Dip PPT - Qlab - Estadistica Pucp 2019

GESTIÓN DE LA
CALIDAD EN
LABORATORIOS DE
ENSAYO Y/O
CALIBRACIÓN ISO/IEC
17025 –
ESTADÍSTICA APLICADA
A LABORATORIOS
ACREDITACIÓN Y CERTIFICACIÓN REGISTRO Y ALIANZAS
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

En grupo,
GENERACIÓN DE
EXPECTATIVAS
Compartimos las expectativas

respecto al curso y comentamos…
EXPECTATIVA
NOMBRE
EXPECTATIVA DEL EXPECTATIVA
GRUPO
EXPECTATIVA
http://americansecrets.es/wp-
content/uploads/2014/02/EQUIPO-HUMANO.jpg

GENERACIÓN DE
EXPECTATIVAS
LOGROS DEL CURSO
Capacidad 1: Aplica las diferentes técnicas estadísticas para asegurar la

calidad en un laboratorio de ensayo físico químico.
Capacidad 2: Asistencia puntual
Revisamos en el sílabo la programación y

la evaluación del curso…

GENERACIÓN DE
EXPECTATIVAS
SESIÓN PRESENCIAL N° 1
TEMARIO SESIÓN PRESENCIAL N° 1 ACTIVIDAD DEL

ALUMNO
1. DEFINICIONES Taller 1
2. ESTADISTICA DESCRIPTIVA - Estadística Descriptiva
Medidas de posición central y de dispersión
• Medidas de Posición Central Taller 2.
La media - Distribución Normal
Moda
Mediana
• Medidas de Dispersión
Rango
Desviación estándar y varianza
Coeficiente de Variación
3. DISTRIBUCIÓN DE PROBABILIDAD
NORMAL

SABERES
PREVIOS
¿Cuál es la aplicación de la
estadística en el trabajo del
laboratorio?.
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

CONFLICTO
COGNITIVO
Dado un conjunto de datos y la evaluación

estadística de los mismos , ¿porqué es
necesario conocer el tipo de distribución de
probabilidades correspondiente?
https://www.linkedin.com/pulse
/115-ideas-en-15-minutos-
antonio-j-ramirez

1. Definiciones
Un procedimiento de medición que involucra un análisis

cuantitativo tiene por objetivo determinar el valor de una magnitud
específica a ser medida , obtener un resultado confiable
depende de las condiciones analíticas que

deben estar definidas adecuadamente y ser
validadas en base al examen de parámetros de
desempeño.
Correcta (seguridad en los resultados)
Comparable con otros laboratorios para

Información asegurar la armonización de resultados
suministrada por los
laboratorios debe ser Analítica y obtenida de resultados de
medidas experimentales
7
1. Definiciones
La Estadística es una ciencia que proporciona métodos,

técnicas , procedimientos que permiten:
•Seleccionar conclusiones generales válidas y tomar
decisiones razonables y adecuadas a partir de datos parciales
y representativos
•Analizar datos, puesto que se trata del estudio de los método

para :
•Coleccionar
•Resumir
•Organizar
•Presentar y
•Evaluar datos
8
1. Definiciones
Estadística
Es una ciencia que nos permite analizar datos y

organizarlos con el fin de describirlos u obtener
información que permita realizar generalizaciones
válidas al evaluar el desempeño del proceso que
proporcionan los datos y finalmente tomar decisiones.
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 9

1. Definiciones
Estadística tradicionalmente se divide en:
• Variables
Estadística Descriptiva
• Medidas de posición central
Relacionada con la • Medidas de dispersión
tabulación y representación
gráfica de los datos • Gráficas
• Tablas
Estadística Inferencial • Estimación puntual

Estimaciones de parámetros y • Estimación por intervalos
pruebas de hipótesis en base
a muestras • Contraste por hipótesis

1. Definiciones
Resultados Como varían los Resultados
Promedio Varianza – desv. std
Sesgo - veracidad Precisión
Incertidumbre
Trazabilidad
11
1. Definiciones
Objetivo : evaluar (caracterizar)
Una muestra es
Una población está mediante el análisis de un subconjunto
formada por la totalidad de elementos u
de los elementos u observaciones
observaciones. seleccionados
de una
población.
Individuo es
Para que las cada uno de
inferencias sean los
válidas, la muestra elementos
debe ser de la
representativa de población
la población.

1. Definiciones
Describe una característica Función de las observaciones

de la Población en la Muestra
Es una medida
derivada de un
conjunto de datos de
una muestra
Parámetro Estadístico
μ X
N: # de observaciones σ2 S2 n: # de observaciones
σ S
μ: media aritmética x : media aritmética
σ: desviación estándar s: desviación estándar
letras griegas letras latinas
13
1. Definiciones
Variable cualitativa nominal

Variable cualitativa no numéricas que no admiten
se refiere a características un criterio de orden.
Variable
estadística o cualidades que no
pueden ser expresadas Variable cualitativa ordinal no
cada una de númericas, en las que existe
las características con números.
un orden.
o cualidades que
poseen los
individuos de una Variable discreta
población. cuando el rango es un conjunto
Variable cuantitativa finito o infinito numerable.
se expresa mediante
un número. Variable continua
cuando el rango es un conjunto
infinito no numerable de valores.
https://www.vitutor.com/estadistica/descriptiva/a_2.html

1. Definiciones
los valores que asume la variable han sido

Variable aleatoria antecedidos por una selección aleatoria de los
objetos medidos o son resultado de un proceso al
azar.
Por ejemplo, si lanzamos un dado y observamos

Generalmente se que el resultado obtenido es 5, entonces en este
representa con una letra caso:
mayúscula (X, Y, etc.) y el
valor que toma la variable X: resultado al lanzar el dado una vez. (V.A.)
se denota con la
respectiva letra minúscula. Espacio muestral : 1, 2, 3, 4, 5, 6.
Como el resultado registrado fue 5,

entonces x = 5

1. Definiciones
Distribución de probabilidades
“indica toda la gama de valores que pueden representarse como

resultado de un experimento si éste se llevase acabo”.
“describe la probabilidad de que un evento se realice en el futuro,

constituye una herramienta fundamental para la prospectiva, puesto
que se puede diseñar un escenario de acontecimientos futuros
considerándolas tendencias actuales de diversos fenómenos
naturales”.
https://es.scribd.com/doc/2249724/DISTRIBUCION-DE-PROBABILIDADES
16
1. Definiciones
Una variable aleatoria se caracteriza mediante su

distribución de probabilidades.
media μ
descrita por sus parámetros. varianza σ2
Como suelen desconocerse los parámetros, es

necesario disponer de procedimientos para estimarlos
a partir de datos muestrales y para ello se utilizan dos
tipos de estimaciones: puntual y por intervalo.
17
1. Definiciones
Distribución Uniforme (Rectangular)
Función de densidad entre a y b

1
f ( x) 
f(x)
(b  a)
a b Varianza ( a  b) 2
 
x 2
x
12
Media ab
 x  E ( x) 
2
18
1. Definiciones
Distribución Triangular
Función de densidad
0 ,x  a 
 2x  a  
 , a  x  c
 b  a b  c  
f ( x)   
 2b  x  , c  x  b
 b  a b  c   mínimo moda máximo
  (a) (c) (b)
0 , x  b 
Media
ab Varianza ( a  b) 2
 x  E ( x)    2
x
2 24
19
1. Definiciones
Distribución Normal
 La función de densidad de
probabilidad para una distribución
normal está dada por:
1 x 2
1  ·( )
f ( x)  ·e 2 
2  https://www.ecured.cu/Distribuci%C3%B3n_normal
Se dice que la variable aleatoria X sigue una distribución

normal con parámetros μ y σ y se denota X ~ N (μ, σ2).
20
1. Definiciones
Distribución t Student 
xx
t 
s
Tabulada para el número de grados de
libertad de la muestra con el cual se http://www.matematicasypoesia.com.es/Estadist/ManualCPE
calculó la desviación estándar 04p2.htm
Cuando los grados de libertad tienden a infinito, la distribución t tiende

a coincidir con la distribución normal estándar.
El uso de la distribución t presupone que la población con que estamos

trabajando tiende a una distribución normal.
21
2. Estadística Descriptiva
2.1 Medidas de posición central
Medidas de posición, tendencia central valores numéricos en torno a los

cuales se agrupan, en mayor o menor medida, los valores de una variable
estadística.
Media aritmética: es la suma de los valores observados dividida

entre el número de observaciones.
x  x  x  ...  x
x 1 2 3 n
n
𝑛
𝑖=1 𝑋𝑖 18 + 19 + 21 + 19 + 20 + 18 + 23
𝑋= = = 19.71
𝑛 7
22
Mediana : Valor central una serie de observaciones

ordenadas del menor al mayor valor (o viceversa).
La mediana será el valor que tiene por debajo de él al 50% de las observaciones
menores y por encima de él está el 50% de las observaciones mayores.
Posición 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Temperatura °C 17 18 18 19 21 22 22 23 24 26 27 30 32 33 34 36 36 37 38 38 40 41 41 42
50% inferior Me=31 50% superior
30 + 32
𝑀𝑒 = = 31 N° de datos PAR
2
Posición 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Temperatura °C 17 18 18 19 21 22 22 23 24 26 27 30 32 33 34 36 36 37 38 38 40 41 41
50% inferior Me=30 50% superior
N° de datos IMPAR
23
Moda : Valor que ocurre con mayor frecuencia en un

grupo de resultados (el valor más frecuente).
Moda de la distribución:
22, 23, 23, 24, 24, 24, 25, 25 Mo = 24
Dos o varias puntuaciones con la misma frecuencia y es la máxima,

la distribución tiene varias modas, multimodal
21, 21, 21, 24, 24, 25, 25, 25, 27, 28, 29, 29, 29 Mo= 21, 25, 29
Puntuaciones de un grupo tienen la misma frecuencia, no hay moda.
22, 22, 23, 23, 26, 26, 29, 29

https://www.vitutor.com/estadistica/descriptiva/a_8.html
24
2.2 Medidas de dispersión
Indican acerca de la
variabilidad de los
datos, como se alejan Medida de dispersión Expresión matemática
respecto de la media
aritmética Rango(Max, Min) R  xmax  xmin
2 s 
2
n
xi  x 2
Varianza ( 𝑠 )
Sea x:
x1 i 1 n 1
x2
x3
Desviación estándar ( 𝑠 ) 𝑠= 𝑠2
.
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 ∶ 𝑥
.
. Coeficiente de variación 𝑠
.
(CV) en % 𝐶𝑉 = 100
xn 𝑥
25
Aplicaciones - Réplicas
Variable x tiene una distribución normal
Muestra Réplicas Promedio Desv- rango

std
x1 x11 x12 x13 x1n x 1-prom s1 R1
x2 x21 x22 X23 X2n x 2-prom s2 R2
x3 x31 X32 X33 X3n x 3-prom s3 R3
Xm xm1 Xm2 Xm3 Xmn xm sn Rn

prom
Se cuenta con m muestras , cada una de las cuales contiene n

observaciones de la característica.
26
• xi j=j-ésima observación de la muestra i,

• i = 1, 2, 3,… m, j = 1, 2, 3,… n
• xi j~N(μ, σ2)
xij  xi 
n n
1 1
xi   xij S 2

n  1 j 1
i
n j 1
Ri  Max j xij  Min j xij  i  1,2,...k
1
•Estimador de la media del proceso: ̂  x   x
m
i
m i 1
27
Estimadores de la varianza
2 2
1 m
S  1  m
ˆ   Si2
2
ˆ     
2
 Si 
m i 1  c4   c4 m i 1 
2 2
R  1  m
ˆ     
2
 Ri 
 d 2   d 2 m i 1 
Las constantes d2 y c4 se encuentran tabuladas en tablas

para distintos valores de n
28
2.2 Medidas de dispersión
Rango Intercuartil Diagrama de Caja – Box Plot
Posición 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Temperatura °C 17 18 18 19 21 22 22 23 24 26 27 30 32 33 34 36 36 37 38 38 40 41 41
25% inferior Q1 25% Me 25% Q3 25% superior
Valor mínimo Valor máximo

Mediana
Rango intercuartil
Q1: primer cuartil, divide Q3: tercer cuartil, divide
RIC = Q3 – Q1
la primera mitad en 2. la segunda mitad en 2.
Separa el 25% inferior Separa el 25% superior
del 75% superior ej: RIC = 37-22= 15 del 75% inferior

3. Distribución de Probabilidad
Normal
 La función de densidad de
probabilidad para una distribución
normal está dada por:
1 x 2
1  ·( )
f ( x)  ·e 2 
2 
https://www.ecured.cu/Distribuci%C3%B3n_normal
Se dice que la variable aleatoria X sigue una distribución

normal con parámetros μ y σ y se denota X ~ N (μ, σ2).
30
Normal
1) Simétrica y con forma 4) Distancia entre la línea trazada
de campana en la media y el punto de
inflexión de la curva es igual a
una desviación típica
2) Medidas de tendencia
5) Dispersión de los
central deben coincidir
datos debe tener un
alcance de ± 3 σ.
3)
• Colas asintóticas al eje x Existe 95% de posibilidades
• Dispersión total iría de +∞ de observar un valor
a - ∞. comprendido en el
https://www.matematicas10.net/2017/02/eje
• Necesario acotar las colas. mplos-de-distribucion-normal.html
intervalo a dos
• Elegir nivel de desviaciones estándar de la
significancia. media.
31
Normal
• La forma de la campana de Gauss depende de los parámetros media y
desviación estándar.
Desviación estándar determina el grado de

Media indica la posición de la campana, apuntamiento de la curva.
para diferentes valores la gráfica es • Mayor valor indica: datos se dispersarán más
desplazada a lo largo del eje en torno a la media, curva será más plana.
horizontal. • Menor valor indica: gran probabilidad de
obtener datos cercanos al valor medio de la
distribución.
https://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp

Normal
Distribución es un modelo matemático
que permite determinar probabilidades
de ocurrencia para distintos valores de
la variable.
1 x
1  ·( )2
f ( x)  ·e 2 
2 
Área sombreada corresponde a
la probabilidad de encontrar un
Probabilidad de encontrar un valor de la valor de la variable que sea igual
variable que sea igual o inferior a un o inferior a un valor dado. Esa
cierto valor xi, reemplazar media, probabilidad se puede determinar
varianza y xi en la fórmula matemática usando una tabla estandarizada.
del modelo, existen tablas
estandarizadas .
http://www.medwave.cl/link.cgi/medwave/series/mbe04/5033?ver=sindiseno

Normal
Para hacer el cálculo de probabilidades y usar las tablas
estadísticas es necesario realizar una estandarización
transformar los datos de una distribución normal

cualquiera a una distribución normal estándar con
media μ=0 y σ=1 usando la fórmula
x
Z

34
Normal
Prueba de Bondad de ajuste
Archivo “ Prueba Anderson-Darling”
35
CONCLUSIONES
Conclusiones
CONCLUSIONES
 ¿Qué diferencias encuentras entre lo que has

aprendido sobre los temas tratados en la clase y tus
conocimientos previos?
 ¿En qué situación podrías aplicar lo aprendido en tu

entorno laboral?
https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

GENERACIÓN DE
EXPECTATIVAS
TEMARIO SESIÓN ACTIVIDAD DEL ALUMNO

PRESENCIAL N° 2
4. ESTIMACION PUNTAL Y POR Taller 3

INTERVALO - Intervalos de Confianza
•Definición de error estándar
•Intervalo de confianza
•Intervalo de confianza para la media Taller 4
5. INTRODUCCION A LOS - Prueba de Hipótesis
CONTRASTES DE HIPOTESIS
Definición
Hipótesis unilateral y bilateral
Prueba de Hipótesis referente a de
una media – T 1muestra
Prueba de Hipótesis para dos medias
Prueba F-Fischer
Prueba de Bartlett

SABERES
PREVIOS
Al verificar un resultad obtenido de un

proceso analítico frente a cierta
especificación emplearía el valor de la
estimación puntual o de la estimación por
intervalo, ¿porqué?

CONFLICTO
COGNITIVO
¿ Qué procedimiento seguiría

para comparar estadísticamente
los resultados, del análisis de la
misma muestra, obtenidos por
dos analistas?

4. Estimación Puntual y por Intervalo
Estimación de parámetros tiene por finalidad asignar

valores a los parámetros poblacionales a partir de los Estimación Puntual
estadísticos obtenidos en las muestras.
𝜃
Población
Muestra Estimación por Intervalo
𝜃 − 𝑎 ,𝜃 + 𝑎
𝜃 𝜃
Estadístico
𝜃
Parámetro
𝜃 =?
Población Estimación Muestra

puntual
Parámetro Estadístico
μ X
σ2 S2
μ1 - μ2 X1  X2
S12
σ2 1 /σ2 2 S 22
Estimación puntual : valor único aproximado de un parámetro de

una población obtenido a partir de los datos proporcionados por una
muestra
41
Estimación por Intervalo:

La estima de un parámetro poblacional dada por dos números que
definen un intervalo en el cual se considera que, con cierta probabilidad,
se encuentra dicho parámetro.
Si se repite la obtención de la muestra

un gran número de veces y se define
Parámetro poblacional
un intervalo alrededor de cada valor del
desconocido, el intervalo
estadístico muestral , el parámetro se
se establece alrededor del
sitúa dentro de cada intervalo con
estimador.
cierta probabilidad. Este intervalo es
denominado "intervalo de confianza".
42
4.1 Definición de error estándar
Error estándar es el índice que cuantifica cuánto se apartan los valores

en la muestra de sus correspondientes valores en la población.
Ejemplo : error estándar de la media Error estándar de la media ( 𝑠𝑥 )

representa la dispersión que
Desviación estándar ( 𝑠 ) representa tendría la media de una muestra
la variación en los valores de una de valores si se continuaran
variable variabilidad de las tomando muestras. proporciona
observaciones individuales una idea de la precisión de la
media.
Estos dos parámetros están relacionados:
𝑠
n = tamaño de la muestra 𝑠𝑥 =
𝑛
Desviación estándar y Error estándar, V. Abraira , Unidad de Bioestadística Clínica. Hospital Ramón y Cajal. Madrid.
43
4.1 Definición de error estándar
Variación : 2 aportes
Variación sistemática Variación aleatoria
• Variación que permanece • Variación no previsible, propia
constante en magnitud y del sistema de medida.
sentido Procedimiento totalmente
• Es producto de las correcto.
imperfecciones de los equipos,
métodos o del operador. • No es posible realizar una
• Efecto identificado puede corrección para eliminarla
cuantificarse y puede aplicarse • Se rige por la probabilidad, por
una corrección. lo que al repetir la medición se
• Es posible eliminar la disminuye su influencia y es
desviación (en teoría) o posible determinar sus límites
minimizarla
Veracidad Precisión
4.2 Intervalo de confianza
• “el intervalo de confianza de un parámetro es el intervalo entre dos
estadísticos que incluye el verdadero valor del parámetro con cierta
probabilidad”.
el intervalo de confianza del parámetro de la población Ɵ , se obtiene en

base a los estadísticos L y W:
L≤Ɵ≤W
Para cada muestra obtendremos un intervalo distinto que, para el X % de

ellas, contendrá el verdadero valor del parámetro.
µ
𝜎
Parámetro de la población Ɵ
𝜎2
otros …
4.2 Intervalo de confianza
Nivel de confianza: probabilidad de que el intervalo contenga el valor

verdadero del parámetro
Nivel de significación: probabilidad de errar en esta afirmación,
α Nivel de confianza = 1-(nivel de significación) = 1 - α
Nivel de confianza Nivel de confianza (tanto por 1)= ( 1 - α) Nivel de

(%) significación
α
75% 0,75 0,25
90 % 0,90 0,10
95 % 0,95 0,05
99 % 0,99 0,01

4.3 Intervalo de confianza para la media
4.3.1 Varianza (σ2) conocida
 
x  z1 / 2    x  z1 / 2
n n
Donde
𝑥 : es la media muestral de una muestra aleatoria
n : amaño de una población con varianza conocida σ2
intervalo de confianza para µ : 100(1-α)%
https://www.uv.es/~mamtnez/AECS.pdf

4.3 Intervalo de confianza para la media
4.3.1 Varianza (σ2) desconocida
Si la desviación estándar poblacional “σ” es desconocida (que es lo habitual),
conoceremos la desviación estándar muestral “s”.
En ese caso, se emplea la distribución t de Student, el intervalo de confianza
será:
s s
x  tn 1(1 / 2 )    x  tn 1(1 / 2 )
n n
Donde:
𝑥 : es la media y
s: es la desviación estándar de una muestra aleatoria, tomada de una
distribución normal con varianza desconocida σ2
n: tamaño de la muestra aleatoria
t (1- α/2, n-1) : punto crítico para α con (n-1) grados de libertad, se establece el
intervalo de confianza para µ : 100(1-α)% https://www.uv.es/~mamtnez/AECS.pdf

5. Introducción a los Contrastes de
Hipótesis
5.1 Definición
Hipótesis estadística es una afirmación respecto a alguna característica de
una población.
Contrastar una hipótesis es comparar las predicciones con la realidad que

observamos. Si dentro del margen de error que nos permitimos admitir, hay
coincidencia, aceptaremos la hipótesis y en caso contrario la rechazaremos.
http://recursostic.educacion.es/descartes/web/materiales_didacticos/inferencia
_estadistica/contraste.htm

Hipótesis
5.2 Etapas
1) Identificar el parámetro de interés
2) Realizar una suposición al analizar una población .

no se sabrá nunca si verdaderamente
hipótesis nula (H0) es cierta hasta que se analice toda la
población.
3) se plantea una hipótesis alternativa (H1), contraria a la nula, para hacer un

contraste.
Al no poder estudiar toda la población, la única alternativa que hay es intentar

negar la hipótesis nula (H0) basándose en un estudio realizado a una muestra.

Hipótesis
5.2 Etapas
Nota: No rechazar la hipótesis nula no implica que esta sea cierta, significa
simplemente que los datos de la muestra son insuficientes para inducir un
rechazo de la hipótesis nula.
4) Fijar el nivel de significación
5) Elegir prueba estadística, dependiendo del parámetro a probar se usa un

estadístico definido
6) Establecer regiones críticas
7) Calcular las cantidades muestrales necesarias, sustituirlas en la ecuación

para el estadístico de prueba y calcular el valor correspondiente.
8) Resultados y conclusiones.

Hipótesis
5.3 Errores en el Contraste de Hipótesis
El contraste de hipótesis no establece la verdad de la hipótesis, sino un
criterio que nos permite decidir si una hipótesis se acepta o se rechaza,
o el determinar si las muestras observadas difieren significativamente de
los resultados esperados.
Dos tipos de errores:
Error Tipo I Error Tipo II
Se rechaza una hipótesis Ho Se acepta una hipótesis Ho que es
que es verdadera. falsa,
La probabilidad de error tipo I La probabilidad de error tipo II es
viene a ser la probabilidad de la probabilidad de aceptar una Ho
rechazar la Ho verdadera. que es falsa, depende del valor de
µ y del tamaño de la muestra
Probabilidad(error tipo I) = α Probabilidad (error tipo II) = β

Hipótesis
Pueden ocurrir 4 distintas situaciones:
Aceptar H0 Rechazar H0
H0 realmente es cierta No hay error Error I ()
H0 realmente es falsa Error II () No hay error
La probabilidad de que ocurra el error tipo I se representa como

. Este valor de  es fijado por la persona que realiza la
investigación y suele variar entre 1% y 10%.
La probabilidad de que ocurra el error tipo II se representa

como . Debido a que el valor real del parámetro es
desconocido este error no puede ser fijado.

Hipótesis
5.4 Región crítica
Un valor crítico es un punto en la distribución del estadístico de prueba bajo la hipótesis nula
que define un conjunto de valores que apoyan el rechazo de la hipótesis nula. Este conjunto
se denomina región crítica o de rechazo.
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
/
statistics/supporting-topics/basics/what-is-a-critical-value
Región. Región.
Región. Crítica.
Crítica Región de Aceptación Crítica.
Región de Aceptación
/2 No se rechaza Ho
/2 
No se rechaza Ho
1
1
 
bilateral unilateral
Hipótesis
5.5 Prueba (Hipótesis) Bilateral y Unilateral

Región crítica depende de la hipótesis alternativa
Condición de rechazo
Tipo de prueba Hipótesis Estadístico
de H0
x  0 Cuando se conoce la
Z Z < -Z/2 ó Z > Z/2
 n desviación estándar ó n30
H0:  = 0
Prueba bilateral
H1:   0 x  0
t Cuando no se conoce la
t < -t/2, n-1 ó t > t/2, n-1
s n desviación estándar y n30
x  0 Z > Z
Z Cuando se conoce la
H0:   0  n ó
desviación estándar o n30
H1:  > 0 Z < -Z
Prueba
ó
unilateral
x   0 Cuando no se conoce la
t > t, n-1
H0:   0 t ó
H1:  < 0 s n desviación estándar y n30
t < -t, n-1

Hipótesis
5.6 Prueba de Hipótesis referente a una media
Se tiene una población normal de la cual se extrae una muestra
aleatoria descrita por X1,X2,….,Xn.
_
x 1 media muestral
n : número de observaciones
2
s 1 varianza muestral
Prueba t de Student :
Se compara la media perteneciente a un conjunto “n” de datos con

un valor de referencia dado (varianza desconocida).

Hipótesis
5.6 Prueba de Hipótesis referente a una media
Prueba T-Student (1 Muestra independiente)
Hipótesis nula : 𝐻0 ∶ 𝑢 = 𝑢𝑜 Valor de referencia
Hipótesis alternativa: 𝐻1 ∶ 𝑢 ≠ 𝑢𝑜
nivel de significación o rechazo
𝑥− 𝑢𝑜
𝑡𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙 = 𝑠 < 𝑡(𝑛−1,1−𝛼) = 𝑡𝑐𝑟í𝑡𝑖𝑐𝑜
𝑛 2
número de grados de libertad
Si se cumple se acepta la hipótesis nula

Hipótesis
5.6 Prueba de Hipótesis para dos medias
Prueba t de Student
Evaluación de una diferencia de medias µ1 - µ2 de distribuciones normales de
varianzas σ12 y σ22 desconocidas. Se usará el estadístico t para realizar la
prueba. Se busca probar que µ1 - µ2 = 0.
_ _
x 1 media muestral 1 x 2 media muestral 2

2
s 1
varianza muestral 1
s 2
varianza muestral 2.
2
_ _
x x1 2 Hipótesis nula : 𝐻0 ∶ 𝑢1 − 𝑢2 = 0

es el estimador de la Hipótesis alternativa: 𝐻1 ∶ 𝑢1 − 𝑢2 ≠ 0
diferencia poblacional
µ1 - µ2 .

Se tienen dos casos:
Caso 1 Caso 2
Si Si
σ = σ12 = σ22 σ12 ≠ σ22
_ _
xx _ _
t  1 2
xx
exp
1 1 t  1 2
s.  exp
(s / n )  (s / n )
2 2
n n 1 2
1 1 2 2
( n  1) s 2
 ( n  1) s 2
(s / n  s / n )
2 2 2
s2  1 1 2 2
g.l.  1 1 2
2 2
n1  n2  2 (s / n ) /(n  1)  (s / n ) /(n  1)
1
2
1
2
1
2
2 2
2
2
para n1 + n2 – 2 grados
de libertad
|texp|<|tcrítico|
Hipótesis
5.7 Prueba de Hipótesis para varianzas
Prueba F - Fischer
Evaluación de las varianzas σ12 y σ22 de dos distribuciones normales
independientes . Se busca probar que σ12 y σ22 son iguales.
La varianza muestral s2 es el estimador de la varianza poblacional σ2 .
Hipótesis nula : 𝐻0 ∶ 𝜎12 = 𝜎22 s12

Fexp  2  Fcrítico
Hipótesis alternativa: 𝐻1 ∶ 𝜎12 ≠ 𝜎22 s2
Es práctico situar en el numerador el valor más alto de manera que el cociente
sea siempre superior a la unidad.
Si se cumple se acepta la hipótesis nula

Hipótesis
5.7 Prueba de Hipótesis para varianzas
Prueba Bartlet
Evaluación de las varianzas σ12, σ22, σ32, .. σK2, de distribuciones normales
independientes . Se busca probar que son iguales, homogeneidad de varianzas.
Hipótesis nula : n° observaciones

H0 : varianzas iguales varianza i-ésima
Hipótesis alternativa:
H1 : al menos una varianza es
diferente
si se acepta la hipótesis nula

TRABAJO APLICATIVO
TRANSFERENCIA
SESIÓN PRESENCIAL
N° 1-2
Nombre del trabajo aplicativo:
Trabajo Aplicativo Sesiones 1-2
Indicaciones:
Desarrolle los casos prácticos según las indicaciones del docente y las pautas y
datos presentados en el archivo Ejercicio Sesiones 1-2:
 Evaluación de medidas de posición central y dispersión

 Evaluación de distribución normal
 Evaluación de intervalos de confianza
 Aplicación de pruebas de hipótesis

DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN
SESIÓN PRESENCIAL
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png N° 1-2
Puntaje
N° Criterio de Evaluación
Máximo
I. Evaluación de medidas de posición central y

1 dispersión. 3
2 II. Evaluación de distribución normal 6
3 III. Evaluación de intervalos de confianza 3
4 VI. Aplicación de pruebas de hipótesis. 8

TOTAL 20

CONCLUSIONES
Conclusiones
CONCLUSIONES


entorno laboral?
05/estrategia.png

GENERACIÓN DE
EXPECTATIVAS

PRESENCIAL N° 3
5. INTRODUCCIÓN A LOS Taller 5
CONTRASTES DE HIPÓTESIS - Evaluación de atipicidad
 Evaluación de Atipicidad
(Grubbs y Cochran) Taller 6
 Prueba Gráfica de H y K - Análisis de Varianza de 1 factor y
Mandel 2 factores
6. ANALISIS DE VARIANZA
 Análisis de varianza de 1 Factor
 Análisis de varianza de 2
Factores

SABERES
PREVIOS
El realizar un ejercicio intra-

laboratorio ¿qué procedimiento
seguiría para identificar resultados
atípicos?

CONFLICTO
COGNITIVO
¿ Qué procedimiento seguiría

Crecimiento del Frijol
para comparar
Fertilizante Tipo de suelo estadísticamente
Cantidad del agua Altura del frejol
losFER1
FER1
Franco Arcilloso
resultados,
Franco Arcilloso del200 ml
220análisis
ml
10 cm
10.5de
cm la
FER1 Franco Arenoso 240 ml 13 cm
misma
FER1
muestra,
Franco Arenoso
obtenidos
260 ml 13.1
por
FER2
FER2
más de dos analistas?
Franco Arcilloso
Franco Arcilloso
280 ml
300 ml
13.5
14.5
FER2 Franco Arenoso 320 ml 14.6
FER2 Franco Arenoso 340 ml 14.6 https://www.linkedin.com/pulse/115-ideas-

Hipótesis
5.8 Valores Atípicos

Son observaciones cuyos valores son muy diferentes a las otras
observaciones del mismo grupo de datos.
a) Errores de procedimiento
Los datos atípicos son b) Acontecimientos extraordinarios.
ocasionados por: c) Valores extremos.
d) Causas no conocidas.
Los datos atípicos distorsionan los resultados de los análisis, y por esta
razón hay que identificarlas y tratarlos de manera adecuada,
generalmente excluyéndolos del análisis.
https://www.uv.es/webgid/Descriptiva/22_valores_atpicos.html

Hipótesis
5.9 Evaluación de valores Atípicos
Pruebas de contraste para detectar el dato atípico.
La presencia de un valor anómalo puede alterar sensiblemente las

conclusiones de un análisis estadístico.
Como ayuda a la decisión sobre si un dato es o no atípico , se dispone de :
 prueba de Cochran
 prueba de Grubbs
 pruebas de Mandel ( H y K )

Hipótesis

Prueba de Cochran
 Identificar una variación alta dentro de un subgrupo de datos, al
comparar con varios subgrupos de datos.
 aplica si todas las varianzas se obtienen a partir del mismo número
(n) de resultados de prueba en condiciones de repetibilidad.
 Evalúa el valor más alto en un grupo de varianzas (prueba sesgada).
Hipótesis nula - Ho : “no hay datos atípicos en la muestra”
Hipótesis alternativa - H1 : “hay al menos un dato atípico”

Hipótesis

varianza máxima
Prueba de Cochran
2
s
C  i p
L max
s
2
L ,i
i 1 suma de varianzas
Criterios
 Si el estadístico de la prueba es menor o igual al valor crítico de 5

% el ítem es aceptado como correcto.
 Si el estadístico es mayor que el valor crítico de 5% y menor o
igual al valor crítico de 1% al ítem se le llama rezagado o dudoso.
 Si el estadístico es mayor que el valor crítico de 1% al ítem es
llamado valor estadístico atípico.
Hipótesis
Prueba de Grubbs
 Identificar un valor alto o bajo, al comparar valores dentro de un

grupos de datos.
 Evalúa el valor más alto o más bajo en un grupo de resultados.
Hipótesis nula - Ho : “no hay datos atípicos en la muestra”
Hipótesis alternativa - H1 : “hay al menos un dato atípico”

Hipótesis
5.9 Evaluación de valores Atípicos valor evaluado (extremo)
Prueba de Grubbs _
max | xi  x | promedio
G
s
desviación estándar
Criterios
 Si el estadístico de la prueba es menor o igual al valor crítico de 5

% el ítem es aceptado como correcto.
 Si el estadístico es mayor que el valor crítico de 5% y menor o
igual al valor crítico de 1% al ítem se le llama rezagado o dudoso.
 Si el estadístico es mayor que el valor crítico de 1% al ítem es
llamado valor estadístico atípico.
Hipótesis
Prueba de Madel
Para la evaluación de consistencia de los resultados se hace uso de dos
estadísticos denominados:
h de Mandel : evalúa la consistencia de resultados entre grupos de
resultados
k de Mandel. Evalúa la consistencia de resultados dentro del grupo de
resultados
grupos nivel
1 2 3 j q-1 q
1
2 y ijk

Hipótesis
Prueba de Madel
Media del grupo i en el nivel j
h de Madel del grupo i
en el nivel j
_
y ij  y j Media de medias
hij  del nivel j
pj
_
1

p j  1 i 1
( y ij  y j ) 2
número de grupos que

informan resultados para el
nivel j

Hipótesis
Prueba de Madel
k de Madel del grupo i desviación estándar del
en el nivel j grupo i en el nivel j
sij sij p j número de grupos que

k ij   informan resultados para el
pj pj nivel j
 ij
s 2
i 1
 ij
s 2
i 1
pj varianza del grupo i en

el nivel j

Hipótesis
Prueba de Madel
Criterios:
a. Si el estadístico de prueba es menor o igual al valor crítico al
5%, el ítem evaluado es aceptado
b. Si el estadístico de prueba es mayor al valor crítico al 5% y
menor o igual al valorr crítico al 1% el ítem evaluado, es
dudoso o rezagado.
c. Si el estadístico de prueba es mayor al valor crítico al 1% el
ítem evaluado es atípico.
77
6. Análisis de Varianza ( ANOVA)
Permite contrastar
Hipótesis nula
H0 : medias de K poblaciones (K >2) son iguales
Hipótesis alternativa
H1 : al menos una de las poblaciones difiere de las demás
en cuanto a su valor esperado.
Contraste fundamental en el análisis de resultados

experimentales, en los que interesa comparar los resultados
de K 'tratamientos' con respecto a la variable de interés.
http://www.ub.edu/aplica_infor/spss/cap4-7.htm

• Distribuciones de probabilidad de la variable

dependiente correspondiente a cada factor son
normales.
Requiere el cumplimiento
• K muestras sobre las que se aplican los
los siguientes supuestos: tratamientos son independientes.
• Poblaciones tienen todas igual varianza
(homoscedasticidad).
 Variación dentro de las muestras o Intra-

Se basa en la grupos, cuantifica la dispersión de los valores
de cada muestra con respecto a sus
descomposición de la
correspondientes medias.
variación total de los
datos, en dos partes:  Variación entre muestras o Inter-grupos,
cuantifica la dispersión de las medias de las
muestras con respecto a la media global.
http://www.ub.edu/aplica_infor/spss/cap4-7.htm

6.1 ANOVA 1 Factor
• Experimento de un solo factor completamente aleatorizado

con:
 “a” número de niveles del factor ( a los niveles del factor en
ocasiones se les llama “tratamientos”,
 cada tratamiento tendrá “n” réplicas u observaciones .
• El objetivo es comparar los errores sistemáticos con los

aleatorios obtenidos al realizar diversos análisis en cada
laboratorio.
 Se debe descomponer la variabilidad total de los datos en dos
fuentes de variación:
- intra-grupos
- inter-grupos

6.1 ANOVA 1 Factor
En la Tabla 1 se muestran los resultados de un experimento de un

solo factor.

6.1 ANOVA 1 Factor
Si F0 (calculado) > Fcrítico, se podría concluir que al menos uno de los

laboratorios ha producido resultados la media de los cuales difiere de forma
estadísticamente significativa del resto de laboratorios. (o Pvalue >0,05)

6.1 ANOVA 1 Factor
Para calcular el intervalo de confianza de los resultados

de un analista tenemos la siguiente expresión:
Intervalo de confianza de 100(1-  ) por ciento para la media

del tratamiento i-ésimo, es:
_ _
MS E MS E
y i*  t / 2,a ( n1)   i  y i*  t / 2,a ( n1)
n n

6.1 ANOVA 1 Factor
Para calcular el intervalo de confianza para la diferencia de las

medias de dos analistas tenemos la siguiente expresión:
Intervalo de confianza de 100(1-  ) por ciento para la diferencia de

las medias de los tratamiento es:
_ _ _ _
2MS E 2MS E
y i*  y j*  t / 2,a ( n1)   i   j  y i*  y j*  t / 2,a ( n1)
n n

6.2 ANOVA 2 Factores
Experimento de dos factores A y B completamente aleatorizado
Factor A Factor B
Número de niveles o “tratamientos” : “a” Número de niveles o “tratamientos” : “b”
Cada tratamiento tendrá “n” réplicas u observaciones
Objetivo : o efecto principal de A

comparar los errores Probar que o efecto principal de B
sistemáticos con los no existe o Interacción A / B.
aleatorios
prueba la hipótesis descomponiendo la variabilidad total de los datos en

partes componentes y comparando los diferentes elementos de esta
composición

En la Tabla 4 se muestran los resultados típicos de un experimento
𝑏 𝑛
de dos factores.
𝑦𝑖∗∗ = 𝑦𝑖𝑗𝑘
𝑗=1 𝑘=1
Tabla 4
𝑦𝑖∗∗
𝑦𝑖∗∗ =
𝑏𝑛
𝑦𝑖𝑗∗ = 𝑦𝑖𝑗𝑘
𝑘=1
𝑦𝑖𝑗∗
𝑦𝑖𝑗∗ =
𝑛
𝑎 𝑛 𝑎 𝑏 𝑛
𝑦∗𝑗∗ 𝑦∗∗∗
𝑦∗𝑗∗ = 𝑦𝑖𝑗𝑘 𝑦∗𝑗∗ = 𝑦∗∗∗ = 𝑦𝑖𝑗𝑘 𝑦∗∗∗ =
𝑎𝑛 𝑎𝑏𝑛
𝑖=1 𝑘=1 𝑖=1 𝑗=1 𝑘=1
86
𝑎 𝑏 𝑛 𝑎
2 2
𝑦𝑖𝑗𝑘 − 𝑦∗∗∗ = 𝑏𝑛 𝑦𝑖∗∗ − 𝑦∗∗∗ SSA dispersión dentro del factor A.
𝑖=1 𝑗=1 𝑘=1 𝑖=1
𝑏
2
+𝑎𝑛 𝑦∗𝑗∗ − 𝑦∗∗∗ SSB dispersión dentro del factor B.
𝑗=1
𝑎 𝑏
2
SST variación total de +𝑛 𝑦𝑖𝑗∗ − 𝑦𝑖∗∗ − 𝑦∗𝑗∗ − 𝑦∗∗∗
los datos 𝑖=1 𝑗=1
SSAB interacción entre A y B,

𝑎 𝑏 𝑛
2
+ 𝑦𝑖𝑗𝑘 − 𝑦𝑖𝑗∗
𝑖=1 𝑗=1 𝑘=1
SSE desviaciones debida a cada resultado
obtenido respecto al valor promedio
correspondiente .
P. Cárdenas - ICP-PUCP
Los cálculos para este procedimiento de prueba por lo general se resumen
en forma tabular como se muestra en la Tabla 5 : tabla de análisis de
varianza
Tabla 5

CONCLUSIONES
Conclusiones
CONCLUSIONES


entorno laboral?
05/estrategia.png

GENERACIÓN DE
EXPECTATIVAS

PRESENCIAL N° 4
7. ANALISIS DE LA REGRESION Taller 7
• Regresión Lineal Simple - Regresión lineal, demostración de
• Supuestos de la regresión los supuestos de la regresión
• Inferencias sobre el modelo de
regresión
• Análisis de la varianza de la
Regresión

SABERES
PREVIOS
¿Qué criterios emplearía para

concluir que dos variables se
encuentran relacionadas
linealmente?.

CONFLICTO
COGNITIVO
¿Cómo controla la variabilidad al

efectuar un proceso de
calibración lineal?
¿Qué tipos de variabilidad
observa?

7. Análisis de Regresión Lineal
7.1 Análisis de Regresión
“es una herramienta que permite estudiar y valorar las relaciones entre
diferentes variables cuantitativas tenidas en cuenta mediante la
construcción de una ecuación”. https://economipedia.com/definiciones/analisis-de-regresion.html
Modelo de regresión
se analiza la relación entre:
Y: variable dependiente o respuesta (es Ejemplo Modelo Regresión Lineal

influida por el resto) Simple
Y = A + BX + u
X: una o varias variables independientes,
explicativas o fijas (las que influyen en A, B = parámetros fijos y
el objeto de estudio). desconocidos
u= termino de error
Objetivo : obtener estimaciones razonables de Y para distintos valores de X a partir

de una muestra de n pares de valores (x1, y1), . . . , (xn, yn).
http://halweb.uc3m.es/esp/Personal/personas/aarribas/eng/docs/estII/t
ema4esp(2).pdf

7.2 Regresión Lineal Simple
Modelo de Regresión Lineal Simple
valor de la variable respuesta valor de la variable explicativa

para la observación i-ésima. para la observación i-ésima.
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝑢𝑖
Coeficiente de regresión: error para la observación

Intercepto i-ésima
𝑢𝑖 ~ 𝑁 ( 0 , 𝜎 )
Coeficiente de regresión:
Pendiente

7.2 Regresión Lineal Simple
Obtener estimación: 𝑌
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 datos
𝑦𝑖
que se ajuste lo mejor 𝑒𝑖
posible a los datos. 𝑦𝑖
𝑒𝑖 = 𝑦𝑖 − 𝑦𝑖
𝑥𝑖 𝑋
Residuo
Diferencia entre el valor observado y el valor ajustado
95
7.3 Supuestos de la Regresión Lineal
Los principales supuestos que se hacen en el análisis de regresión lineal
son los siguientes:
• Linealidad: La relación entre las variables Y y X es lineal.

• Homogeneidad : El valor promedio del error es cero
𝐸 𝑢𝑖 = 0
• Homocedasticidad: La varianza de los errores es constante.
𝑉𝑎𝑟 𝑢𝑖 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
• Independencia: Las observaciones son independientes
Una observación no debe dar información sobre las demás.
• Normalidad: Los errores están normalmente distribuidos.

𝑢𝑖 ~ 𝑁 ( 0 , 𝜎 )

7.4 Inferencias sobre el modelo de Regresión
Lineal
Se deben estimar Intercepto Pendiente Desviación estándar del

error : 𝜎
Obtener
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 𝑢𝑖 ~ 𝑁 ( 0 , 𝜎 )
Método de mínimos cuadrados para obtener los estimadores que mejor se

ajustan a los datos.
Estimador de 𝛽0 𝛽0 Estimador de 𝛽1 𝛽1 Estimador de 𝜎 𝑠𝑅
El método consiste en minimizar la suma de los cuadrados de las distancias

verticales entre los datos y las estimaciones, minimizar la suma de los
residuos al cuadrado

Lineal
El método consiste en minimizar la suma de los cuadrados de las distancias
verticales entre los datos y las estimaciones, minimizar la suma de los
residuos al cuadrado
𝑛 𝑛 𝑛
2
𝑒𝑖2 = 𝑦𝑖 − 𝑦𝑖 2 = 𝑦𝑖 − 𝛽0 + 𝛽1 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
Estimadores
𝑛
𝑖=1 𝑥𝑖 −𝑥 𝑦𝑖 −𝑦
𝛽1 = 𝑛 2
𝑖=1 𝑥𝑖 −𝑥
𝑛 2
𝑒
𝑖=1 𝑖
𝑠𝑅 =
𝛽0 = 𝑦 − 𝛽1 𝑥 𝑛−2

Lineal
7.4.1 Inferencias sobre la pendiente 𝛽1
H0 : 𝛽1 = 0 Variables X e Y no se relacionan
H1 : 𝛽1 ≠ 0 Variables X e Y se relacionan
Prueba t 𝛽1 𝛽1
𝑡𝑒𝑥𝑝 = = < 𝑡𝑛−2
𝑠𝑅2 𝑠𝑅2
𝑛 2
𝑖=1 𝑥𝑖 − 𝑥 𝑛 − 1 𝑠𝑥
Intervalo de confianza para la pendiente 𝛽1
𝑠𝑅2
𝑙í𝑚𝑖𝑡𝑒𝑠 = 𝛽1 ± 𝑡𝑛−2,𝛼/2
𝑛 − 1 𝑠𝑥
http://www.dm.uba.ar/materias/estadistica_Q/2011/1/clase%20regresion%20simple.pdf
99
Lineal
7.4.2 Inferencias sobre el intercepto 𝛽0
H0 : 𝛽0 = 0 Test no tiene interés

𝛽0 carece de interpretación, salvo que el rango de valores
H1 : 𝛽0 ≠ 0 contenga al 0
Intervalo de confianza para la pendiente 𝛽0
2
1 𝑥
𝑙í𝑚𝑖𝑡𝑒𝑠 = 𝛽0 ± 𝑡𝑛−2,𝛼/2 𝑠𝑅2 +
𝑛 𝑛 − 1 𝑠𝑥
100
7.5 Análisis de Varianza de Regresión Lineal
,
H0 : E (Y/X = x) = 𝛼0 es constante , no depende de x
H1 : E (Y/X = x) = 𝛼0 + 𝛼1 𝑥 modelo lineal es significativo
 Si se acepta H0, la variable regresora “x” no influye, no hay relación lineal.
 Si se rechaza H0 , si existe una dependencia lineal de la variable “y” respecto a

la variable “x”. http://halweb.uc3m.es/esp/Personal/personas/aarribas/eng/docs/estII/t
ema4esp(2).pdf
Descomponer
= Variabilidad explicada por
Variabilidad de y + Variabilidad residual
la recta de regresión
101
7.5 Análisis de Varianza de Regresión Lineal
Fuente de Suma de cuadrados Grados de Varianzas F0 pvalue Fcrítico
Variación libertad
Por la recta 𝑛 1 𝑆𝐶𝐸 𝑠𝑒2 pvalue 𝐹1,𝑛−2

2 𝑠𝑒2 = 𝐹0 = 2
𝑆𝐶𝐸 = 𝑦𝑖 − 𝑦 1 𝑠𝑅
𝑖=1
Residual 𝑛 n-2 𝑆𝐶𝑅

2 𝑠𝑅2 =
𝑆𝐶𝑅 = 𝑦𝑖 − 𝑦𝑖 𝑛−2
𝑖=1
Global 𝑛 n-1 𝑆𝐶𝐺

2 𝑠𝑌2 =
𝑆𝐶𝐺 = 𝑦𝑖 − 𝑦 𝑛−1
𝑖=1
Si H0 es cierta (la variable X no influye)
http://halweb.uc3m.es/esp/Personal/personas/aarribas/eng/docs/estII/t
ema4esp(2).pdf
102
TRABAJO APLICATIVO
TRANSFERENCIA
SESIÓN PRESENCIAL
N° 3-4
Trabajo Aplicativo Sesiones 3-4
Indicaciones:
datos presentados en el archivo Ejercicio Sesiones 3-4:
 Evaluación de atipicidad
 Análisis de varianza
 Evaluación de regresión lineal

DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN
SESIÓN PRESENCIAL
content/uploads/2013/06/feedback.png N° 3-4
Puntaje
Máximo
I. Evaluación de atipicidad.
1 6
II. Análisis de varianza

2 6
III. Evaluación de regresión lineal

3 8
TOTAL
20

CONCLUSIONES
Conclusiones
CONCLUSIONES


entorno laboral?
05/estrategia.png

GENERACIÓN DE
EXPECTATIVAS

PRESENCIAL N° 5
8. GRAFICO DE CONTROL Taller 8

• Interpretación - Gráficos de Control por Variables
• Tipos de Gráficos de control por
Variables
• Grafico Individual
• Gráficos de Rango y desviación

SABERES
PREVIOS
¿Qué herramientas estadísticas

emplearía para monitorear, en el
tiempo. los resultados de
laboratorio? .

CONFLICTO
COGNITIVO
¿Qué tipo de herramienta

estadística elaboraría para
monitorear la dispersión de
resultados del análisis de
muestras para cierto método de
ensayo?¿porqué?

8. Gráficos de Control de Shewart
8.1 Interpretación
El control estadístico de procesos es conjunto de herramientas que

tiene como uno de sus objetivos mejorar la capacidad de un proceso
mediante la reducción de su variabilidad
variabilidad natural otra clase de variabilidad
“sistema estable de
“causas asignables” (errores
causas fortuitas”(errores
sistemáticos)
aleatorios)
bajo control estadístico . está fuera de control
Causas asignables: lo real es que están presentes y deben ser minimizadas

, que su influencia no afecte la calidad del proceso

8.1 Interpretación
Para cumplir con los objetivos del control
estadístico de procesos se debe detectar
con rapidez la ocurrencia de causas asignables
en el desarrollo del proceso analítico a fin de
realizar el análisis de causas correspondiente
y ejecutar las acciones correctivas que
permitan eliminar o minimizar la anomalía.
Una de las herramientas principales : carta de control de Shewhart
gráfico de control de Shewhart. 12

datos de origen de
10 controles
8 límite inferior de acción
6
parámetro medido
límite superior de acción
Es una técnica del monitoreo del proceso, que 4
2 representación de datos
0
proporciona información útil -2 0
-4
20 40 60 80 100 límite inferior de aviso
•
límite superior de aviso
para mejorarlo, -6
-8 línea central
• para estimar los parámetros del número de muestra de control o tiempo
proceso o método analítico

• como una herramienta efectiva para
reducir la variabilidad
110
8.1 Interpretación
u  s/ n
carta de control de Shew hart
12
x  3s / n datos de origen de
10 controles
8 límite inferior de acción
6
x  2s / n
parámetro medido
límite superior de acción

4
99% 95% 2 x representación de datos

0
límite inferior de aviso
-2 0 20 40 60 80 100
-4
x  2s / n
límite superior de aviso
-6
-8 x  3s / n línea central
núm ero de m uestra de control o tiem po
Si los puntos graficados se localizan dentro de los límites de control de acción , el

proceso está bajo control y no es necesaria ninguna acción correctiva.
111
( A ) ¿Son los límites de acción el único criterio a
tener en cuenta para realizar el control?
No necesariamente …
aún cuando todos los puntos se localizan dentro de los límites de control de
acción, si se comportaran de una manera sistemática o no aleatoria esto podría
ser un indicio de que el proceso está fuera de control.
si el proceso está bajo control , todos los puntos graficados deberán

mostrar en esencia un patrón aleatorio.
¿Qué hacer…? • aplicar métodos o controles

adicionales para buscar
secuencias o patrones no aleatorios
como ayuda para detectar
situaciones fuera de control.
• Identificar la causa y, si es
posible , eliminarla, así mejorar
desempeño del proceso
( B )¿Qué otros controles es posible emplear?
a) El empleo de límites de advertencia (2 sigma)
uno o más puntos se localizan entre

los límites de advertencia y los incrementar la frecuencia del muestreo
límites de control, o muy cerca del o el tamaño de la muestra
límite de advertencia
proceso quizá no está

operando
b) Análisis de patrones en apariencia correctamente.
no aleatorios
Presencia de una corrida, que
se define como una secuencia de
observaciones del mismo tipo.
Si los puntos graficados muestran

un comportamiento cíclico
( C )¿Qué significa la identificación de patrones?
Significa reconocer los patrones

sistemáticos o no aleatorios en la
carta de control e identificar la razón
de este comportamiento.
Requiere
experiencia , conocimiento y comprensión adecuada del
proceso para interpretar un patrón particular en términos
de causas asignables,
no basta conocer los principios estadísticos de las cartas

de control.
Se sugieren el empleo de un conjunto de reglas de decisión claras
Reglas de decisión
1. Uno o más puntos fuera de los límites de control de
acción 3 sigma (criterio básico)
2. 2 de 3 puntos consecutivos fuera de los límites de
advertencia 2 sigma pero aún dentro de los límites de
control de acción
3. 3 de 5 puntos consecutivos fuera de los límites 1
sigma
4. Una corrida de 8 puntos consecutivos en el mismo
lado de la línea central
5. 7 puntos seguidos que se incrementan o que
disminuyen de manera sostenida
6. 15 puntos seguidos en la zona a 1 sigma ( tanto arriba
como debajo de la línea central).
7. 14 puntos seguidos alternándose arriba y abajo
8. 8 puntos seguidos en ambos lados de la línea central
pero ninguno de ellos en la zona a 1 sigma
9. Un patrón inusual o no aleatorio en los datos
10. Uno o más puntos cerca de un límite de control o de
advertencia.
( D )¿Es conveniente siempre la mayor
sensibilización de las cartas de control?
El criterio básico es el de uno o más puntos fuera de los límites de control

Se emplean los criterios suplementarios para aumentar la sensibilidad de
las cartas de control a una anomalía pequeña en el proceso
ventaja : detectar y desventaja : aun cuando el uso de

responder con mayor rapidez criterios adicionales puede mejorar
a una causa asignable la sensibilidad de la carta, también
puede dar como resultado un riesgo
incrementado de falsas alarmas
perjudiciales debido a los gastos extras en

reactivos, horas de trabajo , insumos, etc
por la repetición de ensayos y la demora
en entrega de resultados.
( E ) Detectada una situación de “fuera de control”,
¿debe existir un plan de acción?
Si…un plan de acción para condiciones fuera de control es la secuencia

de actividades que deben llevarse a cabo después de la ocurrencia de una
señal de fuera de control en la carta de control.
Características:
Debe especificar asimismo el conjunto más completo posible de puntos

de verificación, y que estén ordenados de tal modo que se faciliten las
actividades de diagnóstico del proceso
Es un documento vivo, en el sentido de

que se modificará con el tiempo conforme
se obtenga un mejor entendimiento y
comprensión del proceso.
Debe incluir pautas detalladas
8.2 Tipos de Gráficos de Control
8.2.1 Gráficos de control de precisión
8.2.1.1 Gráfico R (rango)

_
Límite superior UCL  D R 4
_
Línea central R
_
Límite inferior LCL  D R 3
Límites aviso 2_ _ _


LA  R   D4 R  R 
3 
donde
D3 = 1 – 3 (d3/d2) _
D4 = 1 + 3 (d3/d2) ^ R
 R  d3 Las constantes D3 , D4 y d3 se
encuentran tabuladas en tablas para
d2
varios valores de n
8.2.1 Gráficos de control de precisión
8.2.1.2 Gráfico s (desviación estándar)

_
1 m
Límite superior UCL  B s

_
s  s i
4 m i 1
_
Línea central
s
Las constantes B3 y B4 se
_ encuentran tabuladas en
Límite inferior
LCL  B s 3
tablas para varios valores
de n

8.2.2 Gráfico de control de veracidad
_
Las cartas de control de x se emplean para monitorear

la media de las variables.
_
8.2.2.1 Gráfico x cuando se emplea rango
_
Límite superior UCL  x  A2 R La constante A2 se obtiene de
tablas para varios tamaños
de muestra
Línea central x
A2  3 /(d 2 n )
_
Límite inferior
LCL  x  A R 2

8.2.2 Gráfico de control de veracidad
_
8.2.2.2 Gráfico x cuando se emplea s
_
3s
Límite superior UCL  x 
c n 4
Línea central x _
3s
Límite inferior LCL  x 
c n 4
Sea la constante A  3 /(c n )

3 4
entonces los parámetros de la carta

_
Límite superior UCL  x  A s 3
Línea central x
_
Límite inferior LCL  x  A s 3

8.2.3 Gráficos de control de recuperación
La recuperación se define como la fracción de analito adicionada a una
muestra de prueba (fortificada) previa al análisis, muestras fortificadas y
sin fortificar, el porcentaje de recuperación (%R) se calcula de la
siguiente manera:
C C
%R   100
( muestra)i  ( fortificación ) ( muestra)i
i
C ( fortificación )
donde :
C(muestra) i + (fortificación) = la medida de la concentración en la muestra fortificada
C(muestra) i = concentración en la muestra no fortificada
C(fortificación) = concentración conocida de la fortificación añadida a la muestra

Fuente: NTC-ISO 8258 Graficas de control de Shewhart (1995)

TRABAJO APLICATIVO
TRANSFERENCIA
Trabajo Aplicativo Sesiones 5
Indicaciones:
datos presentados en el archivo Ejercicio Sesiones 5:
 Gráfico de control de precisión

 Gráfico de control de veracidad
 Gráfico de control de recuperación.

DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN
content/uploads/2013/06/feedback.png
Puntaje
Máximo
I. a) Elaboración de gráfico de control de
1 precisión y evaluación de datos. 7
I. b) Elaboración de gráfico de control de

2 veracidad y evaluación de datos. 7
I. c) Elaboración de gráfico de control de

3 recuperación y evaluación de datos. 6
TOTAL
20

CONCLUSIONES
Conclusiones
CONCLUSIONES


entorno laboral?
05/estrategia.png

Bibliografía empleada
• Miller, J.C y Miller, J. N. 2002 – “Estadística y Quimiometría para Química Analítica”.
Prentice Hall
• Douglas C. Montgomery, “Control Estadístico de la Calidad”. Limusa Wiley. (3ª Edición,

2005).
• Sandro Paz Collado. “Curso de Aseguramiento de la Calidad” – Instituto para la Calidad

PUCP
• Variable estadística https://www.vitutor.com/estadistica/descriptiva/a_2.html
• Distribución de Probabilidades
• https://es.scribd.com/doc/2249724/DISTRIBUCION-DE-PROBABILIDADES
• Distribución normal
• https://www.matematicas10.net/2017/02/ejemplos-de-distribucion-normal.html

Bibliografía empleada
• Distribución normal https://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp
• Desviación estándar y Error estándar, V. Abraira , Unidad de Bioestadística Clínica. Hospital

Ramón y Cajal. Madrid.
• Contraste de Hipótesis – Estadística -

http://recursostic.educacion.es/descartes/web/materiales_didacticos/inferencia_estadistica/contra
ste.htm
• Valores Atípicos
https://www.uv.es/webgid/Descriptiva/22_valores_atpicos.html
• Análisis de Varianza con un Factor

• http://www.ub.edu/aplica_infor/spss/cap4-7.htm
• Contraste de la Regresión
http://halweb.uc3m.es/esp/Personal/personas/aarribas/eng/docs/estII/tema4esp(2
• Análisis de Regresión

(511) 626-2260
(511) 626-2263
Av. Universitaria 1801, San Miguel
quality@pucp.edu.pe

Dip PPT - Qlab - Estadistica Pucp 2019

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Dip PPT - Qlab - Estadistica Pucp 2019

Cargado por

Copyright:

Formatos disponibles

GESTIÓN DE LA

ACREDITACIÓN Y CERTIFICACIÓN REGISTRO Y ALIANZAS

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

Compartimos las expectativas

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

LOGROS DEL CURSO

Capacidad 1: Aplica las diferentes técnicas estadísticas para asegurar la

Capacidad 2: Asistencia puntual

Revisamos en el sílabo la programación y

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

TEMARIO SESIÓN PRESENCIAL N° 1 ACTIVIDAD DEL

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

Dado un conjunto de datos y la evaluación

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

Un procedimiento de medición que involucra un análisis

depende de las condiciones analíticas que

Correcta (seguridad en los resultados)

Comparable con otros laboratorios para

La Estadística es una ciencia que proporciona métodos,

•Analizar datos, puesto que se trata del estudio de los método

Es una ciencia que nos permite analizar datos y

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 9

Estadística Inferencial • Estimación puntual

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 10

Resultados Como varían los Resultados

Promedio Varianza – desv. std

Sesgo - veracidad Precisión

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.

Describe una característica Función de las observaciones

Variable cualitativa nominal

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 14

los valores que asume la variable han sido

Por ejemplo, si lanzamos un dado y observamos

Como el resultado registrado fue 5,

© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 15

“indica toda la gama de valores que pueden representarse como

“describe la probabilidad de que un evento se realice en el futuro,

Una variable aleatoria se caracteriza mediante su

Como suelen desconocerse los parámetros, es

Distribución Uniforme (Rectangular)

Función de densidad entre a y b

Se dice que la variable aleatoria X sigue una distribución

Cuando los grados de libertad tienden a infinito, la distribución t tiende

El uso de la distribución t presupone que la población con que estamos

Medidas de posición, tendencia central valores numéricos en torno a los

Media aritmética: es la suma de los valores observados dividida

Mediana : Valor central una serie de observaciones

Moda : Valor que ocurre con mayor frecuencia en un

22, 23, 23, 24, 24, 24, 25, 25 Mo = 24

Dos o varias puntuaciones con la misma frecuencia y es la máxima,

Puntuaciones de un grupo tienen la misma frecuencia, no hay moda.

22, 22, 23, 23, 26, 26, 29, 29

Variable x tiene una distribución normal

Muestra Réplicas Promedio Desv- rango

x2 x21 x22 X23 X2n x 2-prom s2 R2

x3 x31 X32 X33 X3n x 3-prom s3 R3

Xm xm1 Xm2 Xm3 Xmn xm sn Rn

Se cuenta con m muestras , cada una de las cuales contiene n

• xi j=j-ésima observación de la muestra i,

Ri  Max j xij  Min j xij  i  1,2,...k

Las constantes d2 y c4 se encuentran tabuladas en tablas

Rango Intercuartil Diagrama de Caja – Box Plot