CONTROL ESTADÍSTICO DE

PROCESOS
SEMANA 5
ESTADÍSTICA INFERENCIAL
POBLACIÓN O UNIVERSO.- desde el punto de vista estadístico, es el conjunto
formado por la totalidad de individuos, especímenes, objetos o medidas de
interés sobre los que se realiza un estudio.
Las poblaciones se clasifican en finitas o infinitas. Si es finita y pequeña es
posible medir todos los individuos para tener un conocimiento “exacto” de
las características (parámetros) de esa población.
Si la población es infinita o grande es imposible e incosteable medir a todos
los individuos, en este caso es preciso sacar una muestra representativa de
dicha población, y con base en medidas calculadas con los datos muestrales
(estadísticos) se realizan, mediante los métodos apropiados, afirmaciones
acerca de los parámetros de la población.
RELACIÓN ENTRE POBLACIÓN Y MUESTRA,
PARAMETROS Y ESTADÍSTICOS
MUESTRA
• Un aspecto importante será lograr que las muestras sean representativas,
en el sentido de que reflejen las características clave de la población en
relación con los objetivos del estudio. Una forma de lograr esa
representatividad consiste en diseñar de manera adecuada un muestreo
aleatorio (azar), donde la selección no tenga algún sesgo en una dirección
que favorezca la inclusión de ciertos elementos en particular, sino que
todos los elementos de la población tengan las mismas oportunidades de
ser incluidos en la muestra.
• Existen varios métodos de muestreo aleatorio, por ejemplo, el simple, el
estratificado, el muestreo sistemático y por conglomerados; cada uno de
ellos logra muestras representativas en función de los objetivos del estudio
y de ciertas circunstancias, así como características particulares de la
población
ESTADÍSTICA INFERENCIAL
• La inferencia estadística tiene como objetivo establecer las
características de una población o proceso con base en la información
contenida en la muestra.
• La inferencia se divide en estimación y prueba de hipótesis, y se
apoya en cantidades o estadísticos calculados de las observaciones de
la muestra.
• Los estadísticos, como medidas o funciones de los datos muestrales,
que no contienen parámetros desconocidos, ayudan a caracterizar la
distribución de tales datos.
ESTADÍSTICA INFERENCIAL
• Un aspecto clave en la interpretación y uso de cualquier estadístico es
que es una variable aleatoria, ya que su valor depende de los
elementos que son seleccionados en la muestra y, por lo tanto, varía
de una muestra a otra. La forma de tomar en cuenta este hecho es
conocer la distribución de probabilidad de cada estadístico.
• Una distribución de probabilidad también se puede considerar una
distribución teórica de frecuencia, que describe cómo se espera que
varíen los resultados de la variable aleatoria. De esta forma, lo
aleatorio se modela (describe, acota), y al observar una realización
específica de un estadístico es posible corroborar o rechazar
supuestos (prueba de hipótesis) o hacer estimaciones poblacionales.
Estimación puntual y por intervalo
• El estimador puntual de un parámetro es un estadístico que genera
un valor numérico simple, y que se utiliza para proporcionar una
estimación del valor del parámetro desconocido. Los estimadores
puntuales (estadísticos) más recomendados para estimar estos
parámetros son, respectivamente:
Estimación por intervalo
• Cuando se quiere tener mayor certidumbre acerca del verdadero valor del
parámetro poblacional, será necesario obtener la información sobre qué
tan precisa es la estimación puntual. Una forma de saber qué tan variable
es el estimador consiste en calcular la desviación estándar o error estándar
del estadístico.
• Una forma de saber qué tan precisa es la estimación, intervalo de confianza
que indique un rango “donde puede estar el parámetro” con cierto nivel de
seguridad o confianza. Construir un intervalo a 100(1 − α)% de confianza
para un parámetro desconocido θ consiste en estimar dos números
(estadísticos) L y U, de manera que la probabilidad de que θ se encuentre
entre ellos sea 1 − α, es decir,
Intervalo de confianza para una media
• Sea x1, x2, ..., xn una muestra aleatoria de tamaño n de una población, con una
distribución normal con media μ y varianza σ2, ambas desconocidas. El
procedimiento general para deducir el intervalo consiste en partir de un
estadístico que involucra al parámetro de interés y que tenga una distribución
conocida. En el caso de μ, tal estadístico es:

el cual tiene una distribución T de Student con n − 1 grados de libertad. Por lo

tanto, en la tabla de esta distribución o en su gráfica se pueden ubicar dos valores
críticos tα/2 y −tα/2, tales que:
Intervalo de confianza para una media
• De aquí, al despejar hasta dejar al parámetro de interés sólo en medio de las
desigualdades, se llega a que:

forman el intervalo a 100(1 − α)% para la media desconocida μ. En la tabla de la

distribución T de Student se observa que para una muestra mayor o igual a 30, el
intervalo a 100(1 − α)% para la media μ es aproximadamente o sea, la media
más menos dos veces la estimación de su error estándar.
Ejemplo
• Se tiene un proceso de inyección de plástico donde una característica
de calidad del producto (disco) es su grosor, que debe ser de 1.20 mm
con una tolerancia de ± 0.10 mm. Para evaluar esta característica de
calidad, durante una semana se realiza un muestreo sistemático en
una línea de producción y se obtienen 25 muestras de tamaño 5 cada
una. Por lo tanto, al final se tiene una muestra de n = 125 y se obtiene
la media muestral, 𝑥ҧ = 1.179 mm y la varianza, S2 = 0.00071, por lo
que la estimación del error estándar de la media es:
Tamaño de la muestra
• En ocasiones es necesario calcular el tamaño de muestra n para lograr
que la estimación de una media poblacional μ tenga como error
máximo a un número E. En este caso, como el error de estimación
está dado por:

entonces para propósitos prácticos y con tamaños de muestra mayores

que 30
Resumen de fórmulas para intervalos de confianza
Ejemplo
En el proceso de fabricación de discos para computadoras una de las
variables criticas es el rendimiento del formato. Se toma una muestra
aleatoria de n = 10 discos de la producción del ultimo turno, se
formatean y se reporta el rendimiento de cada disco. Los datos
obtenidos son: 96.11, 91.06, 93.38, 88.52, 89.57, 92.63, 85.20, 91.41,
89.79, 92.62
Con base en estos datos interesa estimar, de manera puntual y por
intervalo, la media y la desviación estándar para la población de discos
de dicho turno. Con 95% de confianza
Intervalo para una proporción
En el supuesto de que el número de artículos defectuosos en una muestra sigue
una distribución binominal, y si se inspeccionan n artículos y se encuentra una
proporción 𝑝Ƹ de defectuosos, es posible construir un intervalo de confianza para la
proporción poblacional p, apoyándose en la aproximación de la distribución
binomial por la normal, que es adecuada cuando np ≥ 5 y n(1 − p) ≥ 5. En estas
condiciones se puede afirmar que la proporción muestral sigue de manera
aproximada una distribución normal con media p y varianza p(1 − p)/n. Con la
misma argumentación que en el intervalo para la media, se deduce que el intervalo
de confianza para la proporción es de la forma:
Ejemplo
• Se quiere estimar la proporción p de artículos defectuosos en un lote
de 2 000 piezas (población). Para ello, se toma una muestra aleatoria
de n = 100 artículos y se encuentra que de estos, X = 5, son
defectuosos.
Tamaño de la muestra
Si se quiere estimar el tamaño de la muestra n, que es necesario para
estimar p con un error máximo de E, entonces dado que:

donde 𝑝Ƹ es una estimación del valor de p.