CASO 1 Brix

LIE 13
LSE 14
T (promedio limites) 13.5
Tiempo (min) Brix
0 14 Promedio 13.57
10 13.8 Desv. Estandar 1.29
20 14.3
30 12
40 13 Cp 0.13
50 13.7
60 14.2
70 14.1
80 15
90 16
100 10
110 13.8
120 13.9
130 12.7
140 12.9
150 13.4
160 13.9

CpK sup 0.111

CpK inf 0.148

CpK sup < CpK inf

El promedio tiende al LSE

Especificaciones 995 ml 1000 ml 1005 ml

Tolerancia ± 5 ml

Proceso 1002 ml

Temperatura (ºC) 41 43 45
CASO 2 Brix
LIE 13
LSE 14
T (promedio limites) 13.5
Tiempo (min) Brix
0 14 Promedio 13.45
10 13.8 Desv. Estandar 0.64
20 14.3
30 12
40 13 Cp 0.26
50 13.7
60 14.2
70 14.1
80 13
90 13
13
110 13.8
120 13.9
130 12.7
140 12.9
150 13.4
160 13.9

CpK sup 0.286

CpK inf 0.237

CpK inf < CpK sup

El promedio tiende al LIE

998 ml
PARETO

Una empresa fabrica y entrega sus productos a varias tiendas mino

devoluciones. Para ello, investigó la cantidad de ocurrencias que ge
último semestre, como se muestra en la siguiente tabla:

Razón Numero de ocurrencias

AE 140
AT 125
PD 65
FI 60
SE 45
PE 30
PrE 20
OTROS 15
TOTAL 500
s a varias tiendas minoristas y quiere reducir el número de
de ocurrencias que generaron devolución de entrega en el
ente tabla:

Casos acumulados Porcentaje unitario Porcentaje acumulado Razón

140 28 28 AE
265 25 53 AT
330 13 66 PD
390 12 78 FI
435 9 87 SE
465 6 93 PE
485 4 97 PrE
500 3 100 OTROS
100 TOTAL
Numero de ocPorcentaje acumulado Este gráfico no está disponible en su versión de Excel.
140 28
125 53 Si edita esta forma o guarda el libro en un formato de archivo diferente, el
65 66 gráfico no se podrá utilizar.
60 78
45 87
30 93
20 97
15 100
500
l.

e archivo diferente, el
Y Y Y

r=1
0<r<1

X
X

CORRELACIÓN TOTAL CORRELACIÓN PARCIAL AJUSTE DE CURV

POSITIVA POSITIVA
Y
Y

r = -1 -1 < r < 0
 X X

CORRELACIÓN TOTAL CORRELACION PARCIAL AJUSTE CON LIMI

NEGATIVA NEGATIVA
 Peso fruta Peso Peso fruta Peso
1 8 1 8
2 7 2 7
3 1 3 9
4 15 4 12
5 20 5 11
6 8 6 8
7 7 7 7
8 6 8 6
9 9 9 9
10 1 10 10

Promedio 8.2 Promedio 8.7

Desv. Estandar 5.8 Desv. Estandar 1.9

Coef. Variación 70.1 Coef. Variación 21.7

8.2 ± 5.8 8.7 ± 1.9

25
Fresa Brix real Brix predicho
1 15 16
2 13 14

f(x) = 1.08714
X 3 9 7
20

4 5 4
AJUSTE DE CURVA
− 1.08639
5 20 21
15
6 18 19
Brix predicho

R² = 0.969339
7 12 11
8 6 7
10
9 4 3
10 18 19

5
 R² = 0.969339

Brix pre
10

11 17 16
5
X 12 14 13
13 11 12
AJUSTE CON LIMITES 14 16 16 0
2 4 6 8 10
15 9 9
Bri

Función identidad y=x

Coef. Correlacion 250.9846

Coef. Determinación 0.9693 0.96933937

20 f(x) = 1.08714392803598 x − 1.08639430284858
R² = 0.969339367743119
Intersección -1.0864
Pendiente 151.0871

10

0
2 4 6 8 10 12 14 16 18
 Resumen

x) = 1.08714 x Estadísticas de la regresión

Coeficiente de correlación múltiple

1.08639
Coeficiente de determinación R^2
R^2 ajustado

= 0.969339367743119
Error típico
Observaciones

ANÁLISIS DE VARIANZA
 = 0.969339367743119
Grados de libertad

Regresión
Residuos
Total
2 4 6 8 10 12 14 16 18 20 22

Brix real

Intercepción
Variable X 1

25

08639430284858 20 f(x) = − 0.0000450393 x⁶ + 0.00332306 x⁵ − 0.0979096 x⁴ + 1.46615 x³ − 11.688 x²

+ 47.7251 x − 73.1605
R² = 0.973580538500555

15

10

0
12 14 16 18 20 22 2 4 6 8 10 12 14 16 18 20 22
a regresión
0.98455034
0.96933937
0.96698086
1.01141706
15
 Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F

1 420.434795 420.434795 410.996475 3.2007542506E-11 p<0.05

13 13.2985382 1.02296448
14 433.733333

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Superior 95.0%
-1.0863943 0.7177219 -1.51367027 0.15403694 -2.6369382051173 0.4641496 -2.63693821 0.4641496
1.08714393 0.05362509 20.273048 3.20075E-11 0.9712939745596 1.20299388 0.97129397 1.20299388

46615 x³ − 11.688 x²

18 20 22
perior 95.0%
Muestra Valores PROMEDIO
1 28 28
2 27 28
3 28.5 28
4 29.5 28
5 30.5 28
6 28 28
7 27 28
8 28.5 28
9 28 28
10 29 28

31
30

29
28

Presión (psi)
27
26
25
24

23
0 1 2 3 4
Nº

Valores PROME
 L SUP L INF % Azucar
26 30 0
26 30 0.5
26 30 1
26 30 1.5
26 30 2
26 30 2.5
26 30 3
26 30 3.5
26 30 4
26 30 4.5
5
31 5.5
6
30
6.5
29
7
28 7.5
27 8
26 8.5
9
25
9.5
24
10
23 10.5
0 1 2 3 4 5 6 7 8 9 10 11
11
Nº Muestra
11.5
12
Valores PROMEDIO L SUP L INF
12.5
13

R2 CRITICO
Aceptabilidad sabor
Escala no estructurada (10 cm)
0
0.2
0.4
10
0.6
0.7 9
0.8
1 8 f(x) = 0.702930402930403 x − 0.857936507936509
1.5 R² = 0.938374272586182
2 7
Aceptabilidad sabor

2.4
6
2.6
2.7 5
3
3.3 4
3.6
3
3.7
4 2
4.3
4.6 1
4.8
5 0
0 2 4 6 8 10 12
6.5
7 % Azucar
8.5
8
9
10
CONCLUSIÓN: La relación del % azúcar y la aceptabilidad sabor es lineal (R2=0.93>0.7;

70%
85%
100%
 Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.9686972
Coeficiente de determinación R^2 0.93837427
R^2 ajustado 0.93590924
Error típico 0.7290583
Observaciones 27

936507936509 ANÁLISIS DE VARIANZA

Grados de libertad
Suma de cuadrados
Promedio de los cuadrados
Regresión 1 202.338516 202.338516
Residuos 25 13.2881502 0.53152601
Total 26 215.626667

Coeficientes Error típico Estadístico t

Intercepción -0.85793651 0.27299475 -3.14268501
Variable X 1 0.7029304 0.0360276 19.5108873

10 12 14

ad sabor es lineal (R2=0.93>0.7; p=0.00<<0.05)

 F Valor crítico de F
380.674725 1.21176E-16 p<0.05

Probabilidad Inferior 95% Superior 95%Inferior 95.0%

Superior 95.0%
0.00427477 -1.42017972 -0.2956933 -1.42017972 -0.2956933
1.21176E-16 0.62873018 0.77713063 0.62873018 0.77713063
 Observación (pulgadas)
Nº 1 2
1 0.5014 0.5022
2 0.5021 0.5041
3 0.5018 0.5026
4 0.5008 0.5034
5 0.5041 0.5056

1
2
3
4
5
UCL (X) 0.5042
LCL (X) 0.5012

1
2
3
4
5

0.505

0.504
Promedio (pulgadas)

0.503

0.502

0.501

0.5

0.499
0.5 1 1.5 2 2.5
Número
Promedi
0.501

0.5

0.499
0.5 1 1.5 2 2.5
Número
 pulgadas pulgadas
3 4R X
0.5009 0.5027 0.0018 0.5018
0.5024 0.502 0.0021 0.5027
0.5035 0.5023 0.0017 0.5026
0.5024 0.5015 0.0026 0.5020
0.5034 0.5047 0.0022 0.5045
Rprom 0.0021 0.5027 pulgadas
D4 2.282
D3 0
A2 0.729

GRAFICO R

UCL R 0.00474656 pulgadas

LCL R 0 pulgadas

R R prom UCL R LCL R

0.0018 0.0021 0.00474656 0
0.0021 0.0021 0.00474656 0
0.0017 0.0021 0.00474656 0
0.0026 0.0021 0.00474656 0
0.0022 0.0021 0.00474656 0

0.006

0.005

0.004
Rango (pulgada)

0.003

0.002

0.001

0
 0.004

Rango (pulgada)
0.003

0.002

0.001

-0.001
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Número de muestra

pulgadas
pulgadas

X X prom UCL x LCL x

0.5018 0.5027 0.5042 0.5012
0.50265 0.5027 0.5042 0.5012
0.50255 0.5027 0.5042 0.5012
0.502025 0.5027 0.5042 0.5012
0.50445 0.5027 0.5042 0.5012

505

504

503

502

501

0.5

499
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Número de muestra
501

0.5

499
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Número de muestra
Consideremos un lote de tamaño de 1.000 unidades (N=1.000) sobre el cual quere
un muestreo simple tomando una muestra de tamaño 80 unidades (n=80) y defi
número de aceptación 4 unidades, es decir, se aceptará el lote completo si de l
obtiene un máximo de 4 unidades defectuosas (n,c)=(80,4). Si consid
históricamente los lotes de similares características han presentado un 5%
defectuosas (p=5%) la probabilidad de aceptación del lote es de un Pa=62,9%.

Si se considera que el costo unitario de inspección es de $100 (I=$100) y que el co

de falla externa por un artículo defectuoso que pasa la inspección es de $2.000
se requiere estimar el costo del muestreo.

El costo del muestreo sería:

Cm = n*I + (N - n)*p*A*Pa + (N - n)*(1 - Pa)*I
Si se considera que el costo unitario de inspección es de $100 (I=$100) y que el co
de falla externa por un artículo defectuoso que pasa la inspección es de $2.000
se requiere estimar el costo del muestreo.

El costo del muestreo sería:

Cm = n*I + (N - n)*p*A*Pa + (N - n)*(1 - Pa)*I

Cm = 80*$100 + (1.000 - 80)*0,05*$2.000*0,629 + (1.000 - 80)*(1 - 0,629)*$100 =

Se concluye que el costo del muestreo es de $100.000. Esta información es útil t
se requerirá comparar en términos de costo si el plan de muestreo utilizado es m
que otras alternativas de muestreo propuestas. El visitante puede verificar por e
más económico utilizar un plan de muestreo simple con (n,c)=(50,3).

El costo del muestreo sería:

Cm = n*I + (N - n)*p*A*Pa + (N - n)*(1 - Pa)*I

Cm = 80*$100 + (1.000 - 80)*0,05*$2.000*0,629 +
0,629)*$100 = $100.000

Costo inspección: $ 8000

Costo de rechazo posterior: $ 57868
Costo de no realizar la inspección: $ 34132
 CASO 1

00) sobre el cual queremos realizar Lote N 1000

unidades (n=80) y definiendo como Muestra n 80
lote completo si de la muestra se Nº aceptación c 4
c)=(80,4). Si consideramos que (n,c)=(80,4)
n presentado un 5% de unidades Datos p 5%
s de un Pa=62,9%. historicos Pa 62.90%

00 (I=$100) y que el costo unitario Costo unitario I 100

spección es de $2.000 (A=$2.000), de inspección
Costo unitario A 2000
de falla externa
 00 (I=$100) y que el costo unitario
spección es de $2.000 (A=$2.000),

Costo de muestreo Cm 100000

Costo de inspección 8000

Costo de rechazo posterior 57868
80)*(1 - 0,629)*$100 = $100.000 Costo de no realizar la inspección 34132

a información es útil toda vez que

muestreo utilizado es más eficiente En términos generales si el costo de la falla (externa) es
puede verificar por ejemplo si es se seleccionaran tamaños de muestra "grandes".
c)=(50,3). Por el contrario, si el costo de falla es menor en compara
tamaños de muestra "pequeños".

- Pa)*I
$2.000*0,629 + (1.000 - 80)*(1 -

4132
CASO 2

Lote N 1000
Muestra n 400
Nº aceptación c 4
(n,c)=(100,4)
Datos p 5%
historicos Pa 62.90%

Costo unitario I 100

de inspección
Costo unitario A 2000
de falla externa
 Costo de muestreo Cm 100000

Costo de inspección 40000

Costo de rechazo posterior 37740
Costo de no realizar la inspección 22260

de la falla (externa) es alto en comparación al costo de inspección

stra "grandes".
es menor en comparación al costo de inspección se seleccionaran
N=1.000, p=5%
 MUESTREO SIMPLE

N 1000
n 80
c 4
p 5%

N=1.000, p=5% y (n,c)=(80,4).

np 4
c 0 1 2 3 4 5 6

Pa 0.02 0.09 0.24 0.43 0.63 0.79 0.89

 MUESTREO DOBLE

(n1,c1)=(50,2)

8
(n2,c2)=(10,4)

0.98

Consideremos un lote de
queremos realizar un m
características: (n1,c1)=(50
de unidades defectuosas e
Consideremos un lote de
queremos realizar un m
características: (n1,c1)=(50
de unidades defectuosas e
de un p=2%. Se desea estim

En cons

PA = 0,3
+ 0,015

Se conc
de un
anterio
de tab
encuen
Gestión
 n1 50
p 2%
np 1

c Pp
0 36.79%
(10,4) 1 36.79%
2 18.39%
3 6.13%
4 1.53%

PA = Pp(0) + Pp(1) + Pp(2) + Pp(3)*[Pb(0) + Pb(1)] + Pp(4)*Pb

PA 99.25%

s un lote de tamaño de N=1.000 unidades sobre el cu

alizar un muestreo doble que tiene las siguiente
s: (n1,c1)=(50,2) y (n2,c2)=(10,4). El porcentaje históric
defectuosas en lotes de similares características ha sid
s un lote de tamaño de N=1.000 unidades sobre el cu
alizar un muestreo doble que tiene las siguiente
s: (n1,c1)=(50,2) y (n2,c2)=(10,4). El porcentaje históric
defectuosas en lotes de similares características ha sid
Se desea estimar la probabilidad de aceptación del lote

En consecuencia la probabilidad de aceptación de

PA = 0,3679 + 0,3679 + 0,1839 + 0,0613*[0,8171

+ 0,0153*0,8171 = 99,25%

Se concluye que la probabilidad de aceptación

de un 99,25%. Las probabilidades puntuales
anteriormente se pueden obtener adicionalmen
de tablas de probabilidad las cuales usual
encuentran disponibles en la bibliografía asoc
Gestión de Calidad.
 n2 10

Pb
0.81707
0.16675

Pb(1)] + Pp(4)*Pb(0)

sobre el cual
s siguientes n>15 ; p<10% ; N > 10*n
taje histórico
ticas ha sido
sobre el cual
s siguientes
taje histórico
ticas ha sido 50>15 OK
ón del lote. 2%<10% OK
1000>10*50 OK

10<15 X
2%<10% OK
eptación del lote es: 1000>10*10 OK

13*[0,8171 + 0,1667]

ceptación del lote es

puntuales calculadas
cionalmente a través
ales usualmente se
grafía asociada a la
DIST. POISSON

DIST. BINOMIAL
 (n1,c1)=(7,1)

(n2,c2)=(50,2)
(n3,c3)=(80,3)

PA = PB (0) + PB (1) + PB (2)*PP(0) + PB(2)*PP(1)*PP(0) + PB (3)*PP(0)*PP(0)

PA 97.46%
 n>15 ; p<10% ; N > 10*n
MUESTREO TRIPLE N 3000
p 4%
(n3,c3)=(80,3) n1 7 n2 50 n3 80
c1 1 c2 2 c3 3
n2*p 2 n3*p 3.2
PB: n1<15 PP: n2>15 PP: n3>15

c Muestreo 1 Muestreo 2 Muestreo 3

0 75.14% 13.53% 4.08%
1 21.92% 27.07%
2 2.74%
3 0.19%

En consecuencia la probabilidad de aceptación del lote es:

PA = 0,7514 + 0,2192 + 0,0274*0,1353 + 0,0274*0,2707*0,0408 + 0,0019*0,1353*0,0408 = 97,46

Se concluye que la probabilidad de aceptación del lote es de un 97,46%. Las probabilida

calculadas anteriormente se pueden obtener adicionalmente a través de tablas de probabil
usualmente se encuentran disponibles en la bibliografía asociada a la Gestión de Calidad.
 Consideremos un lote de tamaño
de N=3.000 unidades sobre el cual
queremos realizar un muestreo
múltiple que tiene las siguientes
características: (n1,c1)=(7,1),
(n2,c2)=(50,2), (n3,c3)=(80,3). El
porcentaje histórico de unidades
defectuosas en lotes de similares
características ha sido de un p=4%.
Se desea estimar la probabilidad de
aceptación del lote.

Como primer paso construimos un

diagrama que muestre las distintas
combinaciones que permiten
aceptar un lote luego de ser
expuesto al plan de muestreo
descrito. En este caso en particular
el diagrama es el siguiente:

9*0,1353*0,0408 = 97,46%

97,46%. Las probabilidades puntuales

és de tablas de probabilidad las cuales
estión de Calidad.
Entrada (p) Pa Pr
0% 100.00% 0.00%
1% 99.86% 0.14% 120.00%
2% 97.63% 2.37%
3% 90.41% 9.59% 100.00%
4% 78.06% 21.94%
5% 62.88% 37.12% 80.00%
6% 47.63% 52.37%
7% 34.22% 65.78% 60.00%
8% 23.51% 76.49%
9% 15.55% 84.45%
40.00%
10% 9.96% 90.04%
11% 6.21% 93.79%
20.00%
12% 3.78% 96.22%
13% 2.25% 97.75%
0.00%
14% 1.32% 98.68% 0% 2% 4% 6% 8% 10%
15% 0.76% 99.24%

En forma similar si el porcentaje de artículos defectuosos a la entrada es un 2%, la probabilidad de aceptación de

Si esto se considera "buena calidad" el diferencial de un 2,4% (100% - 97,6%) representa la probabilidad de recha
 Consideremos un plan de muestreo que está definido por N=1.000
Se requiere trazar la curva característica de operación para distinto
(porcentaje de artículos defectuosos). Con el apoyo de una plan
trazar la curva de operación es sencillo como se muestra en la siguie

N 1000
n 80
c 4

n>15 ; p<10% ; N > 10*n

80>15 1000>10*80

4% 6% 8% 10% 12% 14% 16%

a probabilidad de aceptación del lote es de un 97,6%.

resenta la probabilidad de rechazar este lote de "buena calidad". Esto es el "riesgo del productor".
 finido por N=1.000 y (n,c)=(80,4).
ración para distintos valores de p
apoyo de una planilla de cálculo
muestra en la siguiente imagen:
El muestreo queda definido por N=5.000, p=4% y
determinar la probabilidad de aceptación del
Distribución de Poisson dado que se satisfacen la
utilizar dicha distribución (n>15 ; p<10% ; N > 10*
Entrada (p) Pa Salida (AOQ) AOQ = Pa*p
0.01 99.98% 1.00%
0.02 99.63% 1.99%
0.03 98.14% 2.94%
0.04 94.73% 3.79%
0.05 89.12% 4.46%
0.06 81.53% 4.89%
0.07 72.54% 5.08% AOQL
0.08 62.88% 5.03%
0.09 53.21% 4.79%
0.1 44.05% 4.40%
0.11 35.75% 3.93%
0.12 28.51% 3.42%

La tabla muestra el cálculo de AOQ para distintos

a la entrada, por ejemplo, para una fracción d
defectuosas el plan de muestreo nos dará un
aceptación del lote de un 94,73% y por ta
 La tabla muestra el cálculo de AOQ para distintos
a la entrada, por ejemplo, para una fracción d
defectuosas el plan de muestreo nos dará un
aceptación del lote de un 94,73% y por ta
rectificación en promedio los lotes de calidad sim
tendrán a la salida un 3,79% de unidades
consecuencia AOQ = 0,9473*0,04 = 3,79%.

Siguiendo este procedimiento para distintos valor

puede estimar la Calidad a la Salida (AOQ). Lueg
valor de p que determina la "peor" Calidad a la
obtiene el Límite Promedio de Calidad a la Salida (
nuestro ejemplo para una fracción de defectuosos
entrada se obtiene la peor calidad a
Aproximadamente AOQL = 5,08%. El siguien
muestra que la calidad promedio a la salida (eje v
alcanza aproximadamente para un valor de p
corresponde a la calidad a la entrada (eje horizonta
5.000, p=4% y (n,c)=(50,4). Para
eptación del lote se utiliza la
e satisfacen las condiciones para
10% ; N > 10*n).
OQ = Pa*p
Chart Title
6.00%

5.00%

4.00%

3.00%

2.00%

1.00%

0.00%
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14
para distintos niveles de calidad
na fracción de 4% de unidades
nos dará una probabilidad de
3% y por tanto luego de la
para distintos niveles de calidad
na fracción de 4% de unidades
nos dará una probabilidad de
3% y por tanto luego de la
de calidad similar (a la entrada)
de unidades defectuosas. En
3,79%.

distintos valores de p se
a (AOQ). Luego, para el
" Calidad a la Salida se
ad a la Salida (AOQL). En
defectuosos del 7% a la
calidad a la salida.
. El siguiente gráfico
a salida (eje vertical) se
n valor de p=7% que
(eje horizontal).
N muestras
Cantidad de p 1 2 3 4 5 6 7 8 9 10
1 748 844 924 457 773 852 370 713 690 867
2 237 507 336 816 132 211 987 980 171 608
3 218 999 225 433 914 698 438 441 568 500
4 419 933 149 169 932 504 742 563 499 469
5 481 774 479 327 502 905 311 484 545 799
6 569 602 607 958 940 314 951 615 412 387
7 513 131 747 925 882 868 446 711 416 828
8 599 886 169 590 925 323 329 170 892 112
9 206 106 796 420 938 182 600 335 315 110
10 913 242 729 427 613 692 451 250 107 197
11 854 400 347 844 141 754 826 199 264 740
12 831 472 671 655 620 100 234 734 510 343
13 515 449 208 340 270 226 816 777 760 568
14 420 467 996 864 111 617 735 409 179 789
15 654 583 602 564 917 449 600 753 598 623
16 230 657 491 507 434 621 325 227 270 102
17 621 949 813 932 349 779 631 593 904 950
18 796 537 992 513 301 934 924 398 891 198
19 851 259 354 969 902 787 556 547 209 249
20 980 425 120 311 995 666 630 183 479 446
21 926 971 824 775 888 291 562 593 117 149
22 821 808 268 625 574 246 657 985 543 670
23 519 331 302 399 818 874 720 157 309 289
24 464 186 450 848 531 301 307 220 523 836
25 834 789 385 842 869 506 394 392 818 757
26 690 732 612 897 973 325 927 958 471 655
27 957 765 610 354 113 713 240 141 262 488
28 544 497 430 175 811 323 497 437 266 349
29 209 926 488 714 840 882 736 296 630 251
30 237 971 106 285 749 831 108 975 767 902
N muestras
Cantidad de panelistas 1 2 3 4 5 6 7 8 9 10
1 842 585 859 393 205 673 216 772 770 899
2 354 161 305 671 752 508 504 190 846 237
3 963 913 235 933 142 737 521 331 575 979
4 527 130 439 409 642 192 713 106 179 102
5 523 146 483 404 969 983 547 987 882 660
6 527 825 533 527 496 235 595 905 139 482
7 705 532 416 156 466 601 139 834 965 541
8 221 706 649 166 456 196 842 282 320 395
9 881 540 960 239 736 447 831 296 334 135
10 866 850 926 447 860 903 927 665 906 580
11 272 718 393 515 927 880 542 539 520 660
12 311 176 245 672 971 900 329 103 524 262
13 500 249 996 203 508 489 891 304 277 356
14 568 186 625 227 430 874 142 319 145 209
15 880 882 859 426 481 773 866 179 427 815
16 712 466 766 157 205 651 122 262 941 914
17 789 788 221 158 435 879 833 554 614 209
18 634 734 704 389 395 166 460 170 200 372
19 409 606 422 199 956 782 858 452 498 652
20 862 553 477 618 945 467 646 142 621 594
21 334 931 315 407 325 861 847 877 938 692
22 867 446 108 432 318 506 589 634 259 487
23 224 436 951 590 335 407 195 121 629 952
24 737 491 380 774 514 332 766 795 407 758
25 681 421 322 709 209 114 143 841 216 943
26 373 178 130 780 851 865 540 550 382 516
27 952 990 518 108 324 317 999 708 529 398
28 575 892 851 277 441 158 659 573 193 263
29 986 936 921 871 200 852 999 467 882 671
30 401 957 316 553 365 419 624 812 709 327
 Escala no estructurada (10 cm)
MODELO LINEAL PENDIENTE 0.7029304
INTERSECTO -0.85793651

Aceptabilidad sabor
Aceptabilidad del sabor = 0.7029*(%azúcar)
% Azucar REAL MODELADO Error experimental (%)
0 0 -0.9 INDETERMINADO
0.5 0.2 -0.5 353.2 0.7 Error muy alto
1 0.4 -0.2 138.8 0.6
1.5 0.6 0.2 67.3 0.4 ACEPTABLE
2 0.7 0.5 21.7 0.2
2.5 0.8 0.9 12.4 0.1 10
3 1 1.3 25.1 0.3
9
3.5 1.5 1.6 6.8 0.1
4 2 2.0 2.3 0.0 8 = 0.702930402930403 x
f(x)
4.5 2.4 2.3 3.9 0.1 R²
7 = 0.938374272586182

Aceptabilidad sabor
5 2.6 2.7 2.2 0.1
5.5 2.7 3.0 11.4 0.3 6
6 3 3.4 12.0 0.4 5
6.5 3.3 3.7 12.5 0.4
7 3.6 4.1 12.8 0.5 4
7.5 3.7 4.4 19.3 0.7 3
8 4 4.8 19.1 0.8
8.5 4.3 5.1 19.0 0.8
2
9 4.6 5.5 18.9 0.9 1
9.5 4.8 5.8 21.2 1.0
0
10 5 6.2 23.4 1.2 0 2 4 6
10.5 6.5 6.5 0.4 0.0
11 7 6.9 1.8 0.1 % Azuc
11.5 8.5 7.2 15.0 1.3
12 8 7.6 5.3 0.4
12.5 9 7.9 11.9 1.1
13 10 8.3 17.2 1.7

Tener cuidado con el error experimental cuando

R2 CRITICO 70%
se quiere modelar valores cercanos a "0"
85%
100%

Aceptabilidad general de
Aceptabilidad general de

Adimensional

Pendiente = 1/ºC
Intersecto = Adimensio

Temperatura ºC = 0.7029*
ºC = ºC*(Adim
Pendiente e intersecto

10
f(x) = − 0.0000629219 x⁶ + 0.002209
9
− 0.250178 x² + 0.441427 x + 0.033
8R² = 0.99246441230418
7
Aceptabilidad sabor

6
5
4
3
2
1
0
0 2 4 6
% Azu
0
0 2 4 6
% Azu
 Resumen
= 0.7029*(%azúcar)-0.8579
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.9686972
Coeficiente de determinación R^2 0.93837427
R^2 ajustado 0.93590924
Error típico 0.7290583
Observaciones 27

ANÁLISIS DE VARIANZA
Grados de libertad
= 0.702930402930403 x − 0.857936507936509 Regresión 1
0.938374272586182 Residuos 25
Total 26

Coeficientes
Intercepción -0.85793651
Variable X 1 0.7029304

2 4 6 8 10 12 14 400.0

% Azucar 350.0

300.0

250.0

200.0

experimental cuando 150.0

ercanos a "0"
100.0

50.0

0.0
0 5 10 15 20 25

dad general de la parrilla = 0.7029*(Temperatura ºC) - 0.8579

dad general de la parrilla = 0.7029*(Temperatura ºC) - 0.8579

nsional ºC

nte = 1/ºC
cto = Adimensional

ra ºC = 0.7029*(X) - 0.8579
ºC = ºC*(Adimensional) - (ºC)
nte e intersecto = ºC

00629219 x⁶ + 0.00220924 x⁵ − 0.0273812 x⁴ + 0.141897 x³

8 x² + 0.441427 x + 0.0338802
6441230418

4 6 8 10 12 14
% Azucar
4 6 8 10 12 14
% Azucar
 ACEPTABLE

Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
202.338516 202.338516 380.674725 1.21E-16 p<<0.05 ACEPTABLE
13.2881502 0.53152601
215.626667

Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%

Superior 95.0%
0.27299475 -3.14268501 0.00427477 -1.42017972 -0.2956933 -1.42017972 -0.2956933
0.0360276 19.5108873 1.21176E-16 0.62873018 0.77713063 0.62873018 0.77713063

15 20 25 30

ºC) - 0.8579
ºC) - 0.8579
VALOR REAL VS VALOR MODELADO
10.0

f(x) = 0.93837427 x + 0.22869992

R² = 0.938374272586182
8.0 ACEPTABLE

6.0
Valor modelado

4.0

2.0

0.0
0 2 4 6 8 10 12

-2.0

Valor real

FUNCIÓN IDENTIDAD Y=X RESULTADO

PENDIENTE 1 0.9384 ACEPTABLE
INTERSECTO 0 0.2287 ACEPTABLE
Valor maximo 10 0.02287 ACEPTABLE
 Escala no estructurada (10 cm)
MODELO LINEAL PENDIENTE 0.81338346
INTERSECTO -1.88541353

Aceptabilidad sabor
% Azucar REAL MODELADO Error experimental (%)
3.5 1.5 1.0 35.9
4 2 1.4 31.6
4.5 2.4 1.8 26.0
5 2.6 2.2 16.1
5.5 2.7 2.6 4.1
6 3 3.0 0.2
6.5 3.3 3.4 3.1
7 3.6 3.8 5.8
7.5 3.7 4.2 13.9
8 4 4.6 15.5
8.5 4.3 5.0 16.9
9 4.6 5.4 18.2
9.5 4.8 5.8 21.7
10 5 6.2 25.0
10.5 6.5 6.7 2.4
11 7 7.1 0.9
11.5 8.5 7.5 12.1
12 8 7.9 1.6
12.5 9 8.3 8.0
13 10 8.7 13.1

13.6
Error experimental (%) = 13.6% ACEPTABLE < 15%
 PRUEBAS AFECTIVAS

.ENE - 10 cm

CASO 1 Pruebas afectivas

Aceptabilidad general

Panelistas Pan 0% Pan 5%

1 7 2
2 8 2.3
3 5.6 3

4 7 2.7
5 6.7 2.5
6 9 3.9
7 10 4.5
8 8.7 2.2
9 6.9 4.3
10 9.2 3.8

Promedio 7.8 3.1

D.E 1.4 0.9

7.8±1.4a 3.1±0.9b

Las letras en minuscula indican diferencia estadistica significa (p<0.05)

Pruebas afectivas
Aceptabilidad general
CASO 2 CASO 2 CASO 1
Panelistas Pan 0% Pan 5%
1 7 10
2 8 2.3
3 5.6 10

4 7 2.7
5 6.7 2.5

6 9 10
7 10 4.5
8 8.7 2.2
9 6.9 4.3
10 9.2 10
 Promedio 7.8 5.9 3.1
D.E 1.4 3.7 0.9

7.8±1.4a 5.9±3.7a

Las letras en minuscula indican diferencia estadistica significa (p<0.05)

Pruebas afectivas
Aceptabilidad general
CASO 3
Panelistas Pan 0% Pan 5%
1 7 6
2 8 5
3 5.6 7

4 7 5
5 6.7 6
6 9 6
7 10 7
8 8.7 5.9
9 6.9 4.9
10 9.2 5.9

Promedio 7.8 5.9

D.E 1.4 0.7

7.8±1.4a 5.9±0.7b

Las letras en minuscula indican diferencia estadistica significa (p<0.05)

Muestra 1 Muestra 2
CASO 2 7.8±1.4a 5.9±3.7a Son iguales estadisticamente
CASO 3 7.8±1.4a 5.9±0.7b Son diferentes estadisticamente
 Análisis de varianza de un factor

RESUMEN
Grupos Cuenta Suma Promedio
Columna 1 10 78.1 7.81
Columna 2 10 31.2 3.12

ANÁLISIS DE VARIANZA
Origen de las variaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados
Entre grupos 109.9805 1 109.9805
Dentro de los grupos 24.945 18 1.38583333333333

Total 134.9255 19

gnifica (p<0.05)

Análisis de varianza de un factor

RESUMEN
Grupos Cuenta Suma Promedio
Columna 1 10 78.1 7.81
Columna 2 10 58.5 5.85

ANÁLISIS DE VARIANZA
Origen de las variaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados

Entre grupos 19.208 1 19.208

Dentro de los grupos 137.414 18 7.63411111111111

Total 156.622 19
gnifica (p<0.05)

Análisis de varianza de un factor

RESUMEN
Grupos Cuenta Suma Promedio
Columna 1 10 78.1 7.81
Columna 2 10 58.7 5.87

ANÁLISIS DE VARIANZA
Origen de las variaciones Suma de cuadrados Grados de libertad Promedio de los cuadrados
Entre grupos 18.818 1 18.818
Dentro de los grupos 22.29 18 1.23833333333333

Total 41.108 19

gnifica (p<0.05)
 Varianza
1.91433333
0.85733333

<0.05
F Probabilidad Valor crítico para F
79.3605532 5.1270001E-08 4.41387341917057

Varianza
1.91433333
13.3538889

>0.05
F Probabilidad Valor crítico para F

2.51607551 0.1301 4.41387341917057

 Varianza
1.91433333
0.56233333

<0.05
F Probabilidad Valor crítico para F
15.1962315 0.001 4.41387341917057
VIDA UTIL SENSORIAL

Hedonica 9 puntos
Tiempo (días) Aceptabilidad general
0 8.9 10
1 8 9
2 7.5 8 f(x) = − 0.8109090909091 x
+ 9.0363636363636

Aceptabilidad general
3 6.4 7
4 6.2 6 R² = 0.983102280870833
5 5.8 5
6 4 4
7 3 3
2
8 2.2
1
9 1.8
0
10 1 0 2 4 6 8 10 12
Tiempo (días)

Pendiente -0.81090909
Intersecto 9.03636364

Valor de cort Vida útil sensorial (días)

5 4.98
6 3.74
 1 Me disgusta extremadamente
2 Me disgusta mucho
3 Me disgusta moderadamente 1 Me disgusta mucho
4 Me disgusta poco 2 Me disgusta
Hedonica 9 puntos 5 Ni me gusta ni me disgusta Hedonica 5 puntos 3 Ni me gusta ni me disgusta
6 Me gusta poco 4 Me gusta
7 Me gusta moderadamente 5 Me gusta mucho
8 Me gusta mucho
9 Me gusta extremadamente
909091 x
36
870833
Criterio o valor de corte
Aceptabilidad (9 puntos) = 5 o 6

6 8 10 12
o (días)
me disgusta