Capacitación Capítulo 7 y 8 Alumnos (Modo de Compatibilidad)

Estadstica
Jos M. Lavn
Intervalos de Confianza
INTERVALOS DE CONFIANZA PARA LA MEDIA

En el contexto de estimar un parmetro poblacional, un intervalo de
confianza es un rango de valores (calculado en una muestra) en el cual se
encuentra el verdadero valor del parmetro, con una probabilidad
determinada.
La probabilidad de que el verdadero valor del parmetro se encuentre en
el intervalo construido se denomina nivel de confianza, y se denota 1- .
La probabilidad de equivocarnos se llama nivel de significancia y se
simboliza .
Generalmente se construyen intervalos con confianza 1- =95% (o
significancia =5%).

Generalmente, cuando se quiere construir un intervalo de confianza para la media
poblacional , la varianza poblacional es desconocida, as que reemplazamos la
desviacin estndar poblacional por la desviacin estndar muestral s, el intervalo de
confianza toma la forma:
La cual es una buena aproximacin para el intervalo de confianza de 95% para con 2
desconocido. Esta aproximacin es mejor en la medida que el tamao muestral sea
grande.
Cuando el tamao muestral es pequeo, el intervalo de confianza requiere utilizar la
distribucin t de Student (con n-1 grados de libertad, siendo n el tamao de la
muestra), en vez de la distribucin normal (por ejemplo, para un intervalo de 95% de
confianza, los lmites del intervalo ya no sern construidos usando el valor 1,96).

Ejemplo:
Los siguientes datos son los puntajes
obtenidos para 45 personas de una escala
de depresin (mayor puntaje significa
mayor depresin).
Para construir un intervalo de confianza, asumamos que los datos tienen distribucin
normal, con varianza poblacional desconocida.
Como es desconocida, lo estimamos por s2 =18,7. Luego, un intervalo de confianza
aproximado es:
Luego, el intervalo de confianza para es (13,2 , 15,8). Es decir, el puntaje promedio

poblacional se encuentra entre 13,2 y 15,8 con una confianza 95%.

Ejercicio:
La lectura de una muestra aleatoria de 50 estudiantes mostraron una media de 174.5
cm y una desviacin estndar de 6.9 cm.
Determine un intervalo de confianza del 98% para la altura promedio de todos los
estudiantes.
CONCEPTOS GENERALES DE CONTRASTE

Una hiptesis estadstica es una afirmacin que se hace acerca de una o
varias caractersticas de una poblacin.
Las caractersticas pueden ser los parmetros de una distribucin de
probabilidad predeterminada, seleccionada para la poblacin.
En este caso hablaremos de hiptesis paramtricas. En algunas
situaciones las caractersticas a estudiar no son parmetros de una
distribucin concreta y decimos que las hiptesis son no paramtricas
Un contraste de hiptesis es un procedimiento para decidir si una
hiptesis se acepta como vlida o se rechaza.

Dos son las hiptesis que generalmente se contrastan, la que denominamos
hiptesis nula (H0) que es la hiptesis en la que se basa el procedimiento de
contraste, y la que denominamos hiptesis alternativa (Ha) que es la hiptesis que
se acepta cuando se rechaza la nula y viceversa.
Obviamente, la nica forma de estar seguros de cual es la hiptesis correcta sera
investigar toda la poblacin, cosa que no es posible ya que, en general, estamos
trabajando con poblaciones infinitas.

Como disponemos de la informacin limitada que nos proporciona la muestra
podemos realizar decisiones errneas. Dos son los tipos de errores que podemos
cometer:
Error de tipo I: Rechazar H0 cuando es verdadera.
Error de tipo II: Aceptar H0 cuando es falsa.
A la probabilidad de cometer un error de tipo I la denominaremos nivel de
significacin y la denotaremos con .
A la probabilidad de cometer un error de tipo II la denotaremos con a su
complemento 1- lo denominamos potencia del contraste, y se define como la
probabilidad de rechazar cuando es falsa.

Determinar las hiptesis nula y alternativa, traduciendo hiptesis bsicas
de trabajo en hiptesis acerca de parmetros (o caractersticas) de una
distribucin de probabilidad asignada a la poblacin.
Fijar un nivel de significacin: Generalmente el 0.05 (5%) y 0.01 (1%).
Determinar cual es el estadgrafo de contraste y su distribucin muestral.
Determinar la regin crtica y la regin de aceptacin.
Seleccionar una muestra y calcular el valor experimental del estadgrafo de
contraste.
Tomar la decisin estadstica de acuerdo con el valor experimental
obtenido.
CONTRASTE PARA LA MEDIA DE UNA

POBLACIN NORMAL CON VARIANZA CONOCIDA
Supongamos que pertenecemos al consejo regulador de la denominacin
de origen de los vinos de Ribera de Duero. Sabemos que los vinos jvenes
de aos anteriores tienen un grado alcohlico medio de 12.5 grados, tal y
como aparece en la etiqueta.
Para el ao actual, el consejo, ha decidido cambiar algunos de los pasos
del proceso de fabricacin. El primer problema que se plantea es: Se ha
modificado el grado alcohlico al modificar el proceso de fabricacin?
El paso siguiente consiste en suponer un modelo de comportamiento
terico para la poblacin (a priori). Suponemos que la variable que
estamos midiendo en la poblacin a estudiar sigue una distribucin
normal.

Junto con la hiptesis nula planteamos la que denominamos hiptesis alternativa (Ha o
H1) que ser aceptada cuando se rechace la nula y viceversa. Por el momento tomaremos
la ms sencilla, la hiptesis de que la media es diferente de 12 que resultar en un
contraste bilateral.
Supongamos que la muestra ha sido seleccionada al azar de la poblacin y que se han

obtenido los resultados siguientes

Trabajaremos con la media muestral como estimador de la media poblacional

desconocida. En el ejemplo la media muestral es de 12,529, que como ya
sabemos no coincide con la media poblacional.
Intuitivamente, aceptaremos la hiptesis nula cuando la media muestral sea
prxima a 0 y la rechazaremos (aceptando la alternativa) cuando la media
muestral sea muy diferente de 0, es decir, utilizamos la media muestral como
estadstico, o estadgrafo, de contraste.
Nos queda por determinar cul es el criterio para decidir si la media muestral
est prxima o no al valor terico propuesto utilizando el concepto de riesgo
tipo I definido previamente. Fijamos el riesgo en 0.05.
Supondremos una varianza conocida. Para este caso, ser 0,52


Una vez que hemos determinado la forma general del contraste pasamos a
aplicarlo a los datos del problema inicial que nos ocupa.

Una vez que hemos tomado la decisin final, no sabemos si es correcta o

no, simplemente esperamos que sea del 95% de las muestras en las que
aceptamos la hiptesis correctamente.
Si aceptamos la hiptesis nula no quiere decir que sea cierta y el grado
medio sea exactamente de 12.5 grados (probablemente no lo es), sera
ms correcto interpretar que, con la informacin de la que disponemos
no hemos encontrado evidencia suficiente de que la media sea distinta
de 12.5.

Los contrastes unilaterales
En algunas situaciones concretas no estamos interesados en todos los posibles
valores de la hiptesis alternativa propuesta en un contraste bilateral.
Supongamos, por ejemplo, que en el caso prctico anterior sospechamos a priori
que la modificacin en el procedimiento de fabricacin produce un incremento
en el contenido alcohlico. En este caso sera conveniente modificar la hiptesis
alternativa.
El procedimiento de contraste es muy similar al anterior y se muestra en el
cuadro siguiente.


CONTRASTE DE MEDIA DE UNA

POBLACIN NORMAL CON VARIANZA DESCONOCIDA
En la mayor parte de las aplicaciones prcticas la varianza de la

distribucin es tambin desconocida y ha de ser estimada a partir de los
datos.
El problema es que ya no es posible seguir utilizando la distribucin
normal para el procedimiento de contraste.
El procedimiento de contraste en este caso es anlogo al anterior pero
sustituyendo la distribucin normal por la distribucin t.
Lo utilizaremos para muestras pequeas


En la prctica, la sustitucin de la distribucin normal por la

distribucin t de Student implica un aumento de la dispersin por lo
que es ms difcil detectar diferencias. Utilizaremos las correcciones
de Gosset a la Tabla Normal.
Para el ejemplo del grado alcohlico de los vinos de la
denominacin de origen de Ribera de Duero los resultados del
contraste bilateral se muestran:


Pero el problema es que no podemos trabajar con t de Student con muestras
grandes, as que debemos volver a estimar la media a travs de la Normal
DIFERENCIA DE MEDIAS DE DOS POBLACIONES

NORMALES CON DATOS INDEPENDIENTES
Pongmonos en el mismo supuesto que en el ejemplo que sirvi para
ilustrar el contraste para una poblacin, y supongamos que lo que
deseamos es conocer si los vinos de nuestra denominacin de origen
tienen el mismo contenido alcohlico que los de otra denominacin de
origen, por ejemplo la de Toro.
Formulamos a continuacin las hiptesis de trabajo en trminos de los
parmetros de los modelos. Las hiptesis nula y alternativa son ahora:
Vemos como el contraste de que las medias son iguales es equivalente al

contraste de que la diferencia de medias vale 0.

Supongamos que los datos obtenidos son:
Supongamos, para simplificar que las desviaciones tpicas son conocidas, por
ejemplo 1 = 0.5 y 2 = 0.6 para las denominaciones de Ribera de Duero y Toro
respectivamente.
Desarrollaremos el procedimiento general para despus aplicarlo a los datos de
los que disponemos.




Para el caso de varianzas desconocidas pero IGUALES:

Lo que da en nuestro ejemplo:

De nuevo, si tenemos muestras GRANDES, sustituiremos las tablas de

Student por las de la normal.
Para el caso de varianzas desconocidas pero DESIGUALES utilizamos la
aproximacin de Welch.
No la incluiremos por razones de tiempo pero es muy similar a las
anteriores.
CONTRASTE PARA LA DIFERENCIA DE

MEDIAS DE DOS POBLACIONES NORMALES
CON DATOS LIGADOS
En el caso de datos independientes, se dispone de dos conjuntos

distintos de individuos para cada una de las situaciones
experimentales que se quiere compara.
Una forma de controlar la variabilidad debida a los propios sujetos
consiste en aplicar todos los tratamientos en estudio a todos los
individuos de la muestra en dos ocasiones diferentes.
A este tipo de datos lo denominaremos datos apareados,
relacionados, o ligados y consisten en dos mediadas tomadas sobre el
mismo conjunto de individuos en dos ocasiones diferentes.

CON DATOS LIGADOS
Supongamos que deseamos saber si la presin sistlica de

personas alcohlicas se modifica cuando dejan el hbito de
beber, para ello se toma una muestra de 10 personas que
ingresan en el hospital para tratar su alcoholismo y se toma una
medida de la presin sistlica antes y despus de dos meses de
haber dejado de beber.
El experimento fue diseado de esta manera ya que aunque se
espera una reduccin en la presin sangunea, esta depende del
valor inicial en cada individuo.

CON DATOS LIGADOS
Los resultados obtenidos para la presin sistlica mediada en

milmetros de mercurio fueron los siguientes:
Como las variables estn relacionadas, todos los clculos que

realizamos en el caso de datos independientes ya no son vlidos.
Para evitar este problema nos centraremos en una sola variable
aleatoria que es la diferencia entre los dos valores obtenidos para
cada uno de los individuos estudiados que mide el efecto del
tratamiento aplicado.

CON DATOS LIGADOS
Tenemos ahora una nueva variable D que suponemos que tiene una
distribucin normal de media d desviacin tpica d.
La hiptesis de inters es ahora que, en promedio, el tratamiento
aplicado a los individuos es 0, es decir, d = 0. El contraste es ahora
exactamente igual que el descrito para la media de una poblacin
normal (ahora la poblacin de las diferencias.
Describimos a continuacin el contraste para muestras pequeas y
varianza desconocida para datos apareados. Llamaremos d, a la media
muestral de las diferencias y S d a la cuasi desviacin pica.

CON DATOS LIGADOS

CON DATOS LIGADOS
El resto de los contrastes se construye de la misma manera que en el caso
de una sola poblacin.
PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

Una vez vistas algunas estimaciones sobre la media,
pasaremos a estudiar los contrastes sobre proporciones.
Comenzaremos recordando conceptos ya vistos como Tamao
de muestra e Intervalos de Confianza

Tamao de muestra

Intervalo de confianza para proporciones

Intervalo de confianza para proporciones
Contraste de
hiptesis para
proporciones
Ejemplo de
unilateral
Contraste de
hiptesis para
proporciones
Se plantea de
modo similar al
contraste de
medias, utilizando
la proporcin a
contrastar como
hacamos con la
media muestral.
Aqu tenemos una
bilateral
EJERCICIOS (1)
Se comparan dos tipos de rosca de tornillo para ver su resistencia a la
tensin. Se prueban 50 piezas de cada tipo de cuerda bajo condiciones
similares, la marca A tuvo una resistencia promedio a la tensin de 78.3 Kg,
mientras que la marca B tuvo una resistencia promedio de 87.2 Kg.
Se sabe de antemano que las desviaciones poblacionales son de 6.5 Kg para
la marca A y 6.3 Kg para la B.
Determine el intervalo de confianza del 95% para la diferencia de las dos
medias poblacionales.
EJERCICIOS (2)
Una mquina produce piezas metlicas de forma cilndrica. Se toma una
muestra de piezas cuyos dimetros son: 1.01-0.97-1.03-1.04-0.99-0.98-0.991.01-1.03.
Encuentre un intervalo de confianza del 99% para el dimetro promedio de
piezas de esta mquina si se supone una distribucin aproximadamente
normal.
CONTROL DE CALIDAD
QUE ES UN PROCESO 6 SIGMA?
48
1) Introduccin a Calidad
Concepto de Control de Calidad:
"Tcnicas estadsticas para aumentar la calidad de los productos y
servicios que se consumen.
Generalmente estas tcnicas se han aplicado a procesos industriales,
pero pueden generalizarse a cualquier tipo de organizacin y dentro de
esta a todos sus mbitos.
Entendemos Calidad como: Propiedades deseables de un
determinado producto o servicio
49
A partir de ah podemos ver que la Calidad puede tener diferentes enfoques:
- Fiabilidad
- Funcionalidad
- Duracin
- Esttica
- Imagen
-
No obstante con estos enfoques el analizar la calidad es un proceso muy complejo
(infinidad de variables)
Frente a ello, surge el enfoque moderno de calidad:
LA CALIDAD DE UN PROCESO ES INVERSAMENTE PROPORCIONAL A LA
VARIABILIDAD DEL MISMO
50
Porqu la Calidad es tan importante?:
CALIDAD COMO OBJETIVO ES LA TOTAL SATISFACCION DEL CLIENTE
(CLIENTE
ES
TODO
AQUEL
QUE
COMPRA
NUESTROS
PRODUCTOS/SERVICIOS. PUDIENDO SER INTERNO O EXTERNO)
SATISFACCION ES LA PERCEPCION DEL CUMPLIMIENTO DE LOS
REQUISITOS DE FIABILIDAD, FUNCIONAMIENTO, PLAZOS Y COSTE DEL
PRODUCTO O SERVICIO.
51
En 1988 Motorola alcanz el prestigioso premio americano a la excelencia Malcom
Baldrige National Quality Award.
Una de las bases fundamentales de su estrategia de calidad fue el Programa Seis
Sigma. Este programa lo dise y dirigi Bill Smith con el pleno apoyo del CEO Bob
Galvin.
El objetivo de este programa fue reducir la variacin de los procesos hasta alcanzar
una fraccin defectuosa media de 3.4 ppm (partes por milln, s ha ledo bien, 3.4
defectos por cada milln de oportunidades).
52
Se define Seis Sigma como:
un proceso de negocio que permite a las empresas mejorar tremendamente su
cuenta de resultados mediante el diseo y seguimiento diario de las actividades
cotidianas de manera que se minimice el desperdicio a la vez que se maximiza la
satisfaccin del cliente.
Esta definicin liga la finalidad del beneficio financiero, propio de una organizacin
empresarial, con el medio para conseguirla (reduccin del desperdicio y aumento de
la satisfaccin del cliente).
53
Si el proceso sigue una funcin de distribucin de probabilidad normal
(nuestra vieja amiga la campana de Gauss) y el intervalo de tolerancia
fuera igual a 12s (seis desviaciones tpicas a cada lado del valor
nominal), entonces la fraccin defectuosa de un proceso centrado
sera 0.002 ppm. En esta caso, se dira que el proceso tiene un nivel de
calidad 6s.
Si la amplitud fuera de cinco desviaciones tpicas, el nivel de calidad
sera de 5s, y as sucesivamente.
54
Pero cunto significa el nivel sigma en trminos prcticos? Veamos algunos
ejemplos:
55
56
57
CAUSAS DE VARIABILIDAD:
Parece razonable entonces estudiar cuales son esas causas de variabilidad. As
podemos distinguir entres dos tipos de causas de variabilidad:
- Causas no Asignables: Todo proceso de produccin es una v.a. y por lo tanto
tiene una variabilidad, resultado de la accin conjunta de muchos factores, por lo
que no se le puede asignar una causa nica. Esta variabilidad es aparentemente
estable y homogneaPor ejemplo: variabilidad del estado de nimo de un
operario en una cadena, precisin de mquinas,... En este caso es muy difcil
reducir los efectos..
- Causas Asignables: Provocan cambios o efectos previsibles. En este caso el
efecto sobre el producto es previsible y provoca una variabilidad grande. Por
ejemplo: avera de la mquina que impermeabiliza un determinado material,
materia prima defectuosa, etc. En este caso los defectos desaparecen al
desaparecer la causa
58
PROCESO BAJO CONTROL:
El proceso estar bajo control cuando se han eliminado todas las causas
asignables, de forma que la variabilidad slo obedece a causas no asignables
(variabilidad estable y homognea). Cuando el proceso productivo est bajo
control, la variabilidad ser constante a lo largo del tiempo, producindose
entonces una tasa de defectuosos tambin constante a lo largo del tiempo.
Sin embargo la tasa de defectuosos se vuelve impredecible. Si hay alguna
causa asignable:
- Aumenta la variabilidad (ya no est controlada)
- Puede cambiar la media de errores observada anteriormente
59
Luego para realizar control de calidad en un proceso debo:
1) Identificar aquellas variables clave en el proceso a analizar
2) Estudiar estas variables identificando causas asignables de variabilidad
3) Controlar el proceso analizando la variabilidad y observar que el proceso
est bajo control.
4) Analizar las causas no asignables con el fin de reducir la variabilidad del
proceso.
60
2) Capacidad de un proceso. Proceso 6

Sigma
Clave de 6 Sigma:
Se deja de actuar sobre los artculos defectuosos para pasar a actuar
sobre los procesos defectuosos (Jack Welch)
La sigma es una unidad de medida estadstica que mide la
capacidad del proceso.
La escala de sigma se correlaciona perfectamente con
caractersticas tales como defectos_por_unidad, partes_por_milln
defectuosas o probabilidad de error.
61
Un ejemplo
Cuando el proceso de formacin de una cadena de autoescuelas se
encuentra bajo control, el 15% de los alumnos aprueban el carnet en
menos de un ao, pero si el proceso se encuentra fuera de control,
La tasa de fracaso asciende al 30%.
La probabilidad de que el proceso se encuentre bajo control es 0.92.
Si se escoge aleatoriamente un alumno y ste resulta no aprobar en
el primer ao, cul es la probabilidad de que el proceso de
formacin se encuentre bajo control?
62
Un ejemplo
63
2) Capacidad de un proceso. Proceso 6 Sigma

Si la variable sobre la que se analiza la calidad se distribuye como una normal,
entonces:
capacidad del
proceso
2
3
4
5
6
defectos por milln

de oportunidades
308.538
66.807
6.210
233
3,4
PPM
PPM
PPM
PPM
PPM
64

Hay dos factores clave para poder realizar el QC:
1) Comprobar que mi variable se distribuye de manera
Normal o en su defecto puedo aproximar.
2) La variabilidad permanece constante en todo el proceso, es decir,
NO EXISTEN CAUSAS ASIGNABLES.
65

LIMITES DE TOLERANCIA:
Ms all de la capacidad del proceso habr unos valores lmites de mi
variable entre los cuales mi cliente aceptar el producto/servicio y
fuera de los cuales estos no sern aceptados, a esto los llamaremos
Lmites de Tolerancia. As tendremos dos lmites de tolerancia:
LTS: Lmite de Tolerancia Superior, mi cliente no aceptar el
producto/servicio si el valor est por encima
LTI: Lmite de Tolerancia Inferior, mi cliente no aceptar el
producto/servicio si el valor est por debajo
66

LIMITES DE TOLERANCIA Y 6SIGMA:
Dados los lmites tolerancia que establece mi cliente
(arbitrariamente) y un proceso bajo control que se
caracteriza por una variabilidad 6 SIGMA. Podemos
comparar;
LTS-LTI
arbitrario
Vs
6
Caract. del
proceso
67

INDICE DE TOLERANCIA Y 6SIGMA:
A partir de ambos valores podemos calcular el ndice de capacidad de un
proceso:
Pudiendo Resultar:
IC>1
IC1
IC<1
68

INDICE DE TOLERANCIA Y 6 SIGMA:
IC<1, luego: LTS-LTI< 6
El proceso fabricar ms defectuosos cuanto menor sea su IC, si esto

se da en muchos casos el producto no satisfar las especificaciones
requeridas. Entonces habr que actuar sobre el proceso para intentar
bajar su variabilidad no asignable (cambios en el proceso de
produccin).
69

IC1, luego: LTS-LTI 6
En este caso el proceso fabricar aproximadamente un 0,3% de

defectuosos. Depender de que sea lo que se produce para que este
valor sea aceptable (p.ej: no es igual ese IC en tornillera para muebles,
como en la produccin de frenos de Seat Ibiza).
70

IC>1, luego: LTS-LTI > 6
En este caso el proceso es ptimo apenas produce

elementos defectuosos.
71
Ejercicios: Ejemplo
La capacidad del proceso para la correccin automatizada de exmenes tipo test
en una Universidad es de 4 segundos. As el tiempo medio para esta
correccin es de 200 segundos. La unidad de gestin acadmica considera
como aceptables aquellos que no se alejen de la media en ms/menos dos
segundos.
Calcular e interpretar el ndice de Capacidad
Qu porcentaje de trmites esperamos que sean defectuosos si el proceso
est bajo control?
72

DETERMINACIN DE LA CAPACIDAD DE UN PROCESO:
Determinar la capacidad de un proceso, va a equivaler a determinar 6s o s , pero
para que dicha determinacin sea correcta ser necesario que existan condiciones
normales, es decir que el proceso est bajo control (no existen causas asignables).
Para determinar la capacidad de un proceso en primer lugar habr de tomar k
muestras, toda ellas de tamao igual, siendo tomadas las muestras a intervalos
regulares (cada 8 horas, cada da, cada mes,)
X1
S12 R1
X2
2
2
S R2
Xk
S k2 Rk
73

DETERMINACIN DE LA CAPACIDAD DE UN PROCESO:
Adems sobre esta muestras calcularemos, la Gran media y la Gran
Varianza o el Gran Rango
1
X
n*k
i 1
j 1
X ij
n
1
s
( n * k ) 1 i 1
2
j 1
( X ij X ) 2
En principio las medias y las varianzas (o rangos) de cada muestra, habrn de

ser parejas entre si, s efectivamente el proceso est bajo control. Para
comprobarlo utilizaremos procedimientos grficos de control.
74

CONTROL DE VARIABLES Y CONTROL DE ATRIBUTOS:
Segn sea la variable objeto de anlisis y para la cual quiero estudiar su
variabilidad, as ser el tipo de control (elementos que debamos vigilar), o de
grficos de control que se realizarn. As las variables que vamos a analizar
en este curso pueden ser:
- Cuantitativas Contnuas: Estudio de la variable como caracterstica medible:
Control de Variables
- Cualitativas: Se analiza si se da o no un determinado atributo (Proporcin
de elementos con atributo): Control por atributos
El control por variables ser ms preciso lento y caro, mientras que el control
por atributos ser ms rpido, barato, pero con prdida de informacin.
75
3) Control por Variables

GRFICOS DE CONTROL:
Para comprobar la estabilidad de mi variable, ya sea control por variables o control por
atributos, voy a dotarme de unas herramientas grficas que me permitan observar si mi
variable est bajo control.
A travs de estos grficos, voy a estudiar las caractersticas de calidad de mi
producto o servicio, que han sido observadas a partir de nuestras recogidas a lo
largo del tiempo. Estos grficos se van a componer de:
a) Lnea Central, que representa el valor medio de la medida de calidad,
cuando el proceso est bajo control
b) Dos lneas paralelas a la central elegidas de manera, que si el proceso
est bajo control, casi todas las observaciones estarn entre ambos
lmites
c) Los puntos observados en el tiempo, que los unir mediante una lnea
para observar la secuencia temporal
76

EJEMPLO GRFICO DE CONTROL:
En principio, las observaciones estarn entre ambos lmites, en este caso el proceso estar bajo
control y no deber hacer nada. Si un punto se sale de los lmites, (o bien si aun estando
dentro de los lmites veo que existe algo no aleatorio en el grfico: comportamiento
sistemtico, cclico,...), lo interpretar como que el proceso est fuera de control (existen
causas asignables), por lo que tendr que investigar las causas y corregir el proceso
77

GRFICOS DE CONTROL PARA VARIABLES:
En el caso de Control de variables cuantitativas, voy a necesitar dos grficos,
- GRAFICO DE MEDIAS: para comprobar que mi variable es homognea en media
- GRFICO DE DISPERSIN: Para estudiar si la variable permanece estable en cuanto a
su dispersin. Para analizar la dispersin podremos fijarnos:
- En la desviacin tpica del proceso: Grfico de Desv. Tpicas
- En el rango: Grfico de Rangos
78

TABLAS DE CONTROL DE CALIDAD
79

GRFICOS DE CONTROL PARA MEDIAS:
tamao muestral n:
Se toman k muestras a intervalos regulares de idntico
80

GRFICOS DE CONTROL PARA MEDIAS:
Grfico X-bar para GROSOR
X-bar
(X 0,001)
70
UCL = 0,07
67
CTR = 0,06
64
LCL = 0,05
61
58
55
52
0
12
16
20
Subgrupo
81

GRFICOS DE CONTROL PARA VARIABILIDAD:
Una vez comprobado que el proceso est bajo control en media, hay que comprobar
que la dispersin permanece constante. Esto lo podremos analizar o bien en los grficos
de desviaciones tpicas o grficos de rangos. En cualquier caso debemos calcular los
lmites de control para estas dispersiones.
Lmites de control para desviaciones:
82

GRFICOS DE CONTROL PARA VARIABILIDAD:
Lmites de control para rangos:
Como lo habitual ser no conocer , lo estimaremos por

Obraremos de igual manera que en medias y si en los grficos de rangos o de dispersiones
encontramos observaciones fuera de los lmites, sacaremos esa muestra y RECALCULAREMOS
TODO!!
83

EJEMPLO GRFICOS DE CONTROL PARA VARIABILIDAD: Grafico de Desviaciones:
Grfico S para GROSOR

(X 0,001)
15
UCL = 0,01
CTR = 0,01
12
LCL = 0,00
9
6
3
0
0
12
16
20
Subgrupo
84

EJEMPLO GRFICOS DE CONTROL PARA VARIABILIDAD: Grafico de
Rangos
Grfico de Rango para GROSOR
Rango
0,03
UCL = 0,03
0,025
CTR = 0,01
0,02
LCL = 0,00
0,015
0,01
0,005
0
0
12
16
20
Subgrupo
85
Ejercicios Control de Calidad. Clase

Una fbrica elabora
planchas de madera para
tapas de mesas, las cuales
deben cumplir ciertas
especificaciones de
tamao.
Para garantizar que se
cumplan estos estndares
de calidad, se recolecta K=
24 muestras (subgrupos)
de tamao n = 6, y mide
su largo. Los resultados
aparecen en la siguiente
tabla:
N de muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
14,5
15,4
16,5
14,8
15,7
15,9
15,2
14,5
15,6
16,5
14,5
17,1
18,5
17,2
19,2
18,4
14,2
16,2
17,2
16,8
15,9
15,0
16,8
18,9
15,9
15,2
15,9
16,8
14,5
15,4
14,2
14,8
15,7
16,8
15,8
15,8
15,9
15,7
15,7
16,8
16,9
17,2
17,6
14,5
17,9
18,0
18,9
17,9
Medias muestrales
15,7
16,3
15,9
15,2
14,8
16,2
15,5
15,2
16,9
14,2
17,1
14,8
18,5
15,8
17,2
16,2
19,2
16,1
18,4
14,8
14,2
14,5
16,2
15,4
17,2
14,2
16,8
14,8
15,9
15,7
15,0
16,8
16,8
15,8
18,9
15,8
18,7
15,9
19,8
15,7
18,7
15,7
18,2
16,8
20,0
16,9
17,4
17,5
14,5
14,5
16,5
15,2
14,5
16,8
15,9
15,0
16,8
18,9
18,7
15,7
15,9
14,8
15,5
16,9
17,1
18,5
17,2
18,2
18,4
14,2
16,2
17,2
16,2
14,5
16,2
14,2
15,2
14,8
15,7
16,8
15,9
16,1
16,3
16,2
14,7
14,9
14,8
14,7
15,4
18,9
16,0
18,7
17,5
17,8
18,5
16,5
86

a) Calcular el rango promedio
b) Calcular el lmite superior de control para el rango
c) Calcular el lmite inferior de control para el rango
d) Elaborar la grfica R.
e) Calcular X
f) Calcular el lmite superior de control para las medias
g) Calcular el lmite inferior de control para las medias
h) Elaborar la grfica X.
87
88

Para calcular Lmites de rangos
Lmite superior de control para el rango
LSCR=D4R
Lmite inferior de control para el rango
LICR=D3R
Los D4 y D3 se toman de la tabla de factores crticos de las grficas de
control de acuerdo al tamao n de la muestra y el rango promedio de
los rangos muestrales
89

Para calcular Lmites de Medias
Se tiene entonces:
Lmite superior de control para las medias
LSCX=X+A2R
Lmite inferior de control para las medias
LICX=X-A2R
Donde:
Siendo k = nmero de muestras
90

Solucin:
a) Calculando el rango promedio se tiene:
b) lmite superior de control para el rango
tabla para n = 6 se obtiene D4=2,004
Calculando el lmite superior se obtiene:
LSCR=D4R=2,0043,146=6,3
c) Calcular el lmite inferior de control para el rango
tabla para n = 6 se obtiene D3=0
Calculando el lmite inferior se obtiene:
LICR=D3R=03,146=0
91

Solucin:
d)
92

Solucin:
e) Calculando x se obtiene:
f) Con lectura en la tabla para n = 6 se obtiene A2=0,483

Calculando el lmite superior se obtiene:
LSCX=X+A2R=16,314+0,4833,146=17,83
g) Calculando el lmite inferior se obtiene:

LICX=X-A2R=16,314-0,4833,146=14,79
93
94

ESTIMACIN DE LA CAPACIDAD DEL PROCESO
Una vez que el proceso est bajo control, y comprobamos que todas las muestras estn
dentro de los lmites, tanto en media como en dispersin. Pasamos a estimar la capacidad
del proceso que es 6s . Y como no conoceremos s, tendremos que estimarlo por doble va,
segn tenga datos de rango o de desviaciones tpicas.
Si conociramos los lmites de tolerancia de nuestro cliente podramos calcular tambin el

IC
95
4) Control por Atributos

GRFICOS DE CONTROL PARA ATRIBUTOS:
En muchas ocasiones no se dispone de recursos suficientes, ya sean temporales o
econmicos para hacer un estudio detallado de la variable atendiendo a su valor.
Mientras que si realiza el estudio atendiendo solamente a que cumpla unas
caractersticas determinadas, el esfuerzo y por consiguiente el coste baja
notoriamente. El control de calidad por atributos, se basa en clasificar la variable
como aceptable o no.
Por consiguiente el control por atributos es:
- Ms rpido - Ms simple (usa un solo grfico de control)
- Ms econmico - Menos eficiente (menor precisin)
Al igual que en el control por variables, vaya tomar k muestras de tamao n. En
este caso, al estudiar tan solo la clasificacin como aceptable o no aceptable, mis
muestras habrn de ser de mayor tamao para que el estudio sea robusto.
96

En este caso, la capacidad del proceso va a venir dada por la proporcin de
elementos no defectuoso (l- p) cuando el proceso est bajo control.
As un proceso estar bajo control, es decir no existirn causas asignables,
cuando la proporcin de defectuosos sea estable a largo plazo. Si aparecieran
causas asignables en mi proceso, la tasa de defectuosos dejara de comportarse
de manera estable y empezara a 'bailar',
Sea X una variable aleatoria que representa el nmero de elementos
defectuosos al tomar una muestra de tamao n.
En este caso mi variable X se distribuye como una Binomial (n,p).
97

Para observar si el proceso est bajo control habremos de usar el grafico de control y seguir los
siguientes pasos:
1) Tomamos k muestras a intervalos regulares de tamao n idntico. Por lo general k>25 y n>50. Y
calculamos la prop de defectuosos en cada muestra:
r1,r2,,,rk
2) Estimamos la prop. de defectuosos global a partir de los datos muestrales
3) Comprobamos que las k muestras son homogeneas respecto a ese valor de p, es decir estn
contenidas en el intervalo
98

EJEMPLO GRFICOS DE CONTROL PARA ATRIBUTOS:
99

ESTIMACIN DE LA CAPACIDAD:
Una vez que el proceso esta bajo control, determinaremos la capacidad del proceso,
de igual forma que lo hicimos en el control por variables.
Capacidad
6 6
pq
n
100
Ejemplo
Un proceso de emisin de nminas de una empresa de 1.000
empleados. En cada nmina se pueden cometer errores en la
introduccin de los siguientes datos:
Nmero de das de baja
Nmero de horas extras.
Importe de la prima.
Es decir, hay tres oportunidades de error por cada nmina. Si los
trabajadores perciben 14 pagas al ao, el nmero de nminas emitidas
en un ao es:
Nminas emitidas (unidades inspeccionadas) = 14x1.000 = 14.000
101
Ejemplo
Si en el ao se detectaron 30 reclamaciones de los trabajadores:
dpu = 30/14.000 = 0.002143 errores /nmina = 2.143 errores / milln de
nminas
las oportunidades de error por cada nmina son 3, luego las oportunidades
totales son:
Oportunidades de error = 3x14x1.000 = 42.000 oportunidades
luego:
dpo = 30/42.000 = 0,000714 errores /oportunidad
dpmo =106 dpo = 714 errores / milln oportunidades
Como el nmero de errores contabilizado corresponde a un periodo amplio de
tiempo en el que han podido estar presentes mltiples causas de fallo, se asume
largo plazo, se obtiene un nivel sigma de 4.7.
102
Ejemplo
Pero qu ocurre si se cambia de criterio en cuanto al nmero de oportunidades
de defecto por nmina incluyendo hipotticos errores que no se han dado
nunca?
Supongamos que se consideran ahora 30 errores por nmina. El clculo queda:
Oportunidades de error = 30x14x1.000 = 420.000 oportunidades
dpo = 30/420.000 = 0,0000714 errores /oportunidad
dpmo =106 dpo = 71,4 errores / milln oportunidades
103
Ejercicio
Un proceso de una fbrica de juguetes produce tornillos de madera. Para
que dicho tornillo pueda ser insertado e la correspondiente pieza es
necesario controlar su dimetro. Para realizar los grficos de control
necesarios se toman 20 muestras de 4 elementos.
La siguiente tabla muestra los dimetros de cada tornillo as como la
media de cada muestra y su rango. Se sabe que el dimetro de los
tornillos se distribuye como una normal.
a) Calcular los lmites de control para la media y el rango
b) Si los lmites de tolerancia son 20 y 30. Calcular e interpretar el ndice de
capacidad.
104
Ejercicio
105
Pruebas NO Paramtricas
Chi Cuadrado
Como ya se ha visto varias veces, los resultados obtenidos de muestras no siempre
concuerdan exactamente con los resultados tericos esperados, segn las reglas de
probabilidad. Por ejemplo, aunque consideraciones tericas conduzcan a esperar 50
caras y 50 cruces cuando se lanza 100 veces una moneda bien hecha, es raro que se
obtengan exactamente estos resultados.
Supngase que en una determinada muestra se observan una serie de posibles sucesos
E1, E2, E3, . . . , EK, que ocurren con frecuencias o1, o2, o3, . . ., oK, llamadas frecuencias
observadas y que, segn las reglas de probabilidad, se espera que ocurran con
frecuencias e1, e2, e3, . . . ,eK llamadas frecuencias tericas o esperadas.
A menudo se desea saber si las frecuencias observadas difieren significativamente de
las frecuencias esperadas. Para el caso en que solamente son posibles dos sucesos E1 y
E2 como, por ejemplo, caras o cruces, defectuoso, etc., el problema queda resuelto
satisfactoriamente con los mtodos de las unidades anteriores.
Chi Cuadrado
Puede usarse para probar la existencia de una diferencia significativa
entre un nmero observado de objetos o respuesta de cada categora
y un nmero esperado, basado en la hiptesis de nulidad.
Importante, esta prueba nos indica si existe o no relacin entre las
variables, pero no indica el grado o el tipo de relacin: es decir, no
indica el porcentaje de influencia de una variable sobre la otra o la
variable que causa la influencia
Chi Cuadrado
Como ya se ha visto varias veces, los resultados obtenidos de muestras no siempre
concuerdan exactamente con los resultados tericos esperados, segn las reglas de
probabilidad. Por ejemplo, aunque consideraciones tericas conduzcan a esperar 50 caras y
50 cruces cuando se lanza 100 veces una moneda bien hecha, es raro que se obtengan
exactamente estos resultados.
Supngase que en una determinada muestra se observan una serie de posibles sucesos E1,
E2, E3, . . . , EK, que ocurren con frecuencias o1, o2, o3, . . ., oK, llamadas frecuencias
observadas y que, segn las reglas de probabilidad, se espera que ocurran con frecuencias
e1, e2, e3, . . . ,eK llamadas frecuencias tericas o esperadas.
A menudo se desea saber si las frecuencias observadas difieren significativamente de las

frecuencias esperadas. Para el caso en que solamente son posibles dos sucesos E1 y E2 como,
por ejemplo, caras o cruces, defectuoso, etc., el problema queda resuelto satisfactoriamente
con los mtodos de las unidades anteriores.
Chi Cuadrado
Puede usarse para probar la existencia de una diferencia
significativa entre un nmero observado de objetos o respuesta
de cada categora y un nmero esperado, basado en la hiptesis
de nulidad.
Importante, esta prueba nos indica si existe o no relacin entre
las variables, pero no indica el grado o el tipo de relacin: es
decir, no indica el porcentaje de influencia de una variable sobre
la otra o la variable que causa la influencia.
Chi Cuadrado
Cuanto mayor sea el valor de chi cuadrado, menos verosmil es que la
hiptesis propuesta sea correcta. De la misma forma, cuanto ms se
aproxima a cero el valor de chi-cuadrado, ms ajustadas estn ambas
distribuciones.
Si la tabla creada para estudiar las distribuciones tiene ms de dos
columnas, hay que aadir un factor de correccin al que llamaremos
grado de libertad, que viene dado por la expresin:
Grado de libertad = (r-1) (k-1), donde r es el nmero de filas y k el de
columnas.
Chi Cuadrado
Una medida de la discrepancia existente entre las frecuencias observadas y
esperadas es suministrada por el estadstico X2, dado por:
donde si el total de frecuencias es

N,
Chi Cuadrado
La siguiente tabla muestra las frecuencias observadas al
lanzar un dado 120 veces. Ensayar la hiptesis de que el
dado est bien hecho al nivel de significacin del 0.05.
Ensayo de Hiptesis:
Cara
Frecuencia
Observada
25
17
15
23
24
16
Ho; Las frecuencias observadas y esperadas son significativamente iguales

(dado bien hecho)
H1; Las frecuencias observadas y esperadas son diferentes (dado cargado).
Chi Cuadrado
Primero se procede a calcular los valores esperados. Como es bien
sabido por todos la probabilidad de que caiga cualquier nmero en
un dado no cargado es de 1/6. Como la suma de los valores
observados es de 120, se multiplica este valor por 1/6 dando un
resultado de 20 para cada clasificacin.
1
Tota
l
Frecuencia
Observada
25
17
15
23
24
16
120
Frecuencia
esperada
20
20
20
20
20
20
Cara
Grados de libertad = 5
Chi Cuadrado
Probabilidad conforme H0 de que x > chi cuadrado
Grados
libertad
0,1
0,05
0,025
0,01
0,005
1
2
3
4
5
6
7
8
9
10
2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
115
Chi Cuadrado
Regla de decisin:
Si X2R 11.1 no se rechaza Ho.
Si X2R >11.1 se rechaza Ho
Justificacin y decisin:
Como 5 es menor a 11.1 no se rechaza Ho y se concluye con una significacin de
0.05 que el dado est bien hecho.
Chi Cuadrado
Correccin de Yates
La correccin de Yates se aplica cuando al menos el valor de una frecuencia esperada
es menor que 5.
En general, se aplica la correccin de Yates cuando aproximamos una variable discreta
a una distribucin continua. La correccin consiste en aadir y substraer 0,5 a la
variable en cuestin.
Por ejemplo, obtener 3 caras al lanzar una moneda es una medida discreta (nominal)
que se ajusta a la distribucin binomial. Mientras que si la aproximramos a la
distribucin normal, su valor oscilar entre 2,5 y 3,5.
Chi Cuadrado (1)

En los experimentos de Mendel con guisantes, observ 315 lisos y amarillos, 108
lisos y verdes, 101 rugosos y amarillos y 32 rugosos y verdes.
De acuerdo con su teora, estos nmeros deberan presentarse en la proporcin
9:3:3:1. Hay alguna evidencia que permita dudar de su teora al nivel de
significacin del 0.01?
Ensayo de Hiptesis:
Ho; La teora de Mendel es acertada.
H1; La teora de Mendel no es correcta.
Chi Cuadrado (2)

Una encuesta sobre 320 familias con 5 nios dio la distribucin que aparece en la
siguiente tabla. Es el resultado consistente con la hiptesis de que el nacimiento
de varn y hembra son igualmente posibles?
Use = 0.05.
Chi Cuadrado (2)

Solucin:
Ensayo de hiptesis:
H0; El nacimiento de nios y nias es igualmente probable.
H1; El nacimiento de nios y nias no es igualmente probable.
Este experimento tiene un comportamiento binomial, puesto que se tienen dos
posibles resultados y la probabilidad de xito se mantiene constante en todo el
experimento.
Se le llamar xito al nacimiento de un varn o nio. Por lo que la variable
aleatoria "x" tomar valores desde 0 hasta 5.
Como se quiere ver si es igualmente probable el nacimiento de nios y nias, la
probabilidad de xito ser de 0.5.

Capacitación Capítulo 7 y 8 Alumnos (Modo de Compatibilidad)

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capacitación Capítulo 7 y 8 Alumnos (Modo de Compatibilidad)

Cargado por

Copyright:

Formatos disponibles

Estadstica

INTERVALOS DE CONFIANZA PARA LA MEDIA

INTERVALOS DE CONFIANZA PARA LA MEDIA

INTERVALOS DE CONFIANZA PARA LA MEDIA

Luego, el intervalo de confianza para es (13,2 , 15,8). Es decir, el puntaje promedio

INTERVALOS DE CONFIANZA PARA LA MEDIA

INTERVALOS DE CONFIANZA PARA LA MEDIA

CONCEPTOS GENERALES DE CONTRASTE

CONCEPTOS GENERALES DE CONTRASTE

CONCEPTOS GENERALES DE CONTRASTE

CONCEPTOS GENERALES DE CONTRASTE

CONTRASTE PARA LA MEDIA DE UNA

CONTRASTE PARA LA MEDIA DE UNA

Supongamos que la muestra ha sido seleccionada al azar de la poblacin y que se han

CONTRASTE PARA LA MEDIA DE UNA

Trabajaremos con la media muestral como estimador de la media poblacional

CONTRASTE PARA LA MEDIA DE UNA

CONTRASTE PARA LA MEDIA DE UNA

CONTRASTE PARA LA MEDIA DE UNA

Una vez que hemos tomado la decisin final, no sabemos si es correcta o

CONTRASTE PARA LA MEDIA DE UNA

CONTRASTE PARA LA MEDIA DE UNA

CONTRASTE PARA LA MEDIA DE UNA

CONTRASTE DE MEDIA DE UNA

En la mayor parte de las aplicaciones prcticas la varianza de la

CONTRASTE DE MEDIA DE UNA

CONTRASTE DE MEDIA DE UNA

En la prctica, la sustitucin de la distribucin normal por la

CONTRASTE DE MEDIA DE UNA

CONTRASTE DE MEDIA DE UNA

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

Vemos como el contraste de que las medias son iguales es equivalente al

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

Supongamos que los datos obtenidos son:

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

DIFERENCIA DE MEDIAS DE DOS POBLACIONES

De nuevo, si tenemos muestras GRANDES, sustituiremos las tablas de

CONTRASTE PARA LA DIFERENCIA DE

En el caso de datos independientes, se dispone de dos conjuntos

CONTRASTE PARA LA DIFERENCIA DE

Supongamos que deseamos saber si la presin sistlica de

CONTRASTE PARA LA DIFERENCIA DE

Los resultados obtenidos para la presin sistlica mediada en

Como las variables estn relacionadas, todos los clculos que

CONTRASTE PARA LA DIFERENCIA DE

CONTRASTE PARA LA DIFERENCIA DE

CONTRASTE PARA LA DIFERENCIA DE

PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

PROPORCIONES: ESTIMACIN Y CONTRASTE DE HIPTESIS

2) Capacidad de un proceso. Proceso 6

2) Capacidad de un proceso. Proceso 6 Sigma

defectos por milln

2) Capacidad de un proceso. Proceso 6 Sigma

2) Capacidad de un proceso. Proceso 6 Sigma

2) Capacidad de un proceso. Proceso 6 Sigma