GRUPO 2

MUESTREO Y DISEO DE
EXPERIMENTOS

CONTENIDO
Introduccin
DISEO DE EXPERIMENTOS
Inconsistencia de los datos
1. Variables con fuerte correlacin:
2. El rango de las variables controladas es limitado:
Tipos de variabilidad
Variabilidad sistemtica y planificada
Variabilidad tpica

de

la naturaleza

del

problema y

del

experimento
Variabilidad sistemtica y no planificada
Planificacin de un experimento
1. Definir los objetivos del experimento
2. Identificar todas las posibles fuentes de variacin
a. Factores y sus niveles.
b. Unidades experimentales.
c. Factores nuisance: bloques, factores ruido y covariables.
-

Factor bloque

Co-variable

Ruido

3. Elegir una regla de asignacin de las unidades

experimentales a las

condiciones de estudio (tratamientos).

4. Especificar las medidas que se realizarn (la respuesta), el procedimiento
experimental y anticiparse a las posibles dificultades.
5. Ejecutar un experimento piloto.
6. Especificar el modelo.
7. Esquematizar los pasos del anlisis estadstico.
8. Determinar el tamao Muestral
9. Revisar las decisiones anteriores. Modificar si es necesario.
Resumen
Principios bsicos en el diseo de experimentos
- Aleatorizar
- Bloquear

Algunos diseos experimentales clsicos

Diseo completamente aleatorizado

Diseo en bloques o con un factor bloque
Diseos con dos o ms factores bloque
Diseos con dos o ms factores
Diseos factoriales a dos niveles
MUESTREO DE ACEPTACIN
PARA ENJUICIAR UN LOTE SE TIENEN TRES ALTERNATIVAS INSPECCIN AL
100%
CERO INSPECCIN
MUESTREO DE ACEPTACIN
VENTAJAS Y DESVENTAJAS DEL MUESTREO DE ACEPTACIN
-

VENTAJAS RESPECTO AL 100%

DESVENTAJAS

TIPOS DE PLANES DEL MUESTREO DE ACEPTACIN

PLANES POR VARIABLES
PLANES POR ATRIBUTOS
PLANES DE MUESTREO POR ATRIBUTOS
-

PLAN DE MUESTREO SIMPLE

PLAN DE MUESTREO DOBLE
PLAN DE MUESTREO MLTIPLE

FORMACIN DEL LOTE Y SELECCIN DE LA MUESTRA

PRINCIPALES NDICES DE CALIDAD
DISEO DE PLANES DE MUESTREO
PLANES DE MUESTREO DODGE-ROMING
MUESTREO DE ACEPTACIN POR VARIABLES
-

VENTAJAS

DESVENTAJAS

TIPOS DE PLANES DE MUESTREO POR VARIABLES:

CUANDO APLICAR MUESTREO DE ACEPTACIN

EXPERIMENTO
Muestreo
Poblacin
Una muestra
a. Muestras probabilsticas
-

Muestreo al azar simple

Muestra estratificada al azar:

Muestreo en racimo:

b. Muestras no Probabilsticas (muestras dirigidas)

-

Muestras accidentales

Muestras por cuota:

Muestras intencionadas

Introduccin
Los modelos de Diseo de experimentos son modelos estadsticos clsicos cuyo
objetivo es averiguar si unos determinados factores influyen en la variable de inters y,
si existe influencia de algn factor, cuantificarla.
La metodologa del diseo de experimentos se basa en la experimentacin. Es conocido
que si se repite un experimento, en condiciones indistinguibles, los resultados
presentan variabilidad que puede ser grande o pequea. Si la experimentacin se
realiza en un laboratorio donde la mayora de las causas de variabilidad estn muy
controladas, el error experimental ser pequeo y habr poca variacin en los resultados
del experimento. Pero si se experimenta en procesos industriales, administrativos, la
variabilidad es grande en la mayora de los casos.
El objetivo del diseo de experimentos es estudiar si utilizar un determinado tratamiento
produce una mejora en el proceso o no. Para ello se debe experimentar utilizando el
tratamiento y no utilizndolo. Si la variabilidad experimental es grande, slo se detectar
la influencia del uso del tratamiento cuando ste produzca grandes cambios en relacin
con el error de observacin.
La metodologa del Diseo de Experimentos estudia cmo variar las condiciones
habituales de realizacin de un proceso emprico para aumentar la probabilidad de
detectar cambios significativos en la respuesta, de esta forma se obtiene un mayor
conocimiento del comportamiento del proceso de inters.
DISEO DE EXPERIMENTOS
Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
inters y, si existe influencia de algn factor, cuantificar dicha influencia.
Unos ejemplos donde habra que utilizar estos modelos son los siguientes:
En el rendimiento de un determinado tipo de mquina (unidades producidas
por da): se desea estudiar la influencia del trabajador que la maneja y la
marca de la mquina.
Se quiere estudiar la influencia de un tipo de pila elctrica y de la marca, en
la duracin de las pilas.

 Una compaa telefnica est interesada en conocer la influencia de varios

factores en la variable duracin de una llamada telefnica. Los factores
que se consideran son los siguientes: hora a la que se produce la llamada;
da de la semana en que se realiza la llamada; zona de la ciudad desde la
que se hace la llamada; sexo del que realiza la llamada; tipo de telfono
(pblico o privado) desde el que se realiza la llamada.
Una

compaa

de software

est

interesada en estudiar la variable

porcentaje en que se comprime un fichero, al utilizar

un programa de

compresin teniendo en cuenta el tipo de programa utilizado y el tipo de

fichero que se comprime.
Se quiere estudiar el rendimiento de los alumnos en una asignatura y para
ello, se desean controlar diferentes

factores: profesor

que imparte la

asignatura; mtodo de enseanza; sexo del alumno.

La metodologa del diseo de experimentos se basa en la experimentacin. Es

sabido

que si se repite un experimento, en condiciones

indistinguibles, los

resultados presentan una cierta variabilidad. Si la experimentacin se realiza en

un

laboratorio donde

la mayora

de las causas de variabilidad estn muy

controladas, el error experimental ser pequeo y habr poca variacin en los

resultados del experimento. Pero si se experimenta en procesos industriales o
administrativos la variabilidad ser mayor en la mayora de los casos.

El objetivo

del diseo de experimentos es estudiar si cuando

se utiliza un

determinado tratamiento se produce una mejora en el proceso o no. Para ello se

debe experimentar aplicando el tratamiento y no aplicndolo. Si la variabilidad
experimental es grande, slo se detectar la influencia del uso del tratamiento
cuando ste produzca grandes cambios en relacin con el error de observacin.
La metodologa del diseo de experimentos estudia cmo variar las condiciones
habituales de realizacin de un proceso emprico para aumentar la probabilidad de
detectar cambios significativos en la respuesta; de esta forma se obtiene un mayor
conocimiento del comportamiento del proceso de inters.

Para que la metodologa de diseo de experimentos sea eficaz es fundamental que

el experimento est bien diseado.

Un experimento se realiza por alguno de los siguientes motivos:

Determinar las principales causas de variacin en la respuesta.
Encontrar las condiciones experimentales con las que se consigue un valor
extremo en la variable de inters o respuesta.
Comparar las respuestas en diferentes niveles de observacin de variables
controladas.
Obtener un modelo estadstico-matemtico que permita hacer predicciones
de respuestas futuras.
La utilizacin

de los modelos

experimentacin y en el anlisis
experimento bien planificado.

de diseo de experimentos se basa

en la

de los resultados que se obtienen en un

En muy pocas ocasiones es posible utilizar estos

mtodos a partir de datos disponibles o datos histricos, aunque tambin se puede

aprender de los estudios realizados a partir de datos recogidos por observacin, de
forma aleatoria y no planificada. En el anlisis estadstico de datos histricos se
pueden cometer diferentes errores, los ms comunes son los siguientes:
Inconsistencia de los datos
Los procesos cambian con el tiempo, se producen cambios en el personal (cambios
de personas,

mejoras del personal

por procesos de aprendizaje, motivacin)

cambios en las mquinas (reposiciones,

reparaciones, envejecimiento). Estos

cambios tienen influencia en los datos recogidos, lo que hace que los datos histricos
sean poco fiables, sobre todo si se han recogido en un amplio espacio de tiempo.
3. Variables con fuerte correlacin:
Puede ocurrir que en el proceso existan dos o ms variables altamente
correlacionadas que pueden llevar a situaciones confusas. Por ejemplo, en el
proceso hay dos variables X1

y X2

fuertemente correlacionadas que

influyen en la respuesta, pero si en los datos que se tiene aumenta al mismo

tiempo el valor de las dos variables no es posible distinguir si la influencia es
debida a una u otra o a ambas variables (confusin de los efectos). Otra
situacin

problemtica se presenta si solo se dispone de datos de una

variable (por ejemplo de X1 y no de X2 ), lo que puede llevar a pensar que

la variable influyente es la X1 cuando, en realidad, la variable influyente es
la X2 (variable oculta).

4. El rango de las variables controladas es limitado:

Si el rango de una de las variables importantes e influyentes en el proceso es

pequeo, no se puede saber su influencia fuera de ese rango y puede

quedar oculta su relacin con la variable de inters o lo cambios que se
producen en la relacin fuera del rango observado.

Esto suele ocurrir

cuando se utilizan los datos recogidos al trabajar el proceso en condiciones

normales

y no se experimenta

(cambiando

las

condiciones

de

funcionamiento) para observar el comportamiento del proceso en situaciones

nuevas.
Tipos de variabilidad
Uno de los principales objetivos de los modelos estadsticos y, en particular,
de los modelos de diseo de experimentos, es controlar la variabilidad de un
proceso aleatorio que puede tener diferente origen. De hecho, los resultados
de cualquier experimento estn sometidos a tres tipos de variabilidad cuyas
caractersticas son las siguientes:
Variabilidad sistemtica y planificada: Esta variabilidad viene
originada por la posible dispersin de los resultados debida a diferencias
sistemticas entre las distintas condiciones experimentales impuestas en
el diseo por expreso deseo del experimentador. Es el tipo de variabilidad
que se intenta identificar con el diseo estadstico.
Cuando este tipo de variabilidad est presente y tiene un tamao
importante, se espera que las respuestas tiendan a agruparse formando
grupos (clster).
Es deseable que exista esta variabilidad y que sea identificada y
cuantificada por el modelo.

Variabilidad tpica de

la naturaleza del

problema y del

experimento: Es la variabilidad debida al ruido aleatorio. Este trmino

incluye, entre otros, a la componente de variabilidad no planificada
denominada error

de medida.

Es una variabilidad impredecible e

inevitable.

Esta variabilidad es la causante de que si en un laboratorio se toman

medidas repetidas de un mismo objeto ocurra que, en muchos casos,
la segunda medida no sea igual a la primera y, ms an, no se puede
predecir sin error el valor de la tercera. Sin embargo, bajo el aparente

caos, existe un patrn regular de comportamiento en esas medidas: todas

ellas tendern a fluctuar en torno a un valor central y siguiendo un
modelo de probabilidad que ser importante estimar.

Esta

variabilidad es inevitable pero, si el experimento ha sido bien

planificado, es posible estimar

(medir)

su valor, lo que es de gran

importancia para obtener conclusiones y poder hacer predicciones. Es

una variabilidad que va a estar siempre presente pero que es tolerable.
Variabilidad sistemtica y no planificada: Esta variabilidad
produce una variacin sistemtica en los resultados y es debida a causas
desconocidas y no planificadas. En otras palabras, los resultados estn
siendo

sesgados

sistemticamente por

causas

desconocidas. La

presencia de esta variabilidad supone la principal causa de conclusiones

errneas y estudios incorrectos al ajustar un modelo estadstico.

Como se estudiar posteriormente, existen dos estrategias bsicas para

tratar de evitar la presencia de este tipo de variabilidad: la aleatorizacin
y la tcnica de bloques. Este tipo de variabilidad debe de intentar evitarse
y su presencia lleva a conclusiones errneas.

Planificacin de un experimento
La experimentacin forma parte natural de la mayora de las investigaciones
cientficas e industriales, en muchas de las cuales, los resultados del proceso de
inters se ven afectados por la presencia de distintos factores, cuya influencia
puede

estar

oculta

por

la variabilidad de

los resultados mustrales. Es

fundamental conocer los factores que influyen realmente y estimar esta influencia.
Para conseguir esto es necesario experimentar, variar las condiciones que afectan
a las unidades experimentales y observar la variable respuesta. Del anlisis y estudio
de la informacin recogida se obtienen las conclusiones.

La forma tradicional que se utilizaba en la experimentacin, para el estudio de estos

problemas, se basaba en estudiar los factores uno a uno, esto es, variar los
niveles de un factor permaneciendo fijos los dems. Esta metodologa presenta
grandes inconvenientes:

 Es necesario un gran nmero de pruebas.

Las conclusiones obtenidas en el estudio de cada factor tiene un campo
de validez muy restringido.
No es posible estudiar la existencia de interaccin entre los factores.
Es inviable, en muchos casos, por problemas de tiempo o costo.

Las tcnicas de diseo de experimentos se basan en estudiar simultneamente los

efectos de todos los factores de inters, son ms eficaces y proporcionan mejores
resultados con un menor coste.
A continuacin se enumeran las etapas que deben seguirse para una correcta
planificacin de un diseo experimental, etapas que deben ser ejecutadas de forma
secuencial. Tambin se introducen algunos conceptos bsicos en el estudio de los
modelos de diseo de experimentos.

Las etapas a seguir en el desarrollo de un problema de diseo de experimentos

son las siguientes:
Definir los objetivos del experimento. Identificar todas las posibles fuentes
de variacin, incluyendo:
-

factores y sus niveles.

unidades experimentales.

Elegir una regla de asignacin

de las unidades

experimentales a las

condiciones de estudio (tratamientos).

Especificar las medidas con que se trabajar (la respuesta), el procedimiento
experimental y anticiparse a las posibles dificultades.
Ejecutar un experimento piloto.
Especificar el modelo.
Esquematizar los pasos del anlisis.
Determinar el tamao muestral.
Revisar las decisiones anteriores. Modificarlas si se considera necesario.

Los pasos del listado anterior no son independientes y en un determinado momento

puede ser necesario volver atrs y modificar decisiones tomadas en algn paso
previo.

A continuacin se hace una breve descripcin de las decisiones que hay que tomar
en cada uno de los pasos enumerados. Slo despus de haber tomado estas
decisiones se proceder a realizar el experimento.

1.

Definir los objetivos del experimento: Se debe hacer una lista completa de
las preguntas concretas a las que debe dar respuesta el experimento. Es
importante indicar
abordar problemas

solamente cuestiones
colaterales puede

fundamentales ya que tratar de

complicar

innecesariamente

el

experimento.
Una vez elaborada la lista de objetivos, puede ser til esquematizar el tipo de
conclusiones que se espera obtener en el posterior anlisis de datos.
Normalmente la lista de objetivos es refinada a medida que se van ejecutando
las etapas del diseo de experimentos.
2.

Identificar todas las posibles fuentes de variacin:

Una fuente de variacin es cualquier cosa que pueda generar variabilidad en
la respuesta. Es recomendable hacer una lista de todas las posibles fuentes de
variacin del problema, distinguiendo aquellas que, a priori, generarn una
mayor variabilidad. Se distinguen dos tipos:

Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta

es de particular inters para el experimentador.

Factores nuisance: son aquellas fuentes que no son de inters directo

pero que se contemplan en el diseo para reducir la variabilidad no
planificada.
A continuacin se precisan ms estos importantes conceptos.
a. Factores y sus niveles.
Se denomina factor tratamiento a cualquier variable de inters para
el experimentador cuyo posible efecto sobre la respuesta se quiere
estudiar. Los niveles de un factor tratamiento son los tipos o grados
especficos del factor que se tendrn en cuenta en la realizacin del
experimento. Los factores

tratamiento pueden

ser cualitativos o

cuantitativos. Ejemplos de factores cualitativos y sus niveles respectivos

son los siguientes:

proveedor (diferentes proveedores de una materia prima)

tipo de mquina (diferentes tipos o marcas de mquinas)

trabajador (los trabajadores encargados de hacer una tarea)

tipo de procesador (los procesadores de los que se quiere comparar

su

velocidad de ejecucin)

un aditivo qumico (diferentes tipos de aditivos qumicos)

el sexo (hombre y mujer)

un mtodo de enseanza (un nmero determinado de mtodos de

enseanza cuyos resultados se quieren comparar).

Ejemplos de factores cuantitativos son los siguientes:

tamao de

memoria

(diferentes tamaos de

memoria

de

ordenadores),
droga (distintas cantidades de la droga),
la temperatura (conjuntos de temperaturas seleccionadas en unos
rangos de inters).

Debe tenerse en cuenta que en el tratamiento matemtico de los

modelos de diseo de experimento los factores cuantitativos son tratados
como cualitativos y sus niveles son elegidos equiespaciados o se codifican.
Por lo general, un factor no suele tener ms de cuatro niveles.
Cuando en un experimento se trabaja con ms de un factor, se denomina:
Tratamiento, a cada una de las combinaciones de niveles de los distintos
factores. Observacin, es una medida en las condiciones determinadas
por uno de los tratamientos.
Experimento factorial, es el diseo de experimentos en que existen
observaciones de todos los posibles tratamientos.
b. Unidades experimentales.
Son el material donde evaluar la variable respuesta y al que se le
aplican los distintos niveles de los factores tratamiento.
Ejemplos de unidades experimentales son:

en informtica, ordenadores, pginas web, buscadores de internet,

en agricultura, parcelas de tierra,

en medicina, individuos humanos u animales,

en industria, lotes de material, trabajadores, mquinas.

Cuando un experimento se ejecuta sobre un perodo de tiempo de modo

que las observaciones se recogen secuencialmente en instantes de
tiempo determinados, entonces los propios instantes de tiempo pueden
considerarse unidades experimentales.
Es

muy

importante

que

las

unidades

experimentales

sean

representativas de la poblacin sobre la que se han fijado los objetivos

del estudio. Por ejemplo, si se utilizan los estudiantes universitarios
de un pas

como unidades

experimentales, las conclusiones

del

experimento no son extrapolables a toda la poblacin adulta del pas.

c. Factores nuisance: bloques, factores ruido y covariables.
En cualquier experimento, adems de los factores tratamiento cuyo
efecto sobre la respuesta se quiere evaluar, tambin influyen otros
factores, de escaso inters en el estudio, pero cuya influencia sobre la
respuesta

puede

aumentar significativamente la

variabilidad no

planificada. Con el fin de controlar esta influencia pueden incluirse en el

diseo nuevos factores que, atendiendo a su naturaleza, pueden ser de
diversos tipos.
Factor bloque: En algunos casos el factor nuisance puede ser fijado
en distintos niveles, de modo que es posible controlar su efecto a esos
niveles. Entonces la forma de actuar es mantener constante el nivel
del factor para un grupo de unidades experimentales, se cambia a otro
nivel para otro grupo y as sucesivamente. Estos factores se denominan
factores de bloqueo (factores bloque) y las unidades experimentales
evaluadas en un mismo nivel del bloqueo se dice que pertenecen al
mismo bloque. Incluso cuando el factor nuisance no es medible, a veces
es posible agrupar las unidades experimentales en bloques de unidades
similares: parcelas de tierra contiguas o perodos de tiempo prximos
probablemente conduzcan a unidades experimentales ms parecidas que
parcelas o perodos distantes.

Desde un punto de vista matemtico el tratamiento que se hace de los

factores-bloque es el mismo que el de los factores tratamiento en los que
no hay interaccin, pero su concepto dentro del modelo de diseo de
experimentos es diferente. Un factor tratamiento es un factor en el que
se est interesado en conocer su influencia en la variable respuesta y
un factor bloque es un factor en el que no se est interesado en conocer
su influencia pero se incorpora al diseo del experimento para disminuir
la variabilidad residual del modelo.
Co-variable: Si el factor nuisance es una propiedad cuantitativa de
las unidades experimentales que puede ser medida antes de realizar el
experimento (el tamao de un fichero informtico, la presin sangunea

de un paciente en un experimento mdico o la acidez de una parcela

de tierra en un experimento agrcola). El factor se denomina covariable
y juega un papel importante en el anlisis estadstico.
Ruido: Si el experimentador est interesado en la variabilidad de la
respuesta

cuando se modifican

entonces los factores nuisance

las condiciones

experimentales,

son incluidos deliberadamente en el

experimento y no se asla su efecto por medio de bloques. Se habla

entonces de factores ruido.
En resumen, las posibles fuentes de variacin de un experimento son:

Fuente
Debida

Tipo
a

las

condiciones

de
Planificada y sistemtica

inters(Factores tratamiento)
Debida

al

resto

de

condiciones
Planificada y sistemtica

controladas(Factores nuisance)
Debida a condiciones no controladas.
(error

de

medida,

material

planificada,

pero

sistemtica?

experimental)

3.

No

Elegir una regla de asignacin de las unidades

experimentales a las

condiciones de estudio (tratamientos).

La regla de asignacin
experimentales

o diseo experimental especifica que unidades

se observarn bajo

cada

tratamiento. Hay

diferentes

posibilidades:

diseo factorial o no.

anidamiento.

asignacin al azar en determinados niveles de observacin,

el orden de asignacin, etc.

En la prctica, existen una serie de diseos estndar que se utilizan en la

mayora de los casos.

4.

Especificar las medidas que se realizarn (la respuesta), el procedimiento

experimental y anticiparse a las posibles dificultades.
Variable respuesta o variable de inters. Los datos que se recogen en un
experimento son medidas de una variable denominada variable respuesta o
variable de inters.
Es importante precisar de antemano cul es la variable respuesta y en qu
unidades

se mide. Naturalmente, la respuesta est condicionada por los

objetivos del experimento. Por ejemplo, si se desea detectar una diferencia

de 0,05 gramos en la respuesta de dos tratamientos no es apropiado tomar
medidas con una precisin prxima al gramo.

A menudo aparecen dificultades imprevistas en la toma de datos. Es conveniente

anticiparse a estos imprevistos pensando detenidamente en los problemas que
se pueden pre- sentar o ejecutando un pequeo experimento piloto (etapa 5).
Enumerar estos problemas permite en ocasiones descubrir nuevas fuentes de
variacin o simplificar el procedimiento experimental antes de comenzar.

Tambin se debe especificar con claridad la forma en que se realizarn las

mediciones:
Instrumentos de medida, tiempo en el que se harn las mediciones, etc.

5.

Ejecutar un experimento piloto.

Un experimento piloto es un experimento que utiliza un nmero pequeo de
observaciones. El objetivo de su ejecucin es ayudar a completar y chequear la
lista de acciones a realizar. Las ventajas que proporciona la realizacin de un
pequeo experimento piloto son las siguientes:
permite practicar la tcnica experimental elegida e identificar problemas no
esperados en el proceso de recogida de datos.
si el experimento piloto tiene un tamao suficientemente grande puede
ayudar a seleccionar un modelo adecuado al experimento principal,
los errores experimentales observados en el experimento piloto pueden
ayudar a calcular

el nmero de observaciones

experimento principal.

que se precisan en el

6.

Especificar el modelo.
El modelo matemtico especificado debe indicar la relacin que se supone que
existe entre la variable

respuesta y las principales

fuentes

de variacin

identificadas en el paso 2. Es fundamental que el modelo elegido se ajuste a la

realidad con la mayor precisin posible.
El modelo ms habitual es el modelo lineal.
En este modelo la respuesta viene dada por una combinacin lineal de
trminos que representan las principales fuentes de variacin planificada ms un
trmino residual debido a las fuentes de variacin no planificada. Los modelos
que se estudian en este texto se ajustan a esta
experimento piloto

puede

forma

general.

El

ayudar a comprobar si el modelo se ajusta

razonablemente bien a la realidad.

Los modelos de diseo de experimentos, segn sean los factores incluidos en

el mismo, se pueden clasificar en: modelo de efectos fijos, modelo de efectos
aleatorios y modelos mixtos. A continuacin se precisan estas definiciones.

Factor de efectos fijos es un factor en el que los niveles han sido seleccionados
por el experimentador. Es apropiado cuando el inters se centra en comparar
el efecto sobre la respuesta de esos niveles especficos. Ejemplo: un empresario
est interesado en comparar el rendimiento de tres mquinas del mismo tipo
que tiene en su empresa.

Factor de efectos aleatorios es un factor del que slo se incluyen en el

experimento una muestra aleatoria simple de todos los posibles niveles del
mismo. Evidentemente se utilizan estos factores cuando tienen un nmero muy
grande de niveles y no es razonable o posible trabajar con todos ellos. En este
caso se est interesado en examinar la variabilidad de la respuesta debida a
la poblacin entera de niveles del factor. Ejemplo: una cadena de hipermercados
que tiene en plantilla 300 trabajadores de caja est interesada en estudiar la
influencia del factor trabajador en el variable tiempo en el cobro a un cliente.

Modelo de efectos fijos es un modelo en el que todos los factores son factores
de efectos fijos.

Modelo de efectos aleatorios es un modelo en el que todos los factores son

factores de efectos aleatorios.
Modelo mixto es un modelo en el que hay factores de efectos fijos y factores
de efectos aleatorios.
7.

Esquematizar los pasos del anlisis estadstico: El anlisis estadstico a

realizar depende de:
los objetivos indicados en el paso 1,
el diseo seleccionado en el paso 3,
el modelo asociado que se especific en el paso 5.

Se deben esquematizar los pasos del anlisis a realizar que deben incluir:

Estimaciones que hay que calcular,

contrastes a realizar,
Intervalos de confianza que se calcularn,
diagnosis y crtica del grado de ajuste del modelo a la realidad.
8.

Determinar el tamao Muestral.

Calcular el nmero de observaciones que se deben tomar para alcanzar los
objetivos del experimento.
Existen, dependiendo del modelo, algunas

frmulas para determinar este

tamao. Todas ellas sin embargo requieren el conocimiento del tamao de la

variabilidad no planificada (no sistemtica y sistemtica, si es el caso) y estimarlo
a priori no es fcil, siendo aconsejable sobreestimarla. Normalmente se estima a
partir del experimento piloto y en base a experiencias previas en trabajos con
diseos experimentales semejantes.

9.

Revisar las decisiones anteriores. Modificar si es necesario.

De todas las etapas enumeradas, el proceso de recogida de datos suele ser
la tarea que mayor

tiempo consume,

pero es importante realizar

una

planificacin previa, detallando los pasos anteriores, lo que garantizar que

los datos sean utilizados de la forma ms eficiente posible.

Es fundamental tener en cuenta que:

a) Ningn mtodo de anlisis estadstico, por sofisticado que sea, permite

extraer conclusiones correctas en un diseo de experimentos mal planificado.
Recprocamente, debe quedar claro que el anlisis estadstico es una etapa
ms que est completa- mente integrado en el proceso de planificacin.
b) El anlisis estadstico no es un segundo paso independiente de la tarea
de planificacin.

Es necesario

comprender la totalidad de objetivos

propuestos antes de comenzar con el anlisis. Si no se hace as, tratar

que el experimento responda a otras cuestiones a posteriori puede ser (lo
ser casi siempre) imposible. Pero no slo los objetivos estn presentes al
inicio del anlisis sino tambin la tcnica experimental empleada.
c) No invertir nunca

todo el presupuesto en un

primer

conjunto de

experimentos y utilizar en su diseo toda la informacin previa disponible.

d) Toda persona implicada en la ejecucin del experimento y en la recoleccin
de los datos debe ser informada con precisin de la estrategia experimental
diseada

Resumen de los principales conceptos

En esta seccin se hace un resumen de la terminologa comn utilizada en la
teora de los modelos de diseo de experimentos:
Unidad experimental: son los objetos, individuos, intervalos de espacio o
tiempo sobre los que se experimenta.
Variable de inters o respuesta: es la variable que se desea estudiar
y controlar su variabilidad.
Factor: son las variables independientes que pueden influir en la variabilidad
de la variable de inters.
Factor tratamiento: es un factor del que interesa conocer su influencia en
la respuesta.

Factor bloque: es un factor en el que no se est interesado en conocer

su influencia en la respuesta pero se supone que sta existe y se quiere
controlar para disminuir la variabilidad residual.

 Niveles: cada uno de los resultados de un factor. Segn sean elegidos por
el experimentador o elegidos al azar de una amplia poblacin se denominan
factores de efectos fijos o factores de efectos aleatorios.
Tratamiento: es una combinacin especfica de los niveles de los factores
en estudio.
Son, por tanto, las condiciones experimentales que se desean comparar en
el experimento. En un diseo con un nico factor son los distintos niveles
del factor y en un diseo con varios factores son las distintas combinaciones
de niveles de los factores.
Observacin experimental: es cada medicin de la variable respuesta.

Tamao del Experimento: es el nmero total de observaciones recogidas

en el diseo.

Interaccin de factores: existe interaccin entre dos factores FI y FJ

si el efecto de algn nivel de FI cambia al cambiar de nivel en FJ . Esta
definicin puede hacerse

de forma simtrica

y se puede generalizar a

interacciones de orden tres o superior.

Ortogonalidad de factores: dos factores FI y FJ con I y J niveles,

respectivamente, son ortogonales si en cada nivel i de FI el nmero de
observaciones de los J niveles de FJ estn en las mismas proporciones.
Esta propiedad permite

separar

los efectos simples de los factores en

estudio.
Diseo equilibrado o balanceado: es el diseo en el que todos los
tratamientos son asignados a un nmero igual de unidades experimentales.

Principios bsicos en el diseo de experimentos

Al planificar un experimento hay tres principios bsicos que se deben tener siempre
en cuenta:
El principio de aleatorizacin.
El bloqueo.
La factorizacin del diseo.

Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar los
tratamientos a las unidades experimentales sin preocuparse de qu tratamientos
considerar. Por el contrario, la factorizacin del diseo define una estrategia eficiente
para elegir los tratamientos sin considerar en absoluto como asignarlos despus a
las unidades experimentales.
Aleatorizar: Aleatorizar todos los factores no controlados por el experimentador
en el diseo experimental y que pueden influir en los resultados sern asignados
al azar a las unidades experimentales.
Ventajas de aleatorizar los factores no controlados:
Transforma la variabilidad sistemtica no planificada en variabilidad no
planificada o ruido aleatorio. Dicho de otra forma, aleatorizar previene contra
la introduccin de sesgos en el experimento.
Evita la dependencia entre observaciones al aleatorizar los instantes de
recogida muestral.
Valida muchos de los procedimientos estadsticos ms comunes.

Bloquear: Se deben dividir o particionar las unidades experimentales en grupos

llamados bloques de modo que las observaciones realizadas en cada bloque se
realicen bajo condiciones experimentales lo ms parecidas posibles.

A diferencia de lo que ocurre con los factores tratamiento, el experimentador no

est interesado en investigar las posibles diferencias de la respuesta entre los
niveles de los factores bloque.
Bloquear es una buena estrategia siempre y cuando sea posible dividir las unidades
experimentales en grupos de unidades similares.

La ventaja de bloquear un factor que se supone que tienen una clara influencia en la
respuesta pero en el que no se est interesado, es la siguiente: Convierte la
variabilidad sistemtica no planificada en variabilidad sistemtica planificada.

Con el siguiente ejemplo se trata de indicar la diferencia entre las estrategias de

aleatorizar y de bloquear en un experimento.
Ejemplo.
Se desea investigar las posibles diferencias en la produccin de dos mquinas,
cada una de las cuales debe ser manejada por un operario.

En el planteamiento de este problema la variable respuesta es la produccin diaria

de una mquina, el factor tratamiento en el que se est interesado es el tipo de
mquina que tiene dos niveles y un factor nuisance es el operario que maneja la
mquina. En el diseo del experimento para realizar el estudio se pueden utilizar
dos estrategias para controlar el factor operario que maneja la mquina.

Aleatorizar: se seleccionan al azar dos grupos de operarios y se asigna al azar cada

grupo de operarios a cada una de las dos mquinas. Finalmente se evala la
produccin de las mismas.

Bloquear: s e introduce el factor bloque operario. Se elige un nico grupo de

operarios y todos ellos utilizan las dos mquinas.
Hay que tener en cuenta en qu circunstancias se utilizan estas dos estrategias,
y cul estrategia es mejor.
La factorizacin del diseo: Un diseo factorial es una estrategia experimental
que consiste en cruzar los niveles de todos los factores tratamiento en todas las
combinaciones posibles.

Ventajas de utilizar los diseos factoriales:

Permiten detectar la existencia de efectos interaccin entre los diferentes
factores tratamiento.
Es una estrategia ms eficiente que la estrategia clsica de examinar la
influencia de un factor manteniendo constantes el resto de los factores.

Algunos diseos experimentales clsicos

Un diseo experimental es una regla que determina la asignacin de las unidades
experimentales a los tratamientos. Aunque los experimentos difieren unos de otros
en muchos

aspectos, existen

diseos estndar que se utilizan con mucha

frecuencia. Algunos de los ms utilizados son los siguientes:

Diseo completamente aleatorizado

El experimentador asigna las unidades experimentales a los tratamientos al azar.
La nica restriccin

es el nmero

tratamiento. De hecho,

si ni

de observaciones

es el nmero

que se toman en cada

de observaciones

en el i-simo

tratamiento, i = 1, 2 , . . . , I , entonces, los valores n1 , n2 , . . . , nI determinan por

completo las propiedades estadsticas del diseo. Naturalmente, este tipo de diseo
se utiliza en experimentos que no incluyen factores bloque.

El modelo matemtico de este diseo tiene la forma:

Respuesta = Constante + Efecto Tratamiento + Error

Diseo en bloques o con un factor bloque

En este diseo el experimentador agrupa las unidades experimentales en bloques,
a continuacin determina la distribucin de los tratamientos en cada bloque y,
por ltimo, asigna al azar las unidades experimentales a los tratamientos dentro
de cada bloque.

En el anlisis estadstico de un diseo en bloques, stos se tratan como los niveles de

un nico factor de bloqueo, aunque en realidad puedan venir definidos por la
combinacin de niveles de ms de un factor nuisance.

El modelo matemtico de este diseo es:

Respuesta = Constante + Efecto Bloque + Efecto Tratamiento + Error

El diseo en bloques ms simple es el denominado diseo en bloques completos,

en el que cada tratamiento se observa el mismo nmero de veces en cada bloque.
El diseo en bloques completos con una nica observacin por cada tratamiento se
denomina

Diseo en bloques completamente aleatorizado o, simplemente, diseo en bloques

aleatorizado.

Cuando el tamao del bloque es inferior al nmero de tratamientos no es posible

observar la totalidad de tratamientos en cada bloque y se habla entonces de diseo
en bloques incompletos.

Diseos con dos o ms factores bloque

En ocasiones hay dos (o ms) fuentes de variacin lo suficientemente importantes
como para ser designadas factores de bloqueo. En tal caso, ambos factores bloque
pueden ser cruzados o anidados.
Los factores bloque estn cruzados cuando existen unidades experimentales en
todas las combinaciones posibles de los niveles de los factores bloques.
Diseo con factores bloque cruzados. Tambin denominado diseo fila-columna, se
caracteriza porque

existen

unidades

experimentales en todas las celdas

(intersecciones de fila y columna).

El modelo matemtico de este diseo es:

Respuesta = Constante + Efecto Bloque Fila + Efecto Bloque Columna + Efecto
Tratamiento + Error

Los factores bloque estn anidados si cada nivel particular de uno de los factores
bloque ocurre en un nico nivel del otro factor bloque.

Diseo con factores bloque anidados o jerarquizados: Dos factores bloque se dicen
anidados cuando observaciones pertenecientes a dos niveles distintos de un factor
bloque estn automticamente en dos niveles distintos del segundo factor bloque.
En la siguiente tabla puede observarse la diferencia entre ambos tipos de bloqueo.

Plan esquemtico de experimentos con dos factores bloque

Diseos con dos o ms factores

En algunas ocasiones se est interesado en estudiar la influencia de dos (o
ms) factores tratamiento, para ello se hace un diseo de filas por columnas. En
este modelo es importante estudiar la posible interaccin entre los dos factores.
Si en cada casilla se tiene una nica observacin no es posible estudiar
lainteraccin entre los dos factores, para hacerlo hay que replicar el modelo,
esto es, obtener k observaciones en cada casilla, donde k es el nmero de
rplicas.

El modelo matemtico de este diseo es:

Respuesta = Constante + Efecto Factor Fila + Efecto Factor Columna + Efecto
Interaccin
+ Error

Generalizar los diseos completos a ms de dos factores es relativamente sencillo

desde un punto

de vista matemtico, pero en su aspecto prctico

tiene el

inconveniente de que al aumentar el nmero de factores aumenta muy rpidamente

el nmero de observaciones necesario para estimar el modelo. En la prctica es
muy raro utilizar diseos completos con ms de factores.

Un camino alternativo es utilizar fracciones factoriales que son diseos en los que
se supone que muchas de las interacciones son nulas, esto permite estudiar el efecto
de un nmero elevado de factores con un nmero relativamente pequeo de pruebas.
Por ejemplo, el diseo en cuadrado latino, en el que se supone que todas las
interacciones son nulas, permite estudiar tres factores de k niveles con solo k 2
observaciones. Si se utilizase el diseo equilibrado completo se necesitan k 3
observaciones.

Diseos factoriales a dos niveles:

En el estudio sobre la mejora de procesos industriales (control de calidad) es usual
trabajar en problemas en los que hay muchos factores que pueden influir en la
variable de inters. La utilizacin de experimentos completos en estos problemas
tiene el gran inconveniente de necesitar un nmero elevado de observaciones,
adems puede ser una estrategia ineficaz porque, por lo general, muchos de los
factores en estudio no son influyentes y mucha informacin recogida no es relevante.
En este caso una estrategia mejor es utilizar una tcnica secuencial donde se
comienza por trabajar con unos pocos factores y segn los resultados que se
obtienen se eligen los factores a estudiar en la segunda etapa.
Los diseos factoriales 2k

son diseos en los que se trabaja con k factores,

todos ellos con dos niveles (se suelen denotar + y -). Estos diseos son adecuados
para tratar el tipo de problemas descritos porque permiten trabajar con un nmero
elevado de factores y son vlidos para estrategias secuenciales.
Si k es grande, el nmero de observaciones que necesita un diseo factorial 2k es
muy grande (n= 2k ). Por este motivo, las fracciones factoriales 2kp son muy
utilizadas, stas son diseos con k factores a dos niveles, que mantienen la
propiedad de ortogonalidad de los factores

y donde se suponen

nulas las

interacciones de orden alto (se confunden con los efectos simples) por lo que para
su estudio solo se necesitan 2kp observaciones (cuanto mayor sea p menor
nmero de observaciones se necesita pero mayor confusin de efectos se supone).

En los ltimos aos Taguchi ha propuesto la utilizacin de fracciones factoriales con

factores a tres niveles en problemas de control de calidad industrial.

MUESTREO DE ACEPTACIN
Definicin:
Es una forma particular de inspeccin que acepta y rechaza lotes, pero no mejora la
calidad. Es decir, el muestreo de aceptacin no es una estrategia de mejora de la
calidad, es ms bien una forma de garantizar que se cumplan ciertas especificaciones
de la calidad que han sido definidas
En la actividad de control de calidad en ocasiones es necesario inspeccionar lotes de
materia prima, partes o productos terminados para asegurar que cumplen ciertos niveles
de calidad con un buen grado de confianza. El muestreo de aceptacin es el proceso de
inspeccin de una muestra de unidades de un lote con el propsito de aceptar o rechazar
todo el lote

PARA ENJUICIAR UN LOTE SE TIENEN TRES ALTERNATIVAS INSPECCIN AL

100%
Consiste en revisar todos los artculos del lote y quitar los que no cumplan con las
caractersticas de calidad establecidas. Los que no las cumplan podran ser devueltos
al proveedor, reprocesados o desechados. Generalmente, la inspeccin al 100% se
utiliza cuando los productos son de alto riesgo y tambin es til cuando la capacidad del
proceso de fabricacin del lote es inadecuada para cumplir con la especificaciones.
CERO INSPECCIN
Cero inspecciones (aceptar o mandar el lote sin inspeccin). Esta alternativa es
adecuada cuando el proceso con que se fabric el lote ha demostrado cumplir
holgadamente los niveles de calidad acordados entre el cliente y el proveedor (que sera
el caso de procesos estables y con un buen Cpk, procesos con inspecciones previas).
Tambin se aplica cuando la prdida global causada por las unidades defectuosas es
pequea, comparada con el costo del muestreo.
MUESTREO DE ACEPTACIN
Esta opcin es til cuando se tiene una o varias de las siguientes situaciones:
1. Cuando la inspeccin se hace con pruebas destructivas (tales como pruebas de
tensin y resistencia), es indispensable la inspeccin por muestras, de lo
contrario todos los productos seran destruidos con las pruebas.
2. Cuando el costo de inspeccin al 100% es demasiado alto comparado con el
costo de pasar unidades defectuosas.
3.

En los casos en los que la inspeccin al 100% no es tcnicamente posible o se

requiere mucho tiempo para levarla a cabo.

4. Cuando el lote lo forman una gran cantidad de artculos que habra que
inspeccionar y la probabilidad de error en la inspeccin es suficientemente alta,
de tal manera que la inspeccin al 100% podra dejar pasar ms unidades
defectuosas que un plan de muestreo.

5. En situaciones donde histricamente el vendedor ha tenido excelentes niveles

de calidad y se desea una reduccin de la cantidad de inspeccin, pero la
capacidad del proceso no es suficientemente buena como para no inspeccionar.
6. Cuando es necesario asegurar la confiabilidad del producto, aunque la
capacidad del proceso fabricante del lote sea satisfactoria.
VENTAJAS Y DESVENTAJAS DEL MUESTREO DE ACEPTACIN
VENTAJAS RESPECTO AL 100%
Tiene menor costo porque se inspecciona menos, esto a pesar de algunos costos
adicionales generados por la planificacin y administracin de los planes de muestreo.
Requiere de menos personal en las actividades de inspeccin, simplificando con ello el
trabajo de coordinacin y reduciendo los costos.
El producto sufre menos daos al haber menos manipulacin.
Es aplicable a pruebas destructivas.
A menudo reduce el error de inspeccin y la monotona.
El rechazo de lotes completos por la existencia de artculos defectuosos proporciona
una motivacin al fabricante del lote para que mejore su calidad
DESVENTAJAS
Hay ciertos riesgos de aceptar lotes malos y rechazar los buenos, aunque en un plan de
muestreo de aceptacin estn previstos y cuantificados estos riesgos.
Proporciona menos informacin acerca del nivel de calidad del producto o de su proceso
de fabricacin. Aunque bien utilizada la informacin obtenida puede ser suficiente.
Se requiere ms tiempo y conocimiento para planificar y documentar el muestreo,
mientras la inspeccin 100% no. Esto tal vez no sea una desventaja, ya que la
planificacin genera otros efectos positivos como una mayor conciencia de los niveles
de calidad exigidos por el cliente.
TIPOS DE PLANES DEL MUESTREO DE ACEPTACIN
Los planes de muestreo de aceptacin son de dos tipos:
Por atributos
Por variables
PLANES POR VARIABLES:
En este tipo de variable se toma una muestra aleatoria del lote y a cada unidad de la
muestra se le mide una caracterstica de calidad tipo continuo (longitud, peso, etc.). Con
las mediciones se calcula un estadstico, que generalmente est en funcin de la media
y la desviacin estndar muestral, y dependiendo de la funcin de ste estadstico al
compararlo con un valor permisible, se aceptar o rechazar todo el lote.

PLANES POR ATRIBUTOS:

En estos planes se extrae aleatoriamente una muestra de un lote, y cada pieza de la
muestra es clasificada de acuerdo con ciertos atributos como aceptable o defectuosa.
Si el nmero de piezas defectuosas es menor o igual que un cierto nmero predefinido,
entonces el lote es aceptado, en caso de que sea mayor el lote es rechazado. Algunos
planes por atributos son: simple, doble y mltiple.
PLANES DE MUESTREO POR ATRIBUTOS
a. PLAN DE MUESTREO SIMPLE: ste es el plan por atributos que hemos
descrito antes, es decir, consiste en un tamao de muestra, n, y en un nmero
de aceptacin, c, ambos fijados de antemano. Si en la muestra se encuentra c o
menos unidades defectuosas, el lote es aceptado. Por el contrario, si hay ms
de c artculos defectuosos el lote es rechazado.
b. PLAN DE MUESTREO DOBLE: La idea de este muestreo es tomar una primera
muestra de tamao pequeo para detectar los lotes muy buenos o los muy
malos, y si en la primera muestra no se puede decidir si aceptar o rechazar
porque la cantidad de unidades defectuosas ni es muy pequea ni es muy
grande, entones se toma una segunda muestra, para decidir si aceptar o
rechazar tomando en cuenta las unidades defectuosas encontradas en las dos
muestras.
El plan de muestreo doble est definido por:
N = Tamao del lote
n1= Tamao de la primera muestra
c1 = Nmero de aceptacin para la primera muestra
n2

Tamao de la segunda muestra

c2 = Nmero de aceptacin para las dos muestras

c. PLAN DE MUESTREO MLTIPLE: Es una extensin del concepto del muestreo
doble; aqu se toma una muestra inicial muy pequea, y si ya se tiene la
evidencia de muy buena o muy mala calidad se toma la decisin en
consecuencia, si no es as se toma una segunda muestra y se trata de decidir;
si todava no es posible se continua con el proceso hasta tomar la decisin de
aceptar o rechazar el lote.
FORMACIN DEL LOTE Y SELECCIN DE LA MUESTRA
La formacin de un lote puede influir en la eficacia del plan de muestreo de aceptacin
tres recomendaciones para formar lotes:
Los lotes deben ser homogneos, es decir, las unidades que forman un lote particular
deben haber sido fabricadas bajo condiciones similares, ya que si el lote es formado por
unidades de diferentes fuentes, el muestreo de aceptacin no funciona efectivamente
como se debe
Los lotes deber ser formados de tal manera que no compliquen el manejo de materiales
del proveedor y del cliente. Todos los artculos de los lotes deben ser empaquetados y

embarcados con un mnimo de riesgo y de tal forma que la seleccin de las unidades
de la muestra sea relativamente fcil.
Los lotes deben ser tan grandes como sea posible. Esto debido al menor costo y mayor
eficiencia de la inspeccin, adems los planes resultantes a partir de tamaos de lotes
grandes tienen mayor capacidad de detectar lotes de mala calidad.
PRINCIPALES NDICES DE CALIDAD
1. Nivel de calidad aceptable, NCA: Se define como el porcentaje mximo de
unidades que no cumplen con la calidad especifica. Para propsitos de
inspeccin se considera un promedio satisfactorio o aceptable en el proceso.
2. Nivel de calidad limite, NCL: Es el nivel de calidad que se considera como no
satisfactorio. Aquellos lotes que posean este tipo deben rechazados casi
siempre.
DISEO DE PLANES DE MUESTREO
Muestreo de Aceptacin Simple Por atributos
Con este plan se desea normar una relacin cliente-proveedor, para ello se recuerda:

El nivel de calidad que se considera aceptable NCA, junto su probabilidad de

aceptacin (1 )

El nivel de calidad lmite que se considerar como no aceptable NCL, y su

probabilidad de aceptacin

Debe encontrarse el tamao de la muestra (n) y nmero de aceptacin (c) para que el
plan de muestreo cumpla con las exigencias anteriores. Existen varios procedimientos
para hallarlo. A continuacin se describen
PLANES DE MUESTREO DODGE-ROMING
En la dcada de los veinte H.F. Dodge y H.G. Roming desarrollaron un conjunto de
tablas que permiten disear planes de muestreo por atributos. Estas tablas estn
basadas en dos ndices de calidad, los cuales son:
El nivel de calidad limite (NCL) o Dodge y Roming, el porcentaje defectivo tolerado en
el lote (PDTL). El lmite de la calidad de salida promedio (LCSP).
MUESTREO DE ACEPTACIN POR VARIABLES
-

VENTAJAS
Este tamao de muestra es particularmente menor cuando los niveles aceptables
de calidad son muy pequeos.
Proporciona ms informacin acerca del proceso, la cual se puede utilizar para
tomar decisiones y mejorar la calidad

DESVENTAJAS
Las mediciones podran ser ms costosas, aunque la reduccin obtenida en el
tamao de la muestra generalmente compensa este costo.

La distribucin de las caractersticas de calidad debe ser conocida, suponiendo que

es normal; si esto no es verdad, la confiabilidad de las decisiones se puede ver
afectada de manera importante.
TIPOS DE PLANES DE MUESTREO POR VARIABLES:
Existen dos tipos de planes de muestreo por variables:
Los que controlan la proporcin de unidades que no cumplen con especificaciones.
Los que controlan un parmetro del lote o proceso (usualmente la media)
CUANDO APLICAR MUESTREO DE ACEPTACIN
El muestreo de aceptacin se puede aplicar en cualquier relacin cliente-proveedor, ya
sea en el interior de una empresa o entre diferentes empresas y se puede ver como una
medida defensiva para protegerse de la amenaza del posible deterioro de la calidad.
Una situacin tpica del muestreo de aceptacin es la siguiente: una compaa recibe
un lote de algn producto de cierto proveedor; este producto puede ser materia prima o
cualquier otro componente que se utiliza en la compaa. Se selecciona una muestra de
lote y se inspeccionan algn(as) caracterstica(s) de calidad a todos los productos
seleccionados. Con base en la informacin obtenida con la inspeccin se tomar una
decisin: aceptar o rechazar todo el lote. Si los lotes son aceptados pasan directamente
a ser utilizados, pero si el lote es rechazado, entonces es devuelto al proveedor o podra
estar sujeto a alguna otra disposicin (por ejemplo inspeccin de todos los productos
del lote -inspeccin 100%- pagada por el proveedor).
N = 6000, n = 200, y c = 2;
Significa que de un lote de 6000 unidades se seleccionan e inspeccionan 200; y si entre
stas se encuentra 2 o menos piezas defectuosas, entonces el lote completo es
aceptado.
Pero si se encuentran 3 o ms piezas defectuosas el lote es rechazado.
Debemos tener claro que al ser el muestreo de aceptacin una forma particular de
inspeccin, entonces este muestreo simplemente acepta y rechaza lotes; pero no
mejora la calidad. Es decir, el muestreo de aceptacin no es una estrategia de mejora
de la calidad, es ms bien una estrategia de contencin y de garanta con cierto nivel
de seguridad de que se cumplan ciertas especificaciones de calidad que han sido
definidas.
Tampoco este tipo de muestreo proporciona buenas estimaciones de la calidad de lote.
De esta manera, en toda relacin cliente-proveedor se debe buscar mejorar
los procesos y corregir de fondo las causas de la deficiencia en la calidad. El muestreo
de aceptacin debe verse como un esfuerzo complementario de alcance limitado pero
que bajo ciertas condiciones especficas es la decisin ms viable como estrategia
defensiva ante el posible deterioro de la calidad.
En este sentido, cuando se pretende enjuiciar un lote se tienen tres alternativas:
inspeccin al 100%, cero inspeccin, o muestreo de aceptacin. Esta ltima es una

decisin intermedia entre las otras dos alternativas opuestas, y a veces resulta ser la
ms econmica globalmente.

EXPERIMENTO
Un experimento es cualquier accin o situacin en investigacin exploracin o
comparacin que se realiza o sucede y que da lugar a la obtencin de un conjunto de
resultados posibles, son casos de experimentos los siguientes:
La determinacin de los ingresos mensuales de los trabajadores en una fabrica
La determinacin del grado de instruccin de un grupo de personas
El lanzar un dado
La determinacin del estado civil en un grupo de comerciantes
Muestreo: Se habla de poblaciones y muestras se revisara brevemente cada uno de
estos conceptos.
Poblacin: se define como la totalidad de eventos existentes que tienen en comn una
o ms caractersticas. Tambin se les conoce con el nombre de universo.
Una muestra: es una porcin de una poblacin o universo que lo representa en una o
alguna de sus caractersticas de manera ms o menos adecuada, es decir la muestra
representa caractersticas idnticas o por lo menos no lo suficientemente distintas de la
poblacin. Como para considerarla como representativa de la misma.

c. Muestras probabilsticas
La caracterstica esencial del tipo de muestreo probabilstico es que se pueden
especificar para cada elemento de la poblacin la probabilidad que tiene que
quedar incluido en la muestra, que es la misma para todos y cada uno de ellos.
En el muestreo de no probabilidad no existe la posibilidad de hacer esa
determinacin como tampoco la seguridad de que cada elemento tenga alguna
probabilidad de ser incluido. El muestreo de probabilidad es el nico que hace
posible

los

planes

de

muestreo

representativo.

Permite que el investigador investigue el grado

con el que los resultados basados en su muestra tienden a diferir de los que
habra obtenido de haber estudiado toda la poblacin. Con este tipo de
muestreo puede especificar el
de

varios

tamao de la muestra (o bien los tamaos

componentes

de

muestras

complejas) que precisar, el grado de certeza con el que desea que

los

resultados de su muestra no difieran ms all de un determinado limite que se

habra logrado si se hubiera estudiado a la poblacin total. Alguno de los
procedimientos que forman parte del muestreo probabilstico son los siguientes:
-

Muestreo al azar simple:

Este tipo de muestra se selecciona mediante un proceso que no solamente
da a cada elemento una oportunidad igual de ser incluido en la muestra, sino
que tambin hace la seleccin de cualquier cambio combinacin posible del
nmero deseado de casos igualmente semejantes.
El procedimiento general es el de asignarle un nmero a todo y cada uno
de los casos de la poblacin en cuestin.
Despus se toma una Tabla de Nmeros Aleatorios, y al azar se toma

un

punto determinado de esta, y los casos cuyos nmeros estn por encima o
por debajo; o a la derecha o a la izquierda (segn se quiera) del nmero
sealado se toma como muestra hasta llegar a la totalidad de los casos
deseados.
-

Muestra estratificada al azar:

En este caso, la poblacin se divide primeramente en dos o ms

estratos.

Estos estratos pueden estar basados en un criterio nico o en una

combinacin de dos o ms criterios.
En el muestreo estratificado lo que se toma de cada extremo de una muestra
al azar simple, y entonces se unen las submuestras para formar la muestra
total.
-

Muestreo en racimo:
En el muestreo en racimo se llega a la ltima serie de elementos
susceptible de ser incluido en la muestra mediante la obtencin, en primer
lugar, de las agrupaciones mayores (racimos).
Los racimos son seleccionados por mtodos

de

muestreo

simple

estratificado por azar; y si no van a ser incluidos en la muestra

todos

o
los

elementos de estos racimos, la seleccin ltima a partir de los racimos

tambin

se

lleva

cabo

con

cualquiera

procedimientos, de muestreo simple o estratificado por azar.

de

los dos

Por ejemplo en un estudio de familias urbanas se puede tomar una muestra

de distritos (racimos), y dentro de cada distrito seleccionado, una muestra de
familias.
Si el muestreo es llevado a cabo en una serie de etapas es posible, desde
luego, la combinacin de muestreo de probabilidad y de no probabilidad en
un solo esquema.
Ejemplo de racimo
UNIDAD DE ANLISIS

POSIBLES RACIMOS

Adolescentes

Preparatorias

Obreros

Industrias

Amas de casa

Mercados

Nios

Colegios

Personajes de televisin

Programas de televisin

d. Muestras no Probabilsticas (muestras dirigidas)

A continuacin se sealan algunos de los procedimientos a los que se puede
recurrir en el muestreo de no probabilidad.
-

Muestras accidentales:
En una muestra accidental simplemente se toman los casos que viene a la
mano,

continuando

el

proceso hasta que la muestra

adquiera el tamao precisado.

-

Muestras por cuota:

Con este tipo de muestreo se intenta incluir

a los diversos estratos de la

poblacin en la muestra, tomando en cuenta las proporciones con las que

stos

ocurren

en

la

poblacin.

La

condicin bsica en el muestreo por cuota no es que los distintos

estratos de la poblacin sean representados por muestras en sus
proporciones correctas, sino ms bien que

haya el suficiente nmero de

casos de cada estrato para hacer posible una estimacin del valor del estrato
de

la

poblacin,

se

pueda

conocer

proporcin con la que se constituye en la poblacin cada uno de

tales estratos.

la

Muestras intencionadas
La hiptesis bsica detrs del muestreo intencionado es que con buen juicio
y una estrategia adecuada se pueden seleccionar fcilmente los casos a ser
incluidos

en

la

muestra

y por lo tanto

desarrollar muestras que sean satisfactorias en relacin con las

necesidades.

Una

de

las

aproximaciones

ms

propias
generales

consiste en tomar casos que se juzgan como tpicos de la poblacin en la

que

se

est

interesando, suponiendo que los errores de juicio

seleccin tendern a compensarse entre s.

en

la