos los hospitales las emergencias se manejan de manera muy
particular.
 Las Soluciones son 24

Particulares
En los hospitales hay muchas maneras de cubrir estas situaciones. Nuevos
datos indican que el tiempo promedio que necesita un doctor de 24 minutos
para atender a un paciente se convierte en 12 cuando tiene 6 pacientes (5
esperando turno).
En estos momentos, la enfermera de recepción clasifica a los
pacientes en tres grupos, los que son verdaderas emergencias, los que
presentan una emergencia media y los que pueden esperar por tiempo
largo. Pasa a los pacientes del grupo 1, después a los del dos, así hasta
finalizar la cola. Con esta nueva información calcule la probabilidad de que
lleguen mas pacientes de los 60 / 12 = 5 que pueden atenderse por hora.
Las probabilidades se obtiene fácilmente de las acumulativas o las
individuales siendo de:
23,18% para la mañana; 45,53% para la tarde; 1,74% para el resto del
día y de 19,12% en promedio.
Información suficiente para tomar decisiones en lo tocante a las
emergencias del hospital.
 Planes de Control de la 25

En muchos planes de ControlCalidad

de la Calidad o de Control de Proceso se utiliza la
distribución Poisson. En estos casos, los eventos que no alcanzan la norma de
calidad suelen medirse como fallas por unidad de tiempo.
Dada la naturaleza de la producción manufacturada, que se supone un
proceso continuo desde que se inicia la elaboración de la primera unidad
hasta que se empaca la última de la línea. Es a todas luces, incosteable revisar
todos los artículos, se establecen planes de muestreo de Control de la Calidad o
De Control del Proceso.
Por su naturaleza, una falla de calidad es un evento raro, por tanto, entra
dentro de la competencia de la distribución Poisson.
Cuando la media y la varianza de una distribución de datos tienen un valor
muy próximo o cuando el evento es raro, el proceso de fallas puede
aproximarse mediante la distribución Poisson.
Al ser, los procesos de fabricación continuos, las fallas por unidad de tiempo
suelen reportarse por unidades producidas en el entendido que hay una
relación directa entre la cantidad que se produce y el tiempo en que se
fabrica.
 El Problema 4: Envases de Hoja de 26

Lata.
El departamento de control de la calidad de la empresa ENVASES
HL, S, A. Tiene por costumbre tomar tres muestras de 10 envases
por jornada de 8 horas de trabajo en un plan de muestreo
secuencial con iniciación aleatoria (ver sección de técnicas de
muestreo). Al final del día hace un recuento de las fallas que
acumula en un reporte que todos los días actualiza con los últimos
33 reportes en una hoja de control de la calidad que incluye,
además, un control del proceso recopilando el conjunto de factores
que concurren cuando el proceso de pone Fuera de Control
Estadístico.
Al inicial el día, el supervisor de la producción tiene en su mano las
dos cartas de control de las máquinas de soldado para que efectúe
los ajustes pertinentes y tome las acciones que considere necesarias.
El reporte de fallas en la HE.
 Las Distribuciones: Binomial y 27

Poisson.
En el control de fallas están involucradas dos distribuciones que aunque
son de la misma familia su utilidad es diferente:
La Binomial: Que se utiliza para establecer planes de control sobre
las proporciones o porcentajes;
La Poisson: Que se utiliza para establecer planes de control sobre el
número de fallas.
Usualmente se utiliza sólo una de ellas dependiendo de los objetivos del
control.
De manera general las cartas de control son alternativas pictóricas para
mostrar el comportamiento estadístico de los errores mediante intervalos
confiables con probabilidad específica en una sucesión de muestras para
determinar el momento en que el sistema de producción deja su variación
aleatoria debido a la presencia de un factor que provoca la falla. Siendo la
ubicación y control de estos factores el objetivo del sistema.
 La Binomial para Proporciones. 28

Los límites para la Carta de Control 99% Confiable de

proporciones se definen como:
p (1  p ) 0,0231 - 0,023
LSC  p  z 0,023  2,576 0,094
n 30
p 1  p  0,0231 - 0,023
LIC  p  z 0,023  2,576 -0,048
n 30

Carta de Control de Proporcion de Soldadura

Defectuosa
El gráfico muestra a la
observación 11 fuera de
LSC
0,10
0,09
0,08
control estadístico y más
Proporciones

0,07

allá de la norma al
0,06
0,05
0,04
0,03
0,02
sobrepasar el Límite
0,01
0,00
Promedio
LIC Superior de Control.
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

Muestras
 La Poisson para Número de 29
Fallas.
Los límites para la Carta de Control 99% Confiable para
observaciones se define como:
LIC λ  z  0,7  2,576 0,70 0,30 LSC λ  z  0,7  2,576 0,70 2,85

Se agrega el promedio de fallas Carta de Control de Soldaduras Fallidas

para 30 observaciones de 0,02  3,5

30 = 0,6 que aparece como la 3

Número de Fallas
2,5
línea de color café oscuro. 2
Es evidente que el control 1,5
1
de fallas es más estricto que el de 0,5
proporciones pues 5 muestras 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
presentan situaciones fuera de Muestras
control estadístico.
El Límite Inferior de Control únicamente tiene fines informativos para este
caso, pues es obvio que debe ser 0.
 Propiedades de la Distribución 30

Poisson
A estas alturas el estudiante está en capacidad de deducir las dos
propiedades de las variables con distribución Poisson:
Primera: El valor de la varianza de la distribución es muy próxima al
valor de la media  ;
Segunda: Si una serie de variables independientes X1, X2, X3,,, cada
una con distribución Poisson con medias 1, 2, 3,,, su suma tendrá
una distribución Poisson con una media igual a la suma de las medias
(1 + 2 + 3,,,).
Debe verse la distribución Poisson como una variante de la Binomial, sólo
qué ésta tiene dos alternativas para el promedio de medias y varianzas:
Para números:
 np;  2 np(1  p )
Para proporciones y porcentajes:
  p;  2  p(1  p )

Es fácil deducir la primera propiedad, recuérdese que p + q = 1 y q = 1 –

p, por tanto, es de esperarse que la varianza tienda a aproximarse al
promedio cuando p es muy pequeño y q tiende a 1.
 La Segunda Propiedad 31

La segunda propiedad se deduce de la anterior. Ya que por sus

características de medir eventos raros, la pequeña magnitud de la
proporción p tiende a ser constante y para un conjunto de variables X,
independientemente del taño de n, el promedio de ellas será:
m
 G n1 p  n2 p  ...  nm p  p  ni nG p
i 1

Por estas dos propiedades se ha visto que la distribución de Poisson es útil para
aproximarse al fenómeno cuando el promedio  es pequeño, aún cuando el valor
de n no está bien definido y aún, sí los valores n y p se presume que varían de una
muestra a otra.
El ejemplo que ha servido desde hace mucho tiempo para ejemplificar el uso de la
distribución de Poisson se debe a Ladislaus von Bortkewitch (1.898) que se refiere
al número de hombres en la caballería Prusiana que mueren en un año por coces
de caballos. Si se tienen N = 200 observaciones una por cada 10 batallones en 20
años, Cualquier día un hombre está expuesto a la pequeña probabilidad de que
sea coceado, pero no está claro que valor tiene n y también p que puede ser
variable para cada individuo.
 Problema 5: Tradicional del Proceso 32

Poisson
Una empresa de la construcción reporta los siguientes accidentes
laborales de 155 ingenieros entre 30 y 35 años durante su primer año de
trabajo:
Accidentes de Trabajo 0 1 2 3 4 o más
Nº de Ingenieros 80 61 13 1 0

La dirección de la empresa proyecta pagar un plan de seguros médicos a

los ingenieros jóvenes, pues su trabajo en el campo los expone más a los
accidentes.
La aseguradora solicitó la información mencionada para entregar un
plan de seguros apropiado.
La gerencia desea saber si la frecuencia de accidentes está dentro de
límites aceptables.
El análisis se inicia encontrando el promedio de accidentes de los
ingenieros por un año, para esto se utiliza la conocida tabla de frecuencias
y promedios para datos agrupados.
 La Distribución de 33

Frecuencias
Nº Accidentes Frecuencia Frecuencia
x Observada por evento
0 80 0
1 61 61
2 13 26
3 1 3 4
4 0 0 fx i i
80 0  61 1  ...  0 4 90
Estadísticos  i 0
4
  0,5806
80  61  ...  4 150
Nº Observaciones
Nº de Accidentes
155
90
f
i 0
i

Promedio de accidentes 0,5806

El promedio de accidentes se obtiene dividiendo el número de ingenieros

accidentados entre el total de ingenieros en el análisis. Con este promedio
se obtiene la distribución de frecuencias esperadas para la efectuar una
prueba de Bondad de Ajuste comparando las frecuencias observadas con
las esperadas mediante una prueba de 2. Para el caso será suficiente una
probabilidad de confianza de 95%.
 Prueba de Bondad de Ajuste 34

95%.
Frecuencias Esperadas:
 x e     0,5806 2 e  0,5806 
Nº Accidentes Probabilidad Frecuencias Bondad fei n ; Ej : fe2 155  14,6
 x!   2 ! 
x Poisson Observada Esperada Ajuste
0 0,5595 80 86,7 0,5220
1 0,3249 61 50,4 2,2488 Y la prueba de 2:
2 0,0943 13 14,6 0,1795 80  86,7 2  61 50,4 
2

3 0,0183 1 2,8 1,1831  72 1   ... 4,5969

86,7 50,4
4 0,0027 0 0,4 0,4108
5 0,0003 0 0,0 0,0477
6 0,0000 0 0,0 0,0046 Y la probabilidad que
7 0,0000 0 0,0 0,0004
Sumas 1,0000 155 155,0 4,5969 determina el estadístico
Probabilidad 0,7090

1 1
4, 5909 8 1  2 4 ,5909
F4,5909; 8-1 Y0 
0
4,5909 2 e d 0,7090

El valor de 70,90% está dentro de la zona 95% de aceptación de

la hipótesis nula. Por tanto, esta debe aceptarse
 Comprobando la primera propiedad 35

 = 2
Nº Accidentes Probabilidad Estimadores El Promedio:
x Poisson Promedio Varianza 7
0 0,559537 0,0000 0,1886   pi xi 0,559537 0  0,324893 1  0,000002 7 
1 0,324893 0,3249 0,0571 i 0
2 0,094324 0,1886 0,1900 0,5806 
3 0,018256 0,0548 0,1069
4
5
0,002650
0,000308
0,0106
0,0015
0,0310
0,0060
La varianza:
6 0,000030 0,0002 0,0009 n

7 0,000002 0,0000 0,0001   pi xi   2 0,559537(0  0,5806) 2 

2

i 0
Estimadores 0,5806 0,5806
 0,324893(1  0,5806) 2  ...  0,000002(7 - 0,5806) 2 
0,5806 

Mediante esta prueba práctica se demuestra la primera

propiedad de la Distribución Poisson: el promedio y la
varianza tienen el mismo valor .
 Uso Conjunto de la Poisson y la 36

Normal
Una empresa procesadora E.vaca ha decidido cambiar
de leche de sus
máquinas envasadoras en cartón sanitario inducidos por los vendedores
de maquinas que aseguran una mayor precisión de llenado necesaria para
cubrir las normas internacionales que piden una variación promedio
inferior a 5% y cuando más un 2% de envases por debajo de la norma. Se
estableció un programa de control de la calidad en el que se muestrean 5
unidades por cuatro veces, en una jornada de trabajo de 8 horas
iniciando la toma de la primera muestra de forma aleatoria eligiendo un
número entre el minuto 0 y el 120 para la primera muestra, las siguientes
se toman en secuencia de 2 horas. Los resultados de 100 muestreos, o 20
días se presentan en la HE. Los estadísticos obtenidos directamente:
N

x i
9
Promedio: μ i 1
 0,018
N 500
N

 x  μ
2
i
Varianza: σ 2  i 1  p 1  p  0,018
N
 El Promedio es Suficiente 37

En la distribución Poisson el promedio es lo único que se requiere

conocer para efectuar estimaciones, puesto que se ha
comprobado que  = 2.
Para muestras de tamaño n = 5 se espera un promedio de 5 
0,018 = 0,09 unidades fuera de norma. Comprobaremos este
promedio utilizando la tabla de frecuencias para las muestras de
tamaño n = 5.
Evento Frecuencia Totales x
x Observada Evento
0 92 0 El Promedio:
1 7 7 2
2 1 2 fx i i
92 0  7 1  1 2 9
Sumas 100 9 x5  i 0
2
  0,09
92  7  1 100
f i
Nº Muestras 100 i 0

Promedio fuera norma 0,0900

 Prueba de Bondad de Ajuste 38

95%
Aún corriendo el riesgo de ser reiterativo, es necesario valuar, sí las
frecuencias esperadas se pueden aproximar mediante la
distribución Poisson para n = 5.
x e   0,09 2 e  0, 09
Evento Probabilidad Frecuencias Prueba P ( xi )  ; P ( x  2)  0,037
x Poisson Observada Esperada B. Ajuste x! 2 1
0 0,9139 92 91,4 0,0040
1 0,0823 7 8,2 0,1826 fei  P( xi )m; fe2 0,037 100 0,4
2 0,0037 1 0,4 1,0718
3 0,0001 0 0,0 0,0111
 26  1 
92  91,4  7  8,2 
2

2
 ... 
0  0,00.. 1,2697
2

4 0,0000 0 0,0 0,0002 91,4 8,2 0,00..

5 0,0000 0 0,0 0,0000
Sumas 1,0000 100,0000 100,0000 1,2697 1, 2697
Probabilidad 0,9380 P (  52 )   f ( x; n; np )dx 0,9380
0

La probabilidad de 93,80% indica que debe aceptarse: que

las frecuencias observadas del experimento se pueden
aproximar con la Poisson sin duda alguna.
 Prueba de z Sobre número 39
Defectuosos.
La empresa asegura una probabilidad de que cuando más 2% de envases
están fuera de la norma. Para el caso:
P ( x 2) 1  P (( x 0)  P ( x 1) 1  (0,9139  0,0823) 0,0038
O , 38%. Muy por debajo de la norma.
Para valorar la hipótesis: Ho; p  0,02 o x  np
Se puede utilizar la distribución de z puesto que N = 500, una muestra
definitivamente grande.
x  np  0,5 9  500 0,02  0,5 0,5
z ; z c    0,1597
xpq 500 0,02 0,98 3,1305
Valor que determina una probabilidad de:
2
1 9  500 0 , 02 
  
1  0 ,1597 2  500 0 , 02 0 , 98 
P ( zc ) 
2 

e dz 0,4366

O 46,66% de que el número de envases fuera de la norma sea diferente a 10

o p  0,02. Por tanto, se acepta que la maquinaria trabaja dentro de lo
ofrecido.
 Prueba de z Sobre la 40

También
Proporción.
se puede probar la 1 1
pˆ  P  0,018 - 0,02 
2 N ; z  2 500 -0,1597
hipótesis usando directamente z
pq
c
0,02 0,98
las proporciones: N 500

La empresa distribuye en cajas

de 12 envases:¿
Cuál es la probabilidad de que
no se encuentren envases por
0,216 0 e  0, 216
debajo de 0,02%. El promedio p ( x12 0)  0,8057
0!
para n = 12 es 12  0,018 =
0,216.
¿Cuál es la probabilidad de 2
x e  
encontrar en una caja de 12 F ( x 2) 1  
x 0 x!
1  POISSON(2;0,216;1) 1  0,9986 0,0014

litros 3 envases por debajo de la

norma?
 Normas en una Variable Continua 41

En términos de la variable continua, la estimación por intervalos

permite responder a la interrogante que pudiera ser fuente de
controversias en caso de una inspección: ¿Cuál es la probabilidad
asegurada para una caja de 12 litros?. Esto es:
 s s 
Px  z  X x  z  0,98
 n n

Pr 1.000  2,326
1,488
 X 1,000  2,326
1,488 
 0,98 P999 X 1.001 98%
 12 12 
Las cajas de productos de esta empresa ofrecidos en envases de
cartón sanitario presentarán promedios entre los límites indicados
con probabilidad de 98%.
Un mecanismo similar se sigue para establecer límites de control
estadístico sobre los promedios diarios de 20 unidades.
 Límites en Cartas de Control. 42

a) La norma internacional establece como límite de promedios una

variación inferior al 5%.
b) Algunas Cartas de Control utilizan 6 zonas para valorar si el proceso
se mantiene en condiciones de variación estadísticas.
El valor z qué define el valor de control para el 5% inferior es –1,645 y
para 95% 1,645. Con estos se establecen los límites extremos de control:
1,488
Límite Superior Control LSC  xo  1,645 1001,1
5
1,488
Límite Inferior Control LIC  x o  1,645 998,9
5
 1,3626(1,488)
LMS  xo  0,674 1000,6
Límite Tercer Cuartilo 5
1,3626(1,488)
Límite Primer Cuartilo LMI  xo  0,674 999,4
5
 Objetivo de la Carta de Control 43

Se ha mencionado que el objetivo de la Carta de Control es valorar

si el sistema se mantiene bajo control estadístico. Una regla
empírica indica que aparece un factor que altera el proceso
estadístico cuando:
1. Un punto aparece más allá de la zona A;
2. Dos puntos consecutivos aparecen en la zona B;
3. Cuatro puntos consecutivos ocurren en la zona C.
Cuando esto ocurre, el personal involucrado en la producción debe
darse a la tarea de localizar la fuente o factor que ha alterado
proceso estadístico de la producción.
El ubicar estos factores y la regularidad con que se
presentan, ofrecen a los encargados de la producción o del control
de la calidad, hacer de la producción una función acuciosamente
estudiada.
 6.44 Valoración de la Carta de 44

Control
La muestra 2: Alcanzan la zona A
Carta de Control de Envasadora
por la parte superior. No se valora
1.001,5
Zona A
como falla; acción, buscar la
1.001,0
Zona B
causa).
Volumen Envasado

1.000,5
Zona C
La muestra 26: Alcanza la zona A
1.000,0
Zona C
inferior y hay una observación
999,5 considerada falla; acción, buscar
999,0
Zona B la causa.
Zona A
998,5 Las muestras 3 y 4 se presentan en
1
3
5
7
9

13
15
17
19
21
23
25
27
29
11

Muestras la zona B inferior. No hay falla;

acción, atención.

No hay más muestras fuera de control. En términos generales puede

decirse que el proceso se mantiene bajo control estadístico.
 Control Conjunto. 45

Muchos casos de control de la producción y de la calidad de un

producto maquinado o manufacturado requiere de controles
conjuntos sobre elementos que no cumplen ciertas normas de
producción o calidad.
Usualmente, el control ejercido sobre la variable cualitativa que
califica a una unidad como “No Aceptable” y “Aceptable” es
mucho más estricta que la variable cuantitativa que mide o
determina la magnitud de la falla.
La base estadística que da soporte a los procesos de control de la
calidad y proceso es la presentación aleatoria de las diferencias en
las unidades fabricadas.
Los Sistemas de control de procesos mediante variables cualitativas
y cuantitativas son complementarios.
 Resumen: Prefacio. 46

La Distribución Poisson se adapta muy apropiadamente a variables

cualitativas en donde interesan eventos poco frecuentes.
El proceso Poisson se caracteriza por su dependencia del tiempo. Un
hecho ocurre o no en intervalos continuos de tiempo; La
probabilidad de más de un evento cierto en un espacio de tiempo es
despreciable; La ocurrencia de un evento no depende de lo que pasó
antes ni de lo que pasará después.
Las cualidades de la distribución Poisson le permiten adaptarse a
múltiples circunstancias, incluso cuando el espacio muestral no está
muy bien definido.
Se adapta muy apropiadamente a los procesos productivos en los
que interesan fallas o aciertos raros. Pero sobre todo, por la
constancia de las cantidades producidas por unidad de tiempo.
 Recomendación. Prefacio. 47

Se han preparado tres herramientas didácticas que cumplen

diferentes objetivos encaminados a que el estudiante entienda y
maneje adecuadamente el contenido del tema mediante el
desarrollo problemas escogidos.
La presentación en diapositivas de la computadora personal como
método audiovisual de comunicación entre el profesor y el alumno.
En el que se plasma la esencia del concepto y su uso práctico.
La Hoja Electrónica como herramienta de trabajo que transporta
al estudiante de la fórmula matemática tradicional a la función
algorítmica del computador.
Un compendio de la charla en un formato imprimible en la mitad
de hojas cartas para tener a la mano un libro y de consulta rápida.
 Operatividad del Sistema. 48

Prefacio
Desde el primer momento debe imaginar que la charla está preparada para
ser expuesta por el profesor en el aula y que el estudiante cuenta con una
copia del “capítulo” en su computadora personal.
La charla le irá preparando en bases teóricas para enfrentar problemas
que en su momento fueron parte de una investigación y han sido resueltos,
algunos de ellos se han modificado ligeramente con fines didácticos.
El problema que se comenta en la CHARLA se ha resuelto paso a paso en
la Hoja Electrónica que además le proporcionará un conjunto de resultados
obtenidos mediante modelos de simulación que el estudiante puede definir
de una manera parcial y con los que puede “entrenar” el uso de la
herramienta computacional e intentar conclusiones y recomendaciones.
La presentación y los comentarios están ligados de manera que puede
interactuar con ellos.
Además puede obtener una copia impresa del capítulo o de todo el libro en
un formato de pantalla que se edita en una hoja tamaño carta.
Manuel Pontigo Alvarado:
ITCR, Diciembre 2004.