Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Jos M. Lavn
Intervalos de Confianza
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).
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, 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.
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.
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
1) Introduccin a Calidad
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
1) Introduccin a Calidad
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
1) Introduccin a Calidad
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
1) Introduccin a Calidad
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
1) Introduccin a Calidad
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
1) Introduccin a Calidad
Pero cunto significa el nivel sigma en trminos prcticos? Veamos algunos
ejemplos:
55
1) Introduccin a Calidad
56
1) Introduccin a Calidad
57
1) Introduccin a Calidad
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
1) Introduccin a Calidad
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
1) Introduccin a Calidad
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
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
capacidad del
proceso
2
3
4
5
6
PPM
PPM
PPM
PPM
PPM
64
65
66
LTS-LTI
arbitrario
Vs
6
Caract. del
proceso
67
Pudiendo Resultar:
IC>1
IC1
IC<1
68
69
70
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
X1
S12 R1
X2
2
2
S R2
Xk
S k2 Rk
73
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
74
75
76
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
78
79
80
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
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
83
UCL = 0,01
CTR = 0,01
12
LCL = 0,00
9
6
3
0
0
12
16
20
Subgrupo
84
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
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
87
88
89
Donde:
Siendo k = nmero de muestras
90
92
93
94
96
97
3) Comprobamos que las k muestras son homogeneas respecto a ese valor de p, es decir estn
contenidas en el intervalo
98
99
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.
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:
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
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.