Está en la página 1de 7

SERVICIO NACIONAL DE

ADIESTRAMIENTO EN
TRABAJO INDUSTRIAL
Dirección Zonal CAJAMARCA – AMAZONAS –
SAN MARTÍN
Curso:
Gestión de la Calidad
TEMA:

Control estadístico de la calidad


Especialidad:
ADMINISTRACIÓN INDUSTRIAL

AUTORES
 DIAZ BOCANEGRA, Deiner
 ALTAMIRANO MONDRAGÓN, Luis Fernando
 HUAMAN LIZANA, Jimy Luis

INSTRUCTOR:
Pereyra Gonzales, Tony Venancio

MOYOBAMBA- PERU
2018
 Control estadístico de la calidad. Concepto, objetivos
“Control Estadístico de la Calidad” como la aplicación de diferentes técnicas estadísticas a procesos
industriales (mano de obra, materias primas medidas, máquinas y medio ambiente), procesos
administrativos y/o servicios con objeto de verificar si todas y cada una de las partes del proceso y
servicio cumplen con unas ciertas exigencias de calidad y ayudar a cumplirlas, entendiendo por
calidad “la aptitud del producto y/o servicio para su uso.

 El objetivo del Control Estadístico de la Calidad es:


 Detectar rápidamente la ocurrencia de variabilidad debida a causas asignables.
 Investigar la(s) causa(s) que la han producido y eliminarla(s).
 Informar de ella para la toma de decisión oportuna, pues de lo contrario se producirían gran
cantidad de unidades de calidad no aceptable, originando una disminución de la capacidad
productiva e incremento de costos del producto terminado (supervisor).
 Eliminar, si es posible, o al menos reducir al máximo la variabilidad del proceso (dirección).

Definición de Estadística Descriptiva

Estadística Descriptiva a la disciplina matemática que se encarga de recolectar, analizar, clasificar,


graficar y describir las propiedades de los distintos datos matemáticos, obtenidos en base a un
muestreo específico, tomado de una población determinada. Así mismo, por lo general, la
Estadística Descriptiva es tenida como la disciplina que procesa datos, a fin de prepararlos para su
uso en tablas, gráficas o medidas numéricas, que permiten entonces el análisis de la información
numérica, a fin de entender sus características.

Objetivo de Estadística Descriptiva

El objetivo principal o general de la Estadística Descriptiva será la de poder, a través del análisis
numérico, entender y traducir a hechos, reacciones o comportamientos, la realidad numérica
observada en una población, a fin de poder inferir su comportamiento ante un fenómeno preciso,
pudiendo entonces hacer proyecciones correctas, que vengan a señalar cómo se comportaría
determinada población ante este.

 PARAMETROS ESTADISTICOS.
Un parámetro estadístico es un número que se obtiene a partir de los datos de una distribución
estadística. Los parámetros estadísticos sirven para sintetizar la información dada por una tabla o
por una gráfica.

Tipos de parámetros estadísticos

Hay tres tipos parámetros estadísticos:

Parámetros de centralización.
Parámetros de posición.
Parámetros de dispersión.

Medidas de centralización
Nos indican en torno a qué valor (centro) se distribuyen los datos.
Las medidas de centralización son:

 Media aritmética

La media es el valor promedio de la distribución.

 Mediana

La mediana es la puntación de la escala que separa la mitad superior de la distribución y la


inferior, es decir divide la serie de datos en dos partes iguales.

 Moda

La moda es el valor que más se repite en una distribución.

Medidas de posición
Las medidas de posición dividen un conjunto de datos en grupos con el mismo número de
individuos. Para calcular las medidas de posición es necesario que los datos estén ordenados de
menor a mayor.

Las medidas de posición son:

 Cuartiles

Los cuartiles dividen la serie de datos en cuatro partes iguales.

 Deciles

Los deciles dividen la serie de datos en diez partes iguales.

 Percentiles

Los percentiles dividen la serie de datos en cien partes iguales.

Medidas de dispersión
Las medidas de dispersión nos informan sobre cuanto se alejan del centro los valores de la
distribución.

Las medidas de dispersión son:

 Rango o recorrido

El rango es la diferencia entre el mayor y el menor de los datos de una distribución estadística.

 Desviación media

La desviación media es la media aritmética de los valores absolutos de las desviaciones respecto a
la media.

 Varianza

La varianza es la media aritmética del cuadrado de las desviaciones respecto a la media.


 Desviación típica

La desviación típica es la raíz cuadrada de la varianza.

MEDIA MUESTRAL

La media muestral es una variable aleatoria, ya que depende de la muestra, si bien es una variable
aleatoria en general con una varianza menor que las variables originales usadas en su cálculo. Si la
muestra es grande y está bien escogida, puede tratarse la media muestral como un valor numérico
que aproxima con precisión la media poblacional, que caracteriza una propiedad objetiva de la
población.

MEDIA POBLACIONAL

La media poblacional técnicamente no es una media sino un parámetro fijo que coincide con la
esperanza matemática de una variable aleatoria. El nombre "media poblacional" se usa para
significar qué valor numérico de una media muestra es numéricamente cercano al parámetro media
poblacional, para una muestra adecuada y suficientemente grande.

VARIABLE CONTINUA

Es aquella que puede tomar un número infinito de valores entre dos valores
cualesquiera de una característica. Ejemplo:

La altura de los 5 amigos: 1.73, 1.82, 1.77, 1.69, 1.75.

VARIABLE DISCRETA

Son aquellas cuyas observaciones se agrupan ‘inherentemente’ o ‘naturalmente’ en


categorías, porque dichas variables por su naturaleza sólo pueden tomar ciertos valores
muy específicos. El “género” de un sujeto es un buen ejemplo de una variable discreta.

DISTRIBUCIÓN CONTINUA

Una distribución continua describe las probabilidades de los posibles valores de una variable
aleatoria continua. Una variable aleatoria continua es una variable aleatoria con un conjunto de
valores posibles (conocido como el rango) que es infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por debajo de
la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una probabilidad diferente
de cero. La probabilidad de que una variable aleatoria continua equivalga a algún valor siempre es
cero.

DISTRIBUCIÓN DISCRETA

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.
 CÁLCULO DE MEDIA, VARIANZA Y DESVIACIÓN ESTANDAR PARA DISTRIBUCIÓN
DISCRETA
 MEDIA
La medida de localización más importante es la media, o valor promedio, de una
variable. La media proporciona una medida de localización central de los datos. Si
los datos son datos de una muestra, la media se denota; si los datos son datos de
una población, la media se denota con la
letra griega μ.

 VARIANZA
La varianza es una medida de variabilidad que utiliza todos los datos. La varianza
está basada en la diferencia entre el valor de cada observación (xi) y la media. A la
diferencia entre cada valor xi y la media (cuando se trata de una muestra, μ cuando
se trata de una población) se le llama desviación respecto de la media. Si se trata
de una muestra, una desviación respecto de la media se escribe (xi _), y si se trata
de una población se escribe (xi _ μ). Para calcular la varianza, estas desviaciones
respecto de la media se elevan al cuadrado.

 DESVIACIÓN ESTÁNDAR

La desviación estándar se define como la raíz cuadrada positiva de la varianza.


Continuando con la notación adoptada para la varianza muestral y para la varianza
poblacional, se emplea para denotar la desviación estándar muestral y σ para
denotar la desviación estándar poblacional. La desviación estándar se obtiene de la
varianza como sigue.
LA DISTRIBUCIÓN BINOMIAL

Un experimento es llamado de Bernoulli, si satisface las siguientes características:


 En cada repetición puede ocurrir sólo una de dos maneras, una de ellas es llamada Éxito y
la otra Fracaso.
 La probabilidad de Éxito, representada por p, debe permanecer constante cuando el
experimento es repetido muchas veces.
 Las repeticiones de los experimentos deben ser independientes entre sí.
La función de probabilidad de una binomial es:

para x = 0, 1, …, n.

El valor de p(x) para diversos valores de n y p aparece en tablas de todo texto básico de
Estadística.

DISTRIBUCION DE POISSON

En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de


probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad
de que ocurra un determinado número de eventos durante cierto período de tiempo.
Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con probabilidades
muy pequeñas, o sucesos "raros"
LA DISTRIBUCIÓN NORMAL

Es llamada tambien Distribución Gaussiana en honor a K. Gauss, es una distribución del tipo
continuo. Su comportamiento es reflejado por la Curva Normal que es la gráfica de la siguiente
ecuación.

Si una variable aleatoria X tiene una distribución Normal, para calcular la probabilidad de que X
caiga entre dos valores a y b entonces, hallar el área debajo de la curva entre a y b, y se puede hacer
por el proceso de Cálculo llamado Integración.

ESTANDARIZACIÓN DE LAS VARIABLES PARA LA DISTRIBUCIÓN NORMAL

Las distribuciones de probabilidad de variable continua que con más frecuencia aparece en
estadística y en la teoría de probabilidades.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de un


determinado parámetro estadístico. Esta curva se conoce como campana de Gauss y es el gráfico
de una función gaussiana.

La importancia de esta distribución radica en que permite modelar numerosos fenómenos


naturales, sociales y psicológicos. Mientras que los mecanismos que subyacen a gran parte de este
tipo de fenómenos son desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observación se
obtiene como la suma de unas pocas causas independientes.