Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CMIP-
– Centro
Centro de
de Metrologia
Metrologia ee Instrumentação
Inovação em Processos
Estadística Fundamental
Aplicada a los Análisis en
Laboratorios
Título do Slide
• Permitir el entendimiento de los conceptos fundamentales de
estadística, con la intención de sustentar el aprendizado de los
conceptos básicos de metrología y control de calidad.
• Crear las bases para el desenvolvimento de cálculos de
incertidumbre de medición y construcción de gráficos de control.
Contenidos
1. Estadística descriptiva
2. Probabilidad y distribuciones de probabilidad
3. Ajuste de curvas
4. Control estadístico de proceso
5. Análisis estadístico con Microsoft EXCEL
1. Estadística descriptiva
Tipos de datos
Ejemplos:
masa, longitud, temperatura, fuerza, tensión,
corriente, volumen, caudal ...
Muestra y Población
Población o
Universo
Muestra
Ejemplos: Ejemplos:
• Todos los cerámicos de un • Conjunto de baldosas cerámicas
cierto tipo producidos durante extraídas del proceso en grupos
un periodo definido; de 3 unidades cada 8h de
producción;
• El film de polietileno producido
en el mes de Marzo por una • Conjunto de los trozos de film de
determinada empresa o línea polietileno de 4 cm2 obtenidos
de producción; cada 4 h de producción en Marzo;
• El volumen total de petróleo • Muestras de petróleo 1 dm3
producido en un cierto obtenidas en cada pozo del
yacimiento; yacimiento una vez por semana;
Recolección de datos:
Debe tener un propósito bien definido. Ejemplos:
• Inspección de la calidad, orientada a definir acciones sobre el producto
(inspección 100%, aceptación por muestreo, muestreo on-line);
• Inspección de la calidad, orientada a definir acciones sobre el proceso
(CEP);
• Recolección de datos para gestión preventiva de la calidad;
• Análisis de no-conformidades (causa-efecto) ...
Plan de (re)acción o de
contingencia
Son 5W1Hs!
Plan de muestreo What? Qué?
Who? Quién?
Where? Dónde?
When? Cuándo?
Why? Por qué?
How? Cómo?
Marcas
Desvío Frec
5 10 15 20
-9
LIE -8
-7
Ejemplo
-6
-5 1
-4 2
-3 4
-2 6
-1 9
83 0 11
1 8
2 7
3 3
4 2
5 Una cruz por cada 1
6 1
7
evento
LSE 8
9
Total 55
16
14
12
10
8
6
4
2
329,5
329,6
329,7
329,8
329,9
330,0
330,1
330,2
330,3
330,4
330,5
330,6
330,7
330,8
Ejemplo:
Temperatura
30 40 50 60 70 80
Histograma
• Permite visualizar la forma de la distribución de una variable a partir de
los valores obtenidos en una muestra de tamaño adecuado (generalmente,
no menor de 50 unidades);
• Se lo dibuja en forma distinta, según la variable bajo análisis sea discreta
o continua;
• Para datos de una variable discreta se lo suele denominar diagrama de
bastones o de barras;
• Para datos de variable continua, se lo conoce directamente con el nombre
de histograma;
• En todos los casos, un histograma se se obtiene graficando las frecuencias
absolutas o las frecuencias relativas:
Construcción de histograma
(variables continuas ):
Etapa 1:
Luego de recolectados los datos, identifique el valor máximo y el valor mínimo
obtenidos en la muestra. Calcule a continuación la diferencia entre ellos, denominada
amplitud o rango:
Etapa 4:
Clasifique los datos por comparación con los límites de clase obtenidos
en el punto anterior y calcule las frecuencias absolutas y relativas.
Construya la tabla de frecuencias.
Etapa 5:
Dibuje el histograma de la misma forma que se hace para variables
discretas, pero trace los rectángulos de forma que se toquen entre sí.
Ejemplo:
Resultados de 90 mediciones de pH en una solución:
7,510; 7,517; 7,522; 7,522; 7,510; 7,511; 7,519; 7,532; 7,543
7,525; 7,527; 7,536; 7,506; 7,541; 7,512; 7,515; 7,521; 7,536
7,529; 7,524; 7,529; 7,523; 7,523; 7,523; 7,519; 7,528; 7,543
7,538; 7,518; 7,534; 7,520; 7,514; 7,512; 7,534; 7,526; 7,530
7,532; 7,526; 7,523; 7,520; 7,535; 7,523; 7,526; 7,525; 7,532
7,522; 7,502; 7,530; 7,522; 7,514; 7,533; 7,510; 7,542; 7,524
7,530; 7,521; 7,522; 7,535; 7,540; 7,528; 7,525; 7,515; 7,520
7,519; 7,526; 7,527; 7,522; 7,542; 7,540; 7,528; 7,531; 7,545
7,524; 7,522; 7,520; 7,519; 7,519; 7,529; 7,522; 7,513; 7,518
7,527; 7,511; 7,519; 7,531; 7,527; 7,529; 7,528; 7,519; 7,521
Etapa 1
Valor máximo en la muestra= 7,545
Valor mínimo en la muestra= 7,502
Rango= 7,545-7,502=0,043
Etapa 2
número de clases = 90 = 9 . 48 ≅ 9 clases
rango 0 ,043
intervalo de clase = = ≅ 0 ,005
9 9
Etapa 3
Límites de clase:
7 ,5005; 7,5055; 7,5105; 7,5155; 7,5205;
7,5255; 7,5305; 7,5355; 7,5405; 7,5455
Etapa 4
Tabla de frecuencias absolutas y relativas
Etapa 5
Frecuencia Frecuencia
22 absoluta relativa 0,25
20
18 0,20
16
14 0,15
12
10
8 0,10
6
4 0,05
2
0 0
1 2 3 4 5 6 7 8 9
clases
Observación:
Para que el histograma cumpla adecuadamente el objetivo de poner en
evidencia la distribución de los datos, debe tener una adecuada relación de
aspecto. Se recomienda que la altura del rectángulo más alto sea de 0.5 a 2.0
veces la distancia entre los valores máximo y mínimo en el eje horizontal.
Histogramas
simple acumulado
Intervalo de clase
Diagrama de Pareto
• La mayoría de las pérdidas de calidad se deben a algunos pocos tipos de
defecto, que pueden ser atribuidos a una pequeña cantidad de causas: se
los denomina los “pocos importantes” o “pocos vitales”.
• Fenómenos generalmente son influenciados por pocas causas dominantes
y muchas causas secundarias.
Influência
Causas
A B C D E F Outras
Ejemplo:
Se desea identificar los pocos defectos vitales en elementos de
polipropileno inyectado. Se producen habitualmente los siguientes tipos
de defectos: fisuras, rayas, manchas, deformaciones, rayas profundas,
porosidad y otros. Se planifica analizar visualmente 1000 piezas
producidas en forma consecutiva.
F is u r a //// //// 1 0
R a ya //// //// //// ... //// // 4 2
M a n ch a //// / 6
D e f o r m a c ió n //// //// //// ... //// //// 1 0 4
R a y a p ro fu n d a //// 4
P o r o s id a d //// //// //// //// 2 0
O tro s //// //// //// 1 4
T o ta l 2 0 0
200 100
180 90
160 80
140 70
120 60
100 50
80 40
Porcentaje acumulada
60 30
Cantidad de defectuosos
40 20
20 10
0 0
Raya
Otros
Fisura
Mancha
Porosidad
Deformación
Raya profunda
Descriptores cuantitativos
Mínimo
Máximo Media
Cuartiles Mediana
Percentiles
Mínimo
Es el menor valor encontrado en la muestra
muestral min (x 1 , x 2 , ... x n )
min( x j ) ∀ j = 1 ... n
Máximo
Es el mayor valor encontrado en la muestra
muestral m ax (x 1 , x 2 , ... x n )
m ax ( x j ) ∀ j = 1 ... n
Determinación de la mediana:
1 n
Media: x = ⋅
∑x
n j =1 j
1
x = ⋅ (7,510 + 7,517 + ... + 7,521)
90
x = 7,5247
x j − x = −1,.15
x k − x = 2.,85
xi = 6 x k = 10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
x = 7.,15
n 2
1 Suma de las
s = ⋅ ∑ x − x ( )
n − 1 j =1 j diferencias
cuadradas
n 2
2 1
s = ⋅ ∑ (x j − x )
n − 1 j =1
Ejemplo:
Desvío estándar:
n
1
s = ⋅ xj −x( )2
n −1 ∑j =1
1
s = ⋅ ⎡ x1 − x
( )2 + ... + (x 90 −x
⎢⎣
90 − 1
)2 ⎤⎥⎦
1
s = ⋅ (7 ,510 − 7 ,5247
[ )2 + ... + (7 ,521 − 7 ,5247 )2 ]
89
s = 0 ,00 89
Varianza:
s 2 = 0 ,0089 2 = 0 ,00008
7,5105
7,5005
7,5055
7,5455
Ejercicio 1: Estadística
Descriptiva
2. Probabilidad y
distribuciones de probabilidad
• 2.1. Conceptos básicos
• 2.2. Función de distribución
• 2.3. Tipos de distribución de probabilidad
• 2.4. Distribución normal y análisis de normalidad
• 2.5. Población y muestra
• 2.6. Teorema del límite central
• 2.7. Correlación
• 2.8. Conceptos generales sobre Z-score, error normalizado y
ANOVA.
Espacio muestral
Probabilidad
• Concepto clásico:
– “Si existen “n” posibilidades con las mismas chances de
ocurrir, de las cuales “s” son clasificadas como favorables
(o éxito), entonces la probabilidad de éxito es dada como
s/n”
– Ejemplo: la probabilidad de obtener un número par al jugarse
um dado honesto:
Variables aleatorias
• Son funciones definidas sobre los elementos de un espacio
muestral.
– ej: suma de dos dados, cotación del Dólar, precipitación diaria de
lluvia en una ciudad, límite de resistencia de una pieza, etc.
• Pueden ser
– discretas
– continuas
• Convención:
– variables aleatorias: X, Y, ... (letras mayúsculas)
– valores posibles de las variables aleatorias: x, y, ... (minúsculas)
f(x) F(x)
0,50 1,00
0,25 0,50
x x
1 2 3 4 5 1 2 3 4 5
© COPYRIGHT 2011 - Fundação CERTI 43
Estadística Fundamental
μ= ∑ x. f ( x) = E( x)
todosx
• Varianza
2 2
σ = ∑(x − μ) . f (x)
todosx
b
P(a ≤ X ≤ b) = ∫ f ( x) dx
a
f ( x) ≥ 0, ∀x
∞ x
∫ f (x)dx =1 a b
−∞
F(b)
F(a) x
P(a ≤ X ≤ b) = F (b) − F (a) a b
• Varianza
∞ ∞
σ 2 = ∫ ( x − μ)2 f ( x) dx = ∫ x2 f ( x) dx − μ 2
−∞ −∞
probabilidad
1.2
0.8
1/6 0.6
0.2
0
1 2 3 4 5 6 0 1 2 3 4 5 6 7
Valores
Lanzamiento de un dado
probabilidad (1/36)
2 3 4 5 6 7 8 9 10 11 12
Suma de dos dados
Lanzamiento de un dado
1.2
0.8
0.6
0.4
Probabilidade (1/6)
0.2
0
0 1 2 3 4 5 6 7
Valores
0
0 1 2 3 4 5 6 7
M édi a d e 2 d ado s
30
25
20
15
10
16 0
14 0
12 0
10 0
80
60
40
500 0
450 0
400 0
350 0
300 0
250 0
200 0
150 0
100 0
160000
140000
120000
100000
80000
60000
40000
20000
Probabilidade (1/1679616)
0
0 1 2 3 4 5 6 7
Média de 8 dados
Curva normal
puntos de inflexión
σ = desvio estándar
μ = media
asíntota σ σ asíntota
μ
© COPYRIGHT 2011 - Fundação CERTI 57
Estadística Fundamental
μ-σ μ μ+σ
X
0 3
f(y) μ=0
σ=2
Y = X −3
0 3
f(z) μ=0
σ=1
X −3
Z=
2
0 3
© COPYRIGHT 2011 - Fundação CERTI 60