UNIVERSIDAD DE LA COSTA, CUC

DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES

LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

CAPACIDAD DE PROCESOS
Laboratorio de Control de calidad,
Programa de Ingeniería Industrial, Universidad de la Costa CUC.

Resumen

Para esta experiencia de laboratorio se extrae una muestra de cilindros de tamaño 100
donde las especificaciones del cliente van de 5 ± 0,15. Posterior se realiza la selección
de los 100 cilindros, se miden y toma los datos calculando la longitud de cada uno con
ayuda del calibrador, posteriormente de tomar la medida de los 100 cilindros se
registran en la tabla y se procede a realizar los cálculos pertinentes para definir la
capacidad del proceso, para esto se debe calcular los límites del proceso, la desviación
estándar y demás para finalmente conocer si el proceso será capaz o no.

Palabras claves. Pruebas, Binomial, éxito, Fracaso, Probabilidad, frecuencia, control,

dado, registrar, analizar.

ABSTRACT

In the following experience we developed an activity, in which we were able to

demonstrate and learn to solve problems, in which problems of type, statistical, and
techniques such as BINOMIAL DISTRIBUTION are implemented, In this case it was
necessary to use several elements such as 100 marbles, which were 85 normal, and 15 were
additional white to this a binomial box containing the marbles, the binomial box was
shaken 100 times and it was tabulated which came out white in each shot, during the
development of the same evidence the implementation of the binomial distribution to find
the probability of occurrence in an event that expresses an expected result. In this activity,
identical tests will be carried out that have two possible results (success or failure) and the
probability of success (p) remains constant from test to test. The above characteristics
indicated a binomial experiment.

Keywords. Tests, Binomial, success, Failure, Probability, frequency, control, given, record,
analyze.

I. INTRODUCCION
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

En estadística, la distribución binomial es una distribución de probabilidad discreta que

cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre
sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos Existen muchos
casos donde el resultado de lo que se hace posee dos únicos resultados posibles. En
términos conceptuales, estas experiencias corresponden a un modelo conocido como
distribución binomial, y en algunos casos muy particulares se aplica la distribución de
poisson. El siguiente informe lo que busca es mostrar los pasos que se deben tomar al
momento de aplicar la ley binomial teniendo en cuenta un número de los datos q tomamos
en la experiencia de las bolas uñitas y las ocurrencias obtenidas de la experimentación
realizada.

II. FUNDAMENTOS TEÓRICOS.

Si un experimento tiene dos resultados posibles, éxitos y fracasos, y sus probabilidades son,
respectivamente, p y 1-p, entonces el número ,0 o 1, tiene una distribución de Bernoulli.
Una variable aleatoria x tiene una distribución de Bernoulli, y se conoce como variable
aleatoria de Bernoulli, si y solo si su distribución de probabilidad está dada por: f(x, p)=px
(1-p) 1-x para x = 0,1

Por tanto, f (0; p)= 1-p y f (1; p)=p se combinan en una sola formula. Obsérvese que se usó
la notación f(x, p) para indicar explícitamente que distribución de Bernoulli tiene el
parámetro único p. Los ensayos de Bernoulli cumplen muy importante en probabilidad y
estadística, y se caracterizan porque el número de ensayos es fijo, el parámetro p y es el
mismo para cada ensayo y además todos los ensayos son independiente. Para lograr una
fórmula de probabilidad de obtener exactamente x éxitos en n ensayos bajo las condiciones
indicadas, observe que la probabilidad de obtener justamente x acierto y n-x fracasos es de
px (1-p) n-1. Existe un factor p para cada éxito, un factor 1-p para cada fracaso; y los x
factores p y n-x y los 1-p se multiplican a una secuencia cualquiera de n ensayos en los que
hay x aciertos y nx fracasos, solo tenemos que contar cuantas secuencias de este tipo hay y
después multiplicar px (1-p)n-x por ese número.

Distribución binomial: una distribución de probabilidad discreta que indica el número de

éxitos al realizar una secuencia de n ensayos independientes entre sí, con una probabilidad
fija (p) de ocurrencia del éxito entre esos ensayos.

Espacio Muestral:
Es el conjunto de todos los posibles resultados de una experiencia
aleatoria, lo representaremos por E (o bien por la letra griega Ω).

Ejemplo:

Espacio muestral de una moneda:

 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

E = {C, X}.

Espacio muestral de un dado:

E = {1, 2, 3, 4, 5, 6}.

probabilidad de un evento: la probabilidad mide la mayor o menor posibilidad de que se

de un determinado resultado (suceso o evento) cuando se realiza un experimento aleatorio.
Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles de
ocurrencia del mismo; es decir, de cuantas formas puede ocurrir determinada situación.

Probabilidad Teórica: Se considera la probabilidad de la frecuencia relativa en la cual

tiende a estabilizarse un evento, al repetir el experimento muchas veces.

Frecuencia: es recoger la información de la muestra resumida en una tabla en la que a cada

valor de la variable se le asocian determinados números que representan el número de veces
que se ha aparecido. Existen (4) tipos de esta que son: absoluta, relativa, acumulada y
relativa-acumulada.

III. METODOLOGIA

Para la experiencia en el laboratorio se llegó a utilizar los siguientes materiales.

 Bolas (canicas) de colores
 Caja Binomial
La siguiente actividad fue realizada en 4 grupos, los cuales realizamos la siguiente
actividad.

1. Colocar dentro de una caja de madera 100 canicas (15 de un mismo color (blancas)
y 85 de colores diferente).

2. Agitar la caja y mediante un visor, contar la cantidad de canicas blancas aparecen en

el visor y anotar los resultados obtenidos de acuerdo con las siguientes indicaciones:

En la tabla 2:
 Resumen de los resultados en todos los grupos.

En la tabla 3:
 Resumen de grupos números de bolas de color diferente en la muestra.

En la tabla 4:
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

 Datos del grupo individual, numero de bolas de color diferente a la muestra

IV. DESARROLLO EXPERIMENTAL

Este experimento se hace para reconocer en la práctica las características de un

experimento, cuyo comportamiento se ajustará a la distribución binomial, para así analizar
la probabilidad teórica con la probabilidad experimental de un modelo binomial y así
conocer y aplicar el procedimiento para el cálculo de parámetros de una distribución
binomial. El experimento consiste básicamente en extraer canicas de una caja, la cual
contiene canicas de 2 colores diferentes. Para esta práctica se realizaron dos tipos de
experimentos.

Experimento 1: Un 15% de canicas blancas en la urna, se tomaron muestras de tamaño 10,

realizando el experimento 50 veces.

Experimento 2: Un 2% de canicas blancas en la urna, se tomaron muestras de tamaño 10,

realizando el experimento 100 veces.

Con esto se busca encontrar la probabilidad de ocurrencia del evento “sale canica blanca” el
cual representa no conformidad en una línea de producción, en ultimas lo que se busca
establecer es como la distribución de binomial puede aproximarse por medio de una de
Poisson, y bajo que condiciones se puede hacer.

V. CALCULOS Y RESULTADOS

Los resultados obtenidos del experimento 1 y 2 obtenidos por el grupo se muestran en la

Tabla 1 y 2. Mientras que la Tabla 3 muestra los resultados para la probabilidad
experimental y teórica siguiendo una distribución binomial para el experimento 1, la cual se
calculo por medio de la siguiente ecuación
𝑏(𝑥; 𝑝, 𝑞) = 𝑝 𝑥 𝑞 𝑛−𝑥

La Tabla 4 muestra la misma información para la Tabla 3 pero usando los datos de todos
los 4 grupos y basado en el experimento 2.

Tabla 1. Tomas de datos experimentos 1

 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

Tabla 2. Tomas de datos experimentos 2

TABLA 2. TOMA DE DATOS 2.

# Unds no # Unds no # Unds no # Unds no
Muestra Conforme Muestra Conforme Muestra Conforme Muestra Conforme
1 0 26 0 51 0 76 0
2 0 27 0 52 0 77 0
3 0 28 0 53 0 78 0
4 1 29 0 54 0 79 0
5 0 30 0 55 0 80 0
6 0 31 0 56 1 81 0
7 0 32 0 57 0 82 0
8 0 33 0 58 1 83 0
9 0 34 0 59 0 84 0
10 0 35 0 60 0 85 1
11 0 36 0 61 0 86 1
12 0 37 0 62 0 87 0
13 0 38 0 63 0 88 0
14 1 39 0 64 0 89 1
15 0 40 1 65 0 90 1
16 0 41 1 66 0 91 1
17 0 42 0 67 0 92 1
18 0 43 0 68 0 93 0
19 0 44 0 69 0 94 0
20 0 45 0 70 0 95 0
21 0 46 0 71 0 96 0
22 0 47 0 72 1 97 0
23 0 48 1 73 0 98 1
24 0 49 0 74 0 99 0
25 0 50 0 75 0 100 0

Tabla 3. Resumen de frecuencia del grupo- experimento 1

 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

TABLA 3. RESUMEN DE FRECUENCIAS DEL GRUPO

# De Unds no fraccion de no conformidad, (P)
conformes 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 sumatoria para la tabla 1 0,15
Frencuencia
Experimental grupo 5 19 14 10 1 1 0 0 0 0 0 0 0 0 0 0 50 muestra de tamaño 10
Probabilidad
Experimental grupo 0,1 0,38 0,28 0,2 0,02 0,02 0 0 0 0 0 0 0 0 0 0 1 numero de repeticiones 50
Probabilidad Teórica
Binomial 0,1968744 0,347425419 0,28 0,13 0,04 0,0085 0,001 0,00013 8E-06 3E-07 0 0 0 0 0 0 1
Frencuencia Teórica
Binomial 9,84372022 17,37127097 13,8 6,49 2,005 0,4245 0,062 0,0063 4E-04 2E-05 0 0 0 0 0 0 50

Tabla 4. Resumen de frecuencia del total de grupos- experimento 1

# De Unds no fraccion de no conformidad, (P)

conformes 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 sumatoria para la tabla 1 0,02
GRUPO 1 7 28 9 4 2 0 0 0 0 0 0 0 0 0 0 0 50 muestra de tamaño 10
GRUPO 2 13 18 10 5 2 2 0 0 0 0 0 0 0 0 0 0 50 numero de repeticiones 200
GRUPO 3 11 15 10 6 4 4 50
GRUPO 4 5 19 14 10 1 1 0 0 0 0 0 0 0 0 0 0 50
Frencuencia
Experimental grupo 36 116 159 184 193 200 200 200 200 200 200 200 200 200 200 200 200
Probabilidad
Experimental grupo 0,18 0,58 0,8 0,92 0,965 1 1 1 1 1 1 1 1 1 1 1 1
Probabilidad Teórica
Binomial 0,81707281 0,166749552 0,02 0 3E-05 7E-07 1E-08 1,4E-10 1E-12 5E-15 0 0 0 0 0 0 1
Frencuencia Teórica
Binomial 163,414561 33,34991049 3,06 0,17 0,003 0,0001 2E-06 2,9E-08 2E-10 1E-12 0 0 0 0 0 0 199,997024

La Tabla 5 permite realizar una comparación entre las distribuciones binomial y de Poisson,
cabe resaltar que para el calculo de la probabilidad teórica de Poisson fue usada la siguiente
ecuación

𝑒 −𝜆 𝜆𝑥
𝑝(𝑥; 𝜆) =
𝑥!

Tabla 5. Resumen de frecuencia del total de grupos- experimento 2

# De Unds no conformes 0 1 2 sumatoria

grupo 1 83 16 1 100
grupo 2 85 15 0 100
grupo 3 85 15 0 100
grupo 4 85 15 0 100
Frencuencia Experimental 338 61 1 400
Probabilidad Experimental 0,845 0,1525 0,0025 1
Probabilidad Teórica Binomial 0,941192 0,057624 0,001176 0,999992
Frencuencia Teórica Binomial 376,4768 23,0496 0,4704 399,9968
Probabilidad Teórica Poisson 0,980199 0,019604 0,000196 1,0000
Frecuencia Teórica Poisson 392,0795 7,8416 0,0784 400

La Figura 1 muestra una comparativa entre las dos distribuciones, como puede verse la
distribución de Poisson se acerca al valor estimado por la Binomial, esto sucede porque
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

teóricamente puede aproximarse la distribución Binomial a través de una distribución de

Poisson, si se cumplen las siguientes condiciones
 𝑛 > 50
 𝑛𝑝 < 5
Dichas condiciones se cumplen para lo obtenido en el experimento, y por ende puede
usarse esta aproximación.

Figura 1. Comparativa entre distribuciones

VI. CUESTIONARIO.

1. ¿A qué razones obedece las diferencias entre la probabilidad teórica y la

probabilidad experimental resultante?

R/ta. Las razones por la cual obedece las diferencias es que la Probabilidad experimental
Se considera la probabilidad de la frecuencia relativa en la cual tiende a estabilizarse un
evento, al repetir el experimento muchas veces, en cambio la probabilidad teórica Existen
situaciones donde no es necesario hacer un experimento para obtener la probabilidad de un
evento, ya que se pueden considerar todos los resultados posibles como equiprobables, es
decir, que tienen la misma probabilidad de ocurrir.
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

2. Si el valor (p) en el universo que es objeto de experimentos, y si variase a 0,3

¿Cómo varían los resultados obtenidos?

R/ta. Se tendrán en este caso muchas mas no conformidades y dado que p es relativamente
grande, no es posible aproximar la distribución Binomial a partir de una de Poisson.

3. ¿Qué conclusiones y recomendaciones se pueden hacer de la experiencia?

R/ta.
Podemos entender la importancia de la probabilidad ya que gracias al estudio de ella
podemos hacer proyecciones, predecir resultados de diferentes tipos y sucesos, como
estados climatológicos, resultado de sucesos como ventas y la probabilidad de que ocurra
un resultado con respecto a una acción.

Desarrolle los sgtes ejercicios

1 .Un fabricante de automóviles se preocupa por una falla en el mecanismo de

freno de un modelo particular, la falla puede causar en raras ocasiones un catástrofe
a alta velocidad, suponga que la distribución del número de autos por año que
experimentara la falla es una variable aleatoria con ƛ= 5

A) ¿Cuál es la probabilidad de que, a lo más, tres autos por año sufran catástrofe?
B) ¿Cuál es la probabilidad de que más de un auto por año experimente una
catástrofe?

Sol.

Sea 𝑥: Número de autos que presentan fallas en el mecanismo de freno durante el

año
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡 ) =
𝑥!
𝜆=5
𝑒 −5 (5)3 𝑒 −5 (5)2 𝑒 −5 (5)1 𝑒 −5 (5)0
A.) 𝑃(𝑥 ≤ 3) = 3! + 2! + 1! + 0! = 0,0067
𝑃(𝑥 ≤ 3) = 0,0067 + 0,0337 + 0,0842 + 0,1404 = 0,265

𝑒 −5 (5)0 𝑒 −5 (5)1
B.) 𝑃(𝑥 > 1) = 1 − 𝑃(𝑥 ≤ 1) = 1 − [ 0! + 1! ]
𝑃(𝑥 ≥ 1) = 1 − [0,0067 + 0,0337] = 0,9596
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

2. El número de clientes que llega por hora a ciertas instalaciones de servicio

automotriz se supone que sigue una distribución de Poisson con media ƛ=7

A) Calcule la probabilidad de que más de 10 clientes lleguen a un periodo de 2

horas
B) Cuál es el número medio de llegadas durante un periodo de 2 horas

Sol.

Sea 𝑥: Número de clientes que llegan por hora a las instalaciones de servicio
automotriz.

𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡 ) =
𝑥!
𝜆=7

𝑒 −14 (14)10 𝑒 −14 (14)9 𝑒 −14 (14)8

A.) 𝑃(𝑥 > 10) = 1 − 𝑃(𝑥 ≤ 10) = 1 − + + +
10! 9! 8!
𝑒 −14 (14)7 𝑒 −14 (14)6 𝑒 −14 (14)5 𝑒 −14 (14)4 𝑒 −14 (14)3 𝑒 −14 (14)2 𝑒 −14 (14)1
+ + + + + + +
7! 6! 5! 4! 3! 2! 1!
𝑒 −14 (14)0
0!

𝑃(𝑥 > 10) = 1 − 8,315𝑥10−7 + 1,164𝑥10−5 + 8,149𝑥10−5 + 3,803𝑥10−4 +

0,0013 + 0,0037 + 0,0087 + 0,0174 + 0,0304 + 0,0473 + 0,0663
𝑃(𝑥 > 10) = 0,8243

B.) 𝜆𝑡 = (7)(2) = 14
C.)
5. Conclusiones

El modelo de distribución Binomial define experimentos consistentes en realizar ensayos

repetidos e independientes como pudimos ver en el laboratorio. Cada uno de estos
experimentos presenta dos posibles resultados que denominamos éxito o fracaso, cuya
probabilidad se mantiene constante en las diferentes pruebas.
En este experimento nos pudimos dar cuenta también que el valor de q es el complemento
de p y se obtiene con 1-p. La determinación binomial se da mediante el uso de la función
binomial donde también se forman una serie de experimentos de Bernoulli.
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

VII. BIBLIOGRAFÍA

1. Control estadístico de la calidad, tercera edición, de Douglas C. Montgomery. Libros

Virtuales.

2. Control estadístico de calidad y seis sigma Humberto Gutiérrez Pulido, Román de la

Vara Salazar. Libros Virtuales.

3. https://www.sangakoo.com/es/temas/frecuencia-absoluta-relativa-acumulada-y-tablas-estadisticas

4. https://www.ck12.org/book/CK-12-Conceptos-de-%C3%81lgebra-Nivel-
B%C3%A1sico-en-Espa%C3%B1ol/section/6.12
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

Trabajo independiente
Distribuciones Binomial y de Poisson en el
control de calidad
Cuando los clientes sienten que pueden contar con la calidad constante de los
productos, es más probable que vuelvan a adquirirlo o lo recomienden a otro
potencial cliente. La calidad constante requiere mucho trabajo, atención a los
detalles y sistemas para monitorear y evaluar si los productos cumplen con los
estándares que se han establecido. El control de calidad es un proceso continuo que
afecta a todos los aspectos, desde la compra hasta la fabricación y la distribución.
Siendo un poco mas especifico nos preguntamos: ¿En que aspectos puede
ayudarnos el poseer un buen control en la calidad de los productos?

Uno de estos son los desperdicios los cuales son caros y es más probable que
ocurran cuando no se toman medidas de control de calidad. Si no se presta atención
a los detalles o se implementan procesos para reducir la variabilidad, se perdería
mayor cantidad de inventario terminado, lo que costará el precio de la mano de obra
y los materiales que se emplearon para producirlo. Debe prestarse atención a los
procesos en todos los niveles para que pueda identificar los materiales defectuosos
antes de combinarlos con otros útiles; esto ahorrará el tiempo y el esfuerzo de
retroceder e invertir su tiempo y dinero en el frustrante control de daños.

Los procesos de control de calidad ayudan también a las empresas a evitar

situaciones que causan daño a los clientes y conducen a costosas demandas por
responsabilidad civil. Si la empresa fabrica maquinaria, los estándares de control de
calidad reducen los errores e inconsistencias que podrían hacer que estas máquinas
sean inseguras. Si se fabrica un producto alimenticio, los procesos de control de
calidad monitorean la temperatura y los cuerpos extraños para disminuir la
probabilidad de que un cliente se vea afectado. Garantizar la seguridad del cliente
ahorra dinero a la empresa y evita daños a su reputación.

El control de calidad es un elemento vital en la producción de productos de alta

calidad que cumplen con las expectativas de los clientes. Cuando los productos
hacen lo que se supone que deben hacer y se comportan de la misma manera con el
tiempo, la empresa ganará reconocimiento y probablemente un aumento en las
ventas. Esta lealtad del cliente ahorra dinero en marketing y publicidad al
proporcionar un flujo de ingresos constante y ganando referencias, que no cuestan
nada y pueden ser particularmente efectivas para atraer a nuevos clientes.
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

Aunque se puede comprar materiales de las mismas fuentes, no siempre serán los
mismos. La variabilidad es parte de la naturaleza, y no es posible hacer algo
exactamente igual cada vez. Las máquinas se desgastan y necesitan ser calibradas.
Los materiales orgánicos, como las verduras y los productos lácteos, varían debido a
la composición; muchos materiales se comportan de manera diferente en diferentes
temperaturas y condiciones climáticas.

Incluso si no se puede asegurarse de que los materiales que se utilizan son

absolutamente consistentes, es posible reconocer las inconsistencias y desarrollar
sistemas para compensarlas.

Un aspecto clave en el control de calidad es la variabilidad, la cual advierte de

cualquier posible no conformidad en la producción. La variación es una
característica normal de la operación del proceso. Para los procesos de producción,
algunas variaciones son estadísticamente aleatorias, mientras que otras se deben a
las acciones de los trabajadores de producción. Cuando los trabajadores no actúan
consistentemente, introducen variaciones no aleatorias que reducen la calidad del
producto. La clave esta reducir el aporte de las variaciones no aleatorias y controlar
las variaciones aleatorias inherentes a la producción como tal, compensando estas
variaciones, para producir siempre en lo posible el mismo producto. Ahora bien,
salta la pregunta ¿Cómo puede medirse esa variabilidad?

Existen diferentes formas de medir la variabilidad de un evento, en el campo del

control de calidad suelen usarse la distribución binomial y de Poisson, las cuales
son una herramienta muy importante para la estimación de esta variabilidad.

Distribución Binomial

La distribución binomial es útil cuando sólo hay dos resultados en un experimento

aleatorio (por ejemplo, aprobado o rechazado, cumplimiento o incumplimiento, sí o
no, conforme o no conforme). Un ejemplo de es la aplicación de esta distribución es
el siguiente:

En la fabricación repetitiva de una pieza la dimensión de esta es crítica. Esta

dimensión crítica se mide diariamente en una muestra aleatoria de piezas de un
proceso de producción de gran tamaño. Para acelerar el proceso de inspección, una
herramienta está diseñada para pasar o no una pieza que se prueba al siguiente
proceso. La salida ya no es continua. La salida es ahora binaria (pasa o no para cada
parte); por lo tanto, la distribución binomial puede ser usada para desarrollar un plan
de muestreo, el cual permita establecer por lotes que piezas pasan o no, a la
siguiente etapa del proceso, y poder crear indicadores para establecer posibles fallas
en algunos procesos.
 UNIVERSIDAD DE LA COSTA, CUC
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE OPERACIONES
LABORATORIO DE CONTROL DE CALIDAD
PROGRAMA DE INGENIERÍA INDUSTRIAL

Distribución de Poisson

Un experimento aleatorio de una variable discreta puede tener varios eventos y la

probabilidad de cada evento es baja. Este experimento aleatorio puede seguir la
distribución de Poisson. Los dos escenarios siguientes ejemplifican los datos que
pueden seguir a una distribución de Poisson.

Hay un gran número de dimensiones de una pieza que son críticas. Las dimensiones
se miden en una muestra aleatoria de piezas de un gran proceso de producción. El
número de "condiciones fuera de especificación" se anota en cada muestra. Esta
información colectiva de "número de fallos" de las muestras puede modelarse a
menudo utilizando una distribución de Poisson. En una prueba se ejercen varios
sistemas y se anota el número de fallos de los sistemas. La distribución de Poisson
puede ser usada para diseñar /analizar esta prueba. Otros ejemplos de aplicación son
la estimación del número de no conformidades cosméticas al pintar un automóvil, la
proyección del número de accidentes industriales para el próximo año y la
estimación del número de granos sin explotar en un lote de palomitas de maíz. La
distribución de Poisson es una de las varias distribuciones utilizadas para modelar
datos discretos y tiene numerosas aplicaciones en la industria. La distribución de
Poisson puede también ser una aproximación a la distribución binomial cuando p es
igual o inferior a 0,1, y el tamaño de la muestra n es lo suficientemente grande. Esta
aproximación es importante y muy útil, puesto que la distribución binomial tiene en
su formulación factoriales y exponenciales es más tedioso y cuesta más trabajo
calcular las probabilidades si n es muy grande, podríamos acabar teniendo algún
error de redondeo, o la computado o calculadora podrían generar un error ya cuenta
con la capacidad para tal operación. Además, otro problema de la distribución
binomial es que podría no conocerse los valores de n y p, las cuales son necesarias
para el cálculo de la probabilidad, sin embargo, si conocemos el promedio de las
ocurrencias del evento, podemos llamarla 𝜆 y usar la distribución de Poisson,
sabiendo que n probablemente es muy grande y p pequeña, pero sin la necesidad de
conocer su valor exacto.