Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CALIDAD EN
LABORATORIOS DE
ENSAYO Y/O
CALIBRACIÓN ISO/IEC
17025 –
ESTADÍSTICA APLICADA
A LABORATORIOS
EXPECTATIVA
NOMBRE
EXPECTATIVA DEL EXPECTATIVA
GRUPO
EXPECTATIVA
http://americansecrets.es/wp-
content/uploads/2014/02/EQUIPO-HUMANO.jpg
SESIÓN PRESENCIAL N° 1
¿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
https://www.linkedin.com/pulse
/115-ideas-en-15-minutos-
antonio-j-ramirez
8
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
1. Definiciones
Estadística
Incertidumbre
Trazabilidad
11
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
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.
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
1. Definiciones
Distribución de probabilidades
https://es.scribd.com/doc/2249724/DISTRIBUCION-DE-PROBABILIDADES
16
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
1. Definiciones
Distribución de probabilidades
media μ
descrita por sus parámetros. varianza σ2
17
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
1. Definiciones
Distribución de probabilidades
a b Varianza ( a b) 2
x 2
x
12
Media ab
x E ( x)
2
18
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
1. Definiciones
Distribución de probabilidades
Distribución Triangular
Función de densidad
0 ,x a
2x a
, a x c
b a b c
f ( x)
2b x , c x b
b a b c mínimo moda máximo
(a) (c) (b)
0 , x b
Media
ab Varianza ( a b) 2
x E ( x) 2
x
2 24
19
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
1. Definiciones
Distribución de probabilidades
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
Distribución de probabilidades
Distribución t Student
xx
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
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
2. Estadística Descriptiva
2.1 Medidas de posición central
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
2. Estadística Descriptiva
2.1 Medidas de posición central
Moda de la distribución:
21, 21, 21, 24, 24, 25, 25, 25, 27, 28, 29, 29, 29 Mo= 21, 25, 29
24
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
2. Estadística Descriptiva
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
Aplicaciones - Réplicas
xij xi
n n
1 1
xi xij S 2
n 1 j 1
i
n j 1
1
•Estimador de la media del proceso: ̂ x x
m
i
m i 1
27
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
Aplicaciones - Réplicas
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
28
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
2. Estadística Descriptiva
2.2 Medidas de dispersión
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
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
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
30
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
3. Distribución de Probabilidad
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
3. Distribución de Probabilidad
Normal
• La forma de la campana de Gauss depende de los parámetros media y
desviación estándar.
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
x
Z
34
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
3. Distribución de Probabilidad
Normal
35
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
CONCLUSIONES
Conclusiones
CONCLUSIONES
https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png
SESIÓN PRESENCIAL N° 2
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez
𝜃 − 𝑎 ,𝜃 + 𝑎
𝜃 𝜃
Estadístico
𝜃
Parámetro
𝜃 =?
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
4. Estimación Puntual y por Intervalo
Parámetro Estadístico
μ X
σ2 S2
μ1 - μ2 X1 X2
S12
σ2 1 /σ2 2 S 22
41
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
4. Estimación Puntual y por Intervalo
42
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
4. Estimación Puntual y por Intervalo
4.1 Definición de error estándar
43
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
4. Estimación Puntual y por Intervalo
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
4. Estimación Puntual y por Intervalo
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”.
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
https://www.uv.es/~mamtnez/AECS.pdf
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
5.1 Definición
Hipótesis estadística es una afirmación respecto a alguna característica de
una población.
http://recursostic.educacion.es/descartes/web/materiales_didacticos/inferencia
_estadistica/contraste.htm
8) Resultados y conclusiones.
Aceptar H0 Rechazar H0
H0 realmente es cierta No hay error Error I ()
H0 realmente es falsa Error II () No hay error
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
5. Introducción a los Contrastes de
Hipótesis
x 0 Z > Z
Z Cuando se conoce la
H0: 0 n ó
desviación estándar o n30
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 n30
t < -t, n-1
x 1 media muestral
n : número de observaciones
2
s 1 varianza muestral
Prueba t de Student :
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
_ _
Caso 1 Caso 2
Si Si
σ = σ12 = σ22 σ12 ≠ σ22
_ _
xx _ _
t 1 2
xx
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|
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
5. Introducción a los Contrastes de
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.
Hipótesis alternativa:
H1 : al menos una varianza es
diferente
SESIÓN PRESENCIAL
N° 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:
SESIÓN PRESENCIAL
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png N° 1-2
Puntaje
N° Criterio de Evaluación
Máximo
CONCLUSIONES
https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png
SESIÓN PRESENCIAL N° 3
6. ANALISIS DE VARIANZA
Análisis de varianza de 1 Factor
Análisis de varianza de 2
Factores
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez
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-
en-15-minutos-antonio-j-ramirez
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
prueba de Cochran
prueba de Grubbs
pruebas de Mandel ( H y K )
s
2
L ,i
i 1 suma de varianzas
Criterios
Prueba de Grubbs
Prueba de Grubbs _
max | xi x | promedio
G
s
desviación estándar
Criterios
ij
s 2
i 1
ij
s 2
i 1
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
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.
http://www.ub.edu/aplica_infor/spss/cap4-7.htm
_ _
MS E MS E
y i* t / 2,a ( n1) i y i* t / 2,a ( n1)
n n
_ _ _ _
2MS E 2MS E
y i* y j* t / 2,a ( n1) i j y i* y j* t / 2,a ( n1)
n n
Factor A Factor B
Número de niveles o “tratamientos” : “a” Número de niveles o “tratamientos” : “b”
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
6. Análisis de Varianza ( ANOVA)
6.2 ANOVA 2 Factores
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
P. Cárdenas - ICP-PUCP
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 87
6. Análisis de Varianza ( ANOVA)
6.2 ANOVA 2 Factores
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
https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png
SESIÓN PRESENCIAL N° 4
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez
Modelo de regresión
se analiza la relación entre:
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝑢𝑖
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
7. Análisis de Regresión Lineal
7.3 Supuestos de la Regresión Lineal
Los principales supuestos que se hacen en el análisis de regresión lineal
son los siguientes:
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
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
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
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
7. Análisis de Regresión Lineal
7.4 Inferencias sobre el modelo de Regresión
Lineal
7.4.2 Inferencias sobre el intercepto 𝛽0
2
1 𝑥
𝑙í𝑚𝑖𝑡𝑒𝑠 = 𝛽0 ± 𝑡𝑛−2,𝛼/2 𝑠𝑅2 +
𝑛 𝑛 − 1 𝑠𝑥
http://www.dm.uba.ar/materias/estadistica_Q/2011/1/clase%20regresion%20simple.pdf
100
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
7. Análisis de Regresión Lineal
7.5 Análisis de Varianza de Regresión Lineal
,
H0 : E (Y/X = x) = 𝛼0 es constante , no depende de x
101
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
7. Análisis de Regresión Lineal
7.5 Análisis de Varianza de Regresión Lineal
Fuente de Suma de cuadrados Grados de Varianzas F0 pvalue Fcrítico
Variación libertad
http://halweb.uc3m.es/esp/Personal/personas/aarribas/eng/docs/estII/t
ema4esp(2).pdf
102
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados.
TRABAJO APLICATIVO
TRANSFERENCIA
SESIÓN PRESENCIAL
N° 3-4
Indicaciones:
Desarrolle los casos prácticos según las indicaciones del docente y las pautas y
datos presentados en el archivo Ejercicio Sesiones 3-4:
Evaluación de atipicidad
Análisis de varianza
Evaluación de regresión lineal
SESIÓN PRESENCIAL
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png N° 3-4
Puntaje
N° Criterio de Evaluación
Máximo
I. Evaluación de atipicidad.
1 6
TOTAL
20
CONCLUSIONES
https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png
SESIÓN PRESENCIAL N° 5
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez
“sistema estable de
“causas asignables” (errores
causas fortuitas”(errores
sistemáticos)
aleatorios)
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
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
-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
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.
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 112
( B )¿Qué otros controles es posible emplear?
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 113
( C )¿Qué significa la identificación de patrones?
Requiere
experiencia , conocimiento y comprensión adecuada del
proceso para interpretar un patrón particular en términos
de causas asignables,
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 114
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.
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 115
( D )¿Es conveniente siempre la mayor
sensibilización de las cartas de control?
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 116
( E ) Detectada una situación de “fuera de control”,
¿debe existir un plan de acción?
Características:
© Instituto para la Calidad – PUCP 2019. Todos los derechos reservados. 117
8.2 Tipos de Gráficos de Control
8.2.1 Gráficos de control de precisión
_
Línea central R
_
_
Línea central
s
Las constantes B3 y B4 se
_ encuentran tabuladas en
Límite inferior
LCL B s 3
tablas para varios valores
de n
_
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
3s
Límite superior UCL x
c n 4
Línea central x _
3s
Límite inferior LCL x
c n 4
Línea central x
_
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
SESIÓN PRESENCIAL N° 5
Indicaciones:
Desarrolle los casos prácticos según las indicaciones del docente y las pautas y
datos presentados en el archivo Ejercicio Sesiones 5:
SESIÓN PRESENCIAL N° 5
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png
Puntaje
N° Criterio de Evaluación
Máximo
I. a) Elaboración de gráfico de control de
1 precisión y evaluación de datos. 7
TOTAL
20
CONCLUSIONES
https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png
• 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
• Valores Atípicos
https://www.uv.es/webgid/Descriptiva/22_valores_atpicos.html
• Contraste de la Regresión
http://halweb.uc3m.es/esp/Personal/personas/aarribas/eng/docs/estII/tema4esp(2
• Análisis de Regresión
http://www.dm.uba.ar/materias/estadistica_Q/2011/1/clase%20regresion%20simple.pdf