Control

estadístico de
procesos (SPC)
Tiene como objetivo
hacer predecible un
proceso en el tiempo
SPC (Statistical Process Control)
SPC

 El Control Estadístico de Procesos es la aplicación de

técnicas estadísticas para determinar si el resultado
de un proceso concuerda con el diseño del producto
(bien o servicio)

 El SPC también suele utilizarse con el propósito de

informar a la gerencia sobre los cambios introducidos
en los procesos, que hayan repercutido
favorablemente en los outputs de dichos procesos

 El SPC permite observar si el proceso está dentro de

su variabilidad aleatoria o ha salido de control
produciendo fallas que sean asignables a alguna
causa o problema determinado.
Gráficas de
control
Son herramientas que se usan en el Control
Estadístico de Procesos (SPC) para detectar la
elaboración de productos defectuosos o para
indicar que el proceso de producción se ha
modificado y los productos se desviarán de sus
respectivas especificaciones de diseño a menos
que se tomen medidas para corregir esa
situación.
Gráficas de control
• Las gráficas de control son la herramienta primaria de todo sistema de la calidad.

• Fueron desarrollados por Walter Shewhart, en 1924, mientras trabajaba para Bell Laboratories.

• Se busca tener un criterio económico para tomar la decisión de cuando aceptar y cuando rechazar un
producto que es fabricado en serie.

• Una gráfica de control se utiliza para determinar el centrado y la variación de procesos y para localizar
los patrones o tendencias poco comunes en los datos.
Gráficas de control
• Las gráficas de control se pueden aplicar siempre que podamos efectuar mediciones a eventos repetitivos, y
estos se encuentren en un proceso estable.

• Un proceso es estable si sus resultados se encuentran bajo Control Estadístico.

• El proceso está bajo control estadístico cuando la localización, expansión o forma de su distribución no
cambia con el tiempo, es decir sus resultados son previsibles y se encuentran dentro de ciertos límites, a los
que se conoce como limites de control del sistema.

• Los resultados están bajo control estadístico si, además, la variación entre datos producida al interior de los
limites de control es aleatoria.
Bajo control
• “Bajo Control” es un término estadístico.
• Un proceso está “Bajo Control” cuando sólo causas Comunes de la variación están actuando sobre éste.
• Si un proceso “Sale de Control”, o está “Fuera de Control”, significa que han aparecido causas Especiales y la
variación ha dejado de ser como la del patrón al cual respondía el proceso en un principio.

COMPORTAMIENTO
DE LOS PROCESOS

Proceso estable
Proceso inestable
Funciones de una gráfica de control

Las gráficas de control tienen dos funciones básicas:

1) Es una herramienta que proporciona una base económica para la toma de decisiones, como la de investigar posibles
problemas, ajustar el proceso o abandonar el proceso. La información de una gráfica de control sirve para
determinar la capacidad de un proceso. Muestras de productos terminados se pueden comparar estadísticamente
con las especificaciones del proceso.

2) Las gráficas de control son herramientas de resolución de problemas. Ayudan a identificar problemas en el proceso.
Sirven para determinar una base sobre la cual formular acciones de mejora. Los gráficos de control mejoran el
análisis de un proceso al mostrar cómo se ésta desempeñando ese proceso con el transcurso del tiempo. Al
combinar las gráficas de control con un resumen estadístico adecuado, quienes estudian un proceso pueden
entender lo que es capaz de producir el proceso.
Cuando el proceso esta bajo control estadístico, los responsables del proceso usan
herramientas de la calidad para detectar el momento en que surgen causas asignables, de
modo que éstas se eliminan
Límites de control
• Los limites de control se calculan con formulas estadísticas y son propios de cada proceso.
• Si todos los puntos se encuentran dentro de los limites podemos esperar que solo existan causas comunes de
variación en el proceso que describen.
• Si existen puntos fuera de los limites de control, o hay tendencias, es muy probable que el proceso esté fuera
de control.
• Los sistemas naturales rara vez son estables. La estabilidad de un sistema es algo que se logra con análisis y
eliminando las causas especiales.
Tipos de gráficas de control

1.Gráficas de Control de Variables o para datos Continuos.

2.Gráficas de Control de Atributos o para datos Discretos.
Mediciones
de la calidad

La calidad (sus rasgos característicos) puede evaluarse de dos formas :

Medir Atributos
Medición de las características del producto donde es posible contar rápidamente para saber si la calidad es
aceptable o no. Permite tomar decisiones simples de si o no, respecto de si un producto cumple con las
especificaciones.

Los atributos se usan con frecuencia cuando las especificaciones de calidad son complicadas y la medición por
medio de variables resulta difícil o costosa.

Ejemplos : Número de formularios que contienen errores, proporción de equipos que no funcionan en la
prueba final, proporción de vuelos regulares que llegan con una diferencia menor de 15 minutos con respecto
a la hora prevista.
Medir Atributos
• Muchas características de calidad no se miden en una escala cuantitativa. En estos casos cada unidad del
producto puede ser clasificada como conforme o disconforme según posea o no ciertos atributos.
• También se puede contar el número de disconformidades que aparecen en una unidad de producto. El
gráfico representa entonces a la variación de los no-conformes o defectos entregados por el proceso.

VENTAJAS :
Los recuentos de atributos requieren menos esfuerzos y recursos

DESVENTAJAS :
Aún cuando los recuentos de atributos bastan para revelar que la calidad de rendimiento ha cambiado, no son
de mucha utilidad para conocer la magnitud del cambio.
Medir Variables
• Evaluar las características del producto que son susceptibles de ser medidas como el peso, longitud,
volumen o tiempo. En este caso, la característica de calidad se describe mediante una medida de tendencia
central y una de variabilidad.
• En realidad son dos gráficos, representando uno a la localización y otro a la variación.

VENTAJAS:
Si un producto no satisface las especificaciones, se sabe cuál es el valor de la discrepancia.

DESVENTAJAS:
Las mediciones suelen requerir uso de equipo especial, destrezas, procedimientos rigurosos, tiempo.
 Variabilidad en
el proceso de
producción
• No hay dos productos (bienes o servicios) exactamente iguales,
porque los procesos mediante los cuales se producen incluyen
muchas fuentes de variación, incluso cuando dichos procesos se
desarrollen en la forma prevista.

• Nada puede hacerse para suprimir por completo las variaciones

en los procesos, pero la gerencia tiene la opción de investigar
las causas de la variación a fin de minimizarlas
Causas Comunes (fuentes de variación aleatoria, por azar)

Un proceso que trabaja sólo con causas comunes de variación se dice que está en control estadístico (o es
estable), independientemente de que su variabilidad sea mucha o poca; no obstante, es predecible en el
futuro inmediato.
En un proceso en control estadístico: la calidad, la cantidad y los costos son predecibles.

Causas Especiales (Asignables, Atribuibles)

Un proceso en el que están presentes causas especiales de variación se dice que está fuera de control
estadístico (o es inestable). Este tipo de proceso es impredecible en el futuro inmediato porque en cualquier
momento pueden aparecer situaciones que tienen un efecto especial sobre la variabilidad.
Variabilidad en el
proceso de
producción

El trabajo del administrador de operaciones es la de

eliminar las causas especiales (asignables) y mantener los
procesos bajo control.
Identificación de causas especiales
Señales de
causas
especiales
Prueba 1: Un punto a más de 3σ de la línea
central
Un punto a más fuera de los límites de control

La prueba 1 se reconoce universalmente como una prueba

necesaria para detectar situaciones fuera de control. Si
pequeños cambios rápidos en el proceso son de interés,
usted puede utilizar la Prueba 2 para complementar la
Prueba 1 a fin de crear una gráfica de control que tenga
mayor sensibilidad
Señales de
causas
especiales
Prueba 2: Nueve puntos
consecutivos en el mismo lado de
la línea central

La prueba 2 identifica cambios rápidos en el centrado

o variación del proceso
Señales de
causas
especiales
Prueba 3: Seis puntos
consecutivos, todos en orden
creciente o decreciente.

La Prueba 3 detecta tendencias

Señales de
causas
especiales
Prueba 4: Catorce puntos
consecutivos, alternativamente
arriba y abajo

La Prueba 4 detecta variación sistemática. Usted

desea que el patrón de variación en un proceso sea
aleatorio, pero un punto que no pasa la Prueba 4
podría indicar que el patrón de variación es
predecible.
Señales de
causas
especiales
Prueba 5: Dos de tres puntos a
más de 2σ de la línea central (del
mismo lado)

La Prueba 5 detecta pequeños cambios

rápidos en el proceso.
Señales de
causas
especiales
Prueba 6: Cuatro de cinco puntos
a más de 1σ de la línea central
(del mismo lado)

La Prueba 6 detecta pequeños cambios rápidos

en el proceso.
 Señales de
causas
especiales
Prueba 7 : Quince puntos
consecutivos dentro de 1σ de la
línea central (en cualquier lado)

La Prueba 7 detecta un patrón de variación

que a veces se toma erróneamentre como
evidencia de un control adecuado. Esta
prueba detecta límites de control que son
demasiado amplios. Límites de control que
son demasiado amplios generalmente se
deben a datos estratificados, lo que ocurre
cuando una fuente de variación sistemática
está presente dentro de cada subgrupo.
 Señales de
causas
especiales
Prueba 8 : Ocho puntos
consecutivos a más de 1σ de la
línea central (en cualquiera de los
lados)

La Prueba 8 detecta un patrón de mezcla. En un patrón

de mezcla, los puntos tienden a ubicarse lejos de la línea
central y cerca de los límites de control.
¿Qué prueba debo utilizar para detectar patrones
específicos de variación por causa especial?
Aplique ciertas pruebas basándose en su conocimiento del proceso. Si es probable que sus
datos contengan determinados patrones, búsquelos eligiendo la prueba apropiada. Al
agregar más pruebas, la gráfica es más sensible, pero también puede incrementar la
probabilidad de obtener una señal falsa. Cuando usted utiliza varias pruebas
simultáneamente, aumenta la posibilidad de obtener una señal de falta de control.
Repaso de conceptos
de estadística
Población y muestra

Todo subconjunto de la población es una muestra

La característica más importante de la muestra es que
tiene que ser representativa.
Este subconjunto que tomamos tiene que representar muy
bien a toda la población
Parámetro y Estimador
Parámetro:
Valor representativo de una población. Se simboliza por letras griegas.
Solo hay un parámetro en cada población.

 Media poblacional
2 Varianza poblacional
 Desviación estándar poblacional
 Proporción poblacional
Parámetro y Estimador
Estimador:
Valor representativo de una muestra. Se simboliza por letras latinas.
Existen tantos estimadores como muestras se extraigan de una población.
 Parámetro y Estimador
n1
x1

n2
x2
POBLACIÓN n3
x3
. .
. .
nm
xm
PARÁMETRO
DIFERENTES MUESTRAS OCASIONAN DIFERENTES
VALORES DEL ESTIMADOR
 Parámetro y Estimador

Técnicas de
MUESTRA
Muestreo
Estimador : x

POBLACIÓN Estadística Inferencial

Parámetro : µ -̂ = Error de muestreo

Medidas de tendencia central
MEDIA
Es la medida de tendencia central más extendida. Es el promedio simple del conjunto de datos.
Nota: fácilmente afectada por los datos atípicos (valores extremos)

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Media = 3 Media = 4
Medidas de tendencia central
MEDIANA
La mediana es el punto medio del conjunto de datos ordenado.
No se ve afectada por los valores atípicos.

En un conjunto ordenado de datos, la mediana es el número en la posición:

Si esta posición no es un número entero, la mediana es el promedio simple

de los dos números en las posiciones más cercanas al valor calculado

=MEDIANA()
Medidas de tendencia central
MODA
La moda es el valor que ocurre con más frecuencia.
Un conjunto de datos puede tener 0 modas, 1 moda o múltiples modas.
La moda se calcula simplemente encontrando el valor con la frecuencia más alta.
Media, Mediana y Moda
Medidas de dispersión o variabilidad
La varianza y la desviación estándar miden la dispersión de un conjunto
de puntos de datos en torno a su valor medio

Desviación estándar muestral (S)

o Medida de variabilidad que indica qué tan esparcidos están los datos
respecto de la media.
o Mide la distancia que en “promedio” hay entre los datos y la media

Desviación estándar poblacional o del proceso ( 𝜎 )

o Refleja la variabilidad de un proceso.

o Para su cálculo se debe utilizar un número grande de datos que haya
sido obtenidos en el transcurso de un lapso amplio.
Medidas de dispersión o variabilidad
Medidas de dispersión o variabilidad
Rango
o Medición de la variabilidad de un conjunto de datos que es resultado de la diferencia entre el dato
mayor y el dato menor de tal conjunto.
o Mide la amplitud de la variación de un grupo de datos.
Coeficiente de variación (CV)
o Medida de variabilidad que indica la magnitud relativa de la desviación estándar en comparación con la
media.
o Es útil para contrastar la variación de dos o más variables que están medidas en diversas escalas.
 CV Grado de Variabilidad
0 < CV < 10 Datos muy homogéneos
Coeficiente Datos regularmente
10 ≤ CV < 15
de variación homogéneos
Datos regularmente
15 ≤ CV < 20
variables
20 ≤ CV < 25 Datos variables
CV ≥ 25 Datos muy variables
 Relación entre yS
( interpretación de la desviación estándar)
PROPIEDAD DE CHEBYSHEV

𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝟐𝑺 , + 𝟐𝑺 𝒆𝒔𝒕á 𝒑𝒐𝒓 𝒍𝒐 𝒎𝒆𝒏𝒐𝒔 𝒆𝒍 𝟕𝟓% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔

𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝟑𝑺 , + 𝟑𝑺 𝒆𝒔𝒕á 𝒑𝒐𝒓 𝒍𝒐 𝒎𝒆𝒏𝒐𝒔 𝒆𝒍 𝟖𝟗% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔

Se aplica a cualquier tipo de datos independientemente de su comportamiento o distribución

REGLA EMPÍRICA
𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝑺 , + 𝑺 𝒆𝒔𝒕á 𝒆𝒍 𝟔𝟖% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔
𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝟐 𝑺 , + 𝟐𝑺 𝒆𝒔𝒕á 𝒆𝒍 𝟗𝟓% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔
𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝟑 𝑺 , + 𝟑𝑺 𝒆𝒔𝒕á 𝒆𝒍 𝟗𝟗. 𝟕% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔

Se obtuvo por la experiencia de analizar datos y observar la relación entre ambos estadísticos (media y desviación estándar)
Es válida para muchos de los casos que se dan en la práctica , sobre todo si los datos tienen un comportamiento con cierto
grado de similitud a una campana o a la DISTRIBUCIÓN NORMAL . Ambos (Chebyshev y R. Empírica) ilustran cómo la
desviación estándar mide la variabilidad en torno a la media.
 Regla Empírica

68%

μ
μ 1σ

Si los intervalos se calculan con la media y desviación estándar del proceso o población, entonces serán
válidos para toda la población. En la medida en la que se tengan muestras aleatorias grandes y
representativas, los intervalos podrán dar una idea aproximada de lo que pasa con el proceso
Retomando los conceptos

Proceso bajo control estadístico

Se dice que un proceso está bajo control estadístico cuando la localización, expansión
o forma de su distribución no cambia con el tiempo
Proceso bajo Cuando el proceso está bajo control
estadístico, se usan los procedimientos SPC

control estadístico para detectar el momento en el que surgen

causas asignables, de modo que luego se
puedan eliminar.
Muestreo
INSPECCIÓN COMPLETA :

El método más completo para una inspección consiste en revisar la calidad de todos los productos en
cada una de las etapas. Se usa cuando los costos de pasar los defectos a la siguiente etapa (estación de
trabajo) o al cliente, son mayores que los costos de inspección.

La inspección completa garantiza virtualmente que las unidades defectuosas NO pasarán a la siguiente
operación o al cliente ( es una política congruente con el TQM)

Cuando participan inspectores humanos (por efecto de fatiga) o cuando hay imperfecciones en los
métodos de prueba, algunos defectos pueden pasar inadvertidos; por lo tanto, hasta la inspección
completa puede no ser capaz de descubrir todos los defectos.
Muestreo
Un plan de muestreo proporciona más o menos el mismo grado de protección que obtendremos
con una inspección completa.

ESPECIFICACIONES DEL PLAN DE MUESTREO

❑ Tamaño de la muestra : Cantidad determinada de observaciones de los productos del proceso,

seleccionadas al azar.

❑ Intervalo de tiempo: Tiempo transcurrido entre dos muestras sucesivas

❑ Regla de decisión : Determinación del momento en que se debe actuar

El muestreo es apropiado cuando los costos de inspección son altos.

Distribuciones de
muestreo
El propósito de un muestreo es calcular una
variable o medida de atributos para cierta
característica de calidad de la muestra. Esa
medida se usará después para evaluar el
rendimiento del proceso mismo.
Distribución
Normal
Distribución
Normal
Algunas distribuciones de muestreo
suelen calcularse en forma aproximada
mediante la distribución normal, lo cual
permite el uso de las tablas normales
Gráficas de
control
 Gráficas
Retomando

de control
La gráfica de control tiene un valor nominal o
línea central, que generalmente es el objetivo
que los gerentes desearían alcanzar por
medio del proceso, y dos límites o
acotamientos de control basados en la
distribución de muestreo de la medida de
calidad.

Los límites de control se usan para juzgar si

es necesario emprender alguna acción.
 No son perfectas para detectar los cambios en la
Las gráficas no distribución de los procesos, precisamente porque están
basadas en distribuciones de muestreo, se pueden
presentar 02 tipos de errores cuando se hace uso de las

son herramientas gráficas :

perfectas ❑ ERROR “TIPO I” (Rechazar un lote de buena calidad)

❑ ERROR “TIPO II” (Aceptar un lote de mala calidad)
Error tipo I :  Se produce cuando el empleado o analista
saca la conclusión de que el proceso está
fuera de control, basándose en un resultado
Rechazar un lote de muestra ubicado fuera de los límites
(acotamientos) de control, cuando en
de buena calidad realidad se trataba de un efecto puramente
aleatorio.
Error tipo II :  Se produce cuando el empleado o analista
saca la conclusión de que el proceso está bajo
Aceptar un lote de control y que solo presenta discrepancias
aleatorias , cuando en realidad ese proceso
mala calidad está fuera de control estadístico.
Gráficas de
control para
variables
Gráficas de control para variables
Se usan para vigilar la media y la variabilidad de la distribución de un proceso
Gráficas R
Una gráfica de Rango o gráfica R se usa para vigilar

la variabilidad de los procesos.

Si cualquiera de los datos queda fuera de los

acotamientos o límites de control, se dice que la

variabilidad del proceso no está bajo control.

Gráficas x
Para medir una media se usa una gráfica X barra.

Cuando las causas asignables a la variabilidad del proceso han sido identificadas y

la variabilidad de dicho proceso se encuentra dentro del control estadístico , se

puede construir una gráfica X barra.

Gráficas de
control para
Atributos
Gráficas p
Gráfica que representa atributos.

La característica de calidad no se mide sino que se CUENTA, y el elemento

o servicio se declara satisfactorio o deficiente en su totalidad.

El método implica seleccionar una muestra aleatoria, examinar cada uno

de sus elementos y calcular la proporción de la muestra que presenta

defectos, p, la cual es equivalente al número de unidades defectuosas

dividido entre el tamaño de la muestra.

Gráficas p
En la Gráfica p el muestreo implica una decisión de sí o no, el

elemento o servicio está defectuoso o no lo está.

La distribución estadística fundamental se basa en la Distribución

Binomial; sin embargo si los tamaños de muestra son grandes , la

Distribución Normal proporciona una buena aproximación.

Gráficas c
Son útiles cuando se desea reducir el número de
defectos por unidad.
La distribución de muestreo subyacente en una
gráfica c corresponde a la distribución de Poisson.
Se basa en la suposición de que los defectos se
presentan dentro de una región continua y que la
probabilidad de que dos o más defectos se presenten
en una localización cualquiera es insignificante. Se
suele usar la aproximación normal a la distribución de
Poisson.
Capacidad del proceso
GRÁFICA DE Una gráfica de corridas representa los datos
del proceso en el tiempo. Se utiliza para

CORRIDAS buscar evidencia de variación por causas

especiales en un proceso.
Un ingeniero de manufactura quiere
evaluar el proceso de producción de
un nuevo producto elaborado en
plástico. Toma 5 muestras del
producto cada hora durante 20 horas
para probar la resistencia del plástico
y genera una gráfica de corridas.
Gráfica de corridas Una gráfica de corridas representa las observaciones individuales en el orden en
que se recolectaron.

Los puntos grises representan los valores individuales.

Los puntos azules representan las medias del subgrupo o las medianas del
subgrupo.

La línea central horizontal se dibuja dependiendo de qué opción se eligió:

• Graficar medias de subgrupo, la línea central es la mediana de todas las

medias del subgrupo y los puntos azules en la gráfica son las medias del
subgrupo.

•Graficar medianas de subgrupo, la línea central es la mediana de todas las

medianas del subgrupo y los puntos azules en la gráfica son las medianas del
subgrupo.

NOTA
Si el tamaño del subgrupo es = 1, la línea central es la mediana de todos los
datos, independientemente de la opción que seleccione para los puntos
graficados.

Incluso con datos asimétricos, la mediana de las medias del subgrupo por lo
general está cercana a la mediana de las medianas del subgrupo.

El eje Y tiene un rango amplio porque los datos sin procesar también están
graficados, por lo tanto, la diferencia por lo general no es notable.
Gráfica de corridas
La variación ocurre en todos los procesos.

 La variación de causa común es una parte natural del

proceso.

 La variación por causas especiales se origina fuera del

sistema y produce patrones, cambios o tendencias que se
pueden identificar en los datos.

La gráfica de corridas muestra gráficamente si las

causas especiales están afectando el proceso.

Las gráficas de corridas también:

❑ proporcionan pruebas para determinar la aleatoriedad, las

cuales suministran información sobre la variación no
aleatoria ocasionada por tendencias, oscilaciones,
mezclas y conglomerados en los datos. Estos patrones
indican que la variación observada es originada por causas
especiales.
Hipótesis para Gráfica de corridas

La gráfica de corridas en Minitab provee las dos pruebas siguientes para determinar aleatoriedad:

❑ Una prueba para determinar el número de corridas alrededor de la mediana

❑ Una prueba para determinar el número de corridas hacia arriba o hacia abajo

Para ambas pruebas, las hipótesis son las siguientes:

H0: Los datos siguen una secuencia aleatoria.

H1: Los datos no siguen una secuencia aleatoria.
Patrones no aleatorios que puede identificar una
gráfica de corridas

Patrones de mezcla
Una mezcla se caracteriza por cruzar
frecuentemente la línea central.
A menudo, las mezclas indican datos
combinados a partir de dos poblaciones
o de dos procesos operando a diferentes
niveles.
Si el p-valor para mezclas es menor que
0.05, puede tener mezclas en sus datos.
Patrones no aleatorios que puede identificar una
gráfica de corridas

Patrones de conglomerados
Los conglomerados pueden indicar
variación por causas especiales, tales como
problemas de medición, variabilidad de
lote a lote o de configuración o muestreo
de un grupo de partes defectuosas.
Los conglomerados son grupos de puntos
en un área de la gráfica.
Si el p-valor para los conglomerados es
menor que 0.05, puede tener
conglomerados en sus datos.
Los datos encerrados en círculo pueden
representar conglomerados de datos.
Patrones no aleatorios que puede identificar una
gráfica de corridas

Patrones de oscilación
La oscilación ocurre cuando los datos
fluctúan hacia arriba y hacia abajo, lo
que indica que el proceso no es estable.
Si el p-valor para la oscilación es menor
que 0.05, puede tener oscilación en sus
datos.
En este caso, los datos encerrados en
círculo parecen variar hacia arriba y
hacia abajo con frecuencia.
Patrones no aleatorios que puede identificar una
gráfica de corridas

Patrones de tendencias
Una tendencia es un cambio gradual sostenido en
los datos, bien sea hacia arriba o hacia abajo.
Una tendencia puede advertir que un proceso está
fuera de control o probablemente esté por salirse de
control y que puede deberse a factores tales como
herramientas desgastadas, una máquina que no
mantenga los valores de configuración o períodos de
rotación de los operadores.
Si el p-valor para las tendencias es menor que 0.05,
puede tener una tendencia en sus datos.
La tendencia hacia arriba se encuentra encerrada en
un círculo.
 Ho : Hipótesis Nula (hipótesis de trabajo) → Se la
rechazará o no se la rechazará

REVISIÓN
H1: Hipótesis Alterna (hipótesis del investigador)

Ejm : Ho : La obesidad no es un factor de riesgo para la COVID

H1 : La obesidad es un factor de riesgo para la COVID
Hipótesis Nula
❑ Es la hipótesis CONSERVADORA y es la que esperamos
RECHAZAR

IGUALDAD (comparar)

❑ La Hipótesis Nula expresa

NO RELACIÓN (Relacionar)

La rechazo
❑ Ho Puedo cometer errores
No la rechazo
Significativo

LOS HALLAZGOS MUESTRALES , CON UN NIVEL DE

PROBABILIDAD, SE ESTARÍAN REPLICANDO EN LA
POBLACIÓN

La significancia está relacionada a un ERROR ( un nivel de error) de decir que la muestra

REPLICA la POBLACIÓN
Nivel de Significancia (α )

Es la máxima Otro modo : Es la

probabilidad de error máxima cantidad de
que estamos dispuestos error que estamos
a aceptar en cualquier dispuestos a aceptar en
procedimiento. caso de que la hipótesis
Convencionalmente 5 % del investigador sea
falsa

Máxima cantidad de error que estamos

dispuestos a aceptar para dar como válida
la hipótesis del investigador
p-valor

Si :

P-valor < nivel de significancia (α) → Me quedo con la H1

P-valor > Nivel de significancia (α) → Me quedo con Ho

Procedimiento (prueba de hipótesis)
1. Plantear la hipótesis
2. Nivel de Significancia
3. Estadístico de prueba
4. Lectura del p_valor
5. decisión
Estadístico de prueba
 Un estadístico de prueba es una variable aleatoria que se calcula a partir de datos de la muestra y se
utiliza en una prueba de hipótesis.
 Se utiliza los estadísticos de prueba para determinar si puede rechazar la hipótesis nula.
 El estadístico de prueba compara sus datos con lo que se espera bajo la hipótesis nula.
 El estadístico de prueba se utiliza para calcular el p-valor
NORMALIDAD
Ho = LOS DATOS SON NORMALES ( = )

H1 = LOS DATOS NO SON NORMALES (≠)

En este caso especial yo esperaría NO RECHAZAR la Ho

 DISTRIBUCIÓN NORMAL ESTÁNDAR

La distribución normal estándar, es aquella distribución

normal (caso especial) que tiene: N (0,1)
❑ una media igual a cero
❑ una desviación estándar igual a uno
❑ área bajo la curva igual a 1
❑ indica la desviación en términos de Z
❑ cualquier distribución normal puede estandarizarse
mediante el número Z
Veamos la función densidad normal estandarizada,
que trabaja con la variable estandarizada z en el
eje horizontal
Distribución Normal Estándar

 =0
 =1

-3 -2 -1 0 +1 +2 +3
Distribución Normal & Distribución Normal Estándar

 = 100
 = 20

40 60 80 100 120 140 160 X

-3 -2 -1 0 +1 +2 +3 Z
 Valor Estándar (Valor Z)

 Los valores de una Variable X distribuida normalmente se transforman a valores z de una

Distribución Normal Estándar.
 La Distribución Normal se “estandariza” resultando en una Distribución Normal Estándar.

x−
z=

 Estandarizar la Distribución Normal

Distribución Distribución Normal

Normal Estándar

 z = 1

x z
 z =0

 x = valor de una variable aleatoria.

x −  µ = media de la distribución de la variable aleatoria.
z =   = desviación estándar de la distribución.
  z = número de desviaciones estándar desde x a la
media de la distribución.
 TIPIFICAR
¿Qué pasa con las distribuciones normales que no son N(0,1)?
 Tipificar consiste en transformar la variable de una distribución N (µ,𝜎) en una distribución
N (0, 1) para poder usar la tabla

𝒙 −𝝁
N (µ,𝜎) z=
𝝈
N (170, 12)
𝒙 −𝝁 185 −170 Z = 1,25
¿ P(X ≤ 185) ? z= Z= 12
𝝈

89.44 %

170 185 X N(170,12)

0 1,25 Z N(0,1)
 Esta tabla nos
da el área que
queda por
debajo de un
valor z positivo

P (Z ≤ z )

P (Z ≤ 1.25 )
 INTERVALO DE CONFIANZA
Intervalo de confianza es encontrar dos valores simétricos respecto a la media que es cero [N (0,1)] que dentro de sí,
encierra un % que uno quiere conocer (nivel de confianza)

Probabilidad de
estar dentro del
intervalo

∝ൗ
𝟐
% ∝ൗ
𝟐
Nivel de confianza

∝ൗ ∝ൗ
𝟐 𝟐

α = Nivel de significación : Probabilidad de quedar fuera del intervalo

 INTERVALO DE CONFIANZA

Intervalo de confianza es encontrar dos valores simétricos respecto a la media que es cero [N (0,1)] que dentro de sí, encierra
un % que uno quiere conocer (nivel de confianza)

Probabilidad de
estar dentro del
intervalo

10%
80% 10 %
Nivel de confianza

∝ൗ ∝ൗ
𝟐 𝟐

α = Nivel de significación : Probabilidad de quedar fuera del intervalo

 INTERVALO DE CONFIANZA

Intervalo de confianza es encontrar dos valores simétricos respecto a la media que es cero [N (0,1)] que dentro de sí, encierra
un % que uno quiere conocer (nivel de confianza)

Probabilidad de
estar dentro del
intervalo

2,5 % 95% 2,5 %

Nivel de confianza

∝ൗ ∝ൗ
𝟐 𝟐

α = 5 % : probabilidad de quedar fuera del intervalo

TRABAJANDO CON LA TABLA

2,5 %
95 %
𝑍∝/2

95 % + 2,5 %

97,5 %
Z = 1,96
 INTERVALO DE CONFIANZA

95
%
-1,96 1,96

𝐼𝐶95% = (−1.96 ; 1.96)

IC = intervalo de confianza
Ejemplo de intervalo de confianza
La duración en kilómetros de cierta marca de neumáticos para automóviles, se ajusta
a una distribución N(48.000, 3.000). Calcular el intervalo de confianza del 80%

µ =48.000
𝜎 =3.000

80%

α/2 α/2 Z N( 0,1)

X1 48.000 X2 X N(48.000, 3.000)
Buscamos intervalo de confianza

80% 10%
10%

α/2 α/2 Z N( 0,1)

α = 20%
Buscamos intervalo de confianza

α = 20%
80% 10%
10%

α/2 α/2 Z N( 0,1)

10% + 80% = 90%

Z = 1.28
TIPIFICAR

𝒙 −𝝁
-1.28 =
𝑋1 − 48.000
z= 1.28 =
𝑋2− 48.000
3.000 𝝈 3.000
X1 = 44,160 X2 =51,840

X1 = 44,160 48,000 X2 =51,840

CONCLUSIÓN
𝐼𝐶80% = (44.160 ; 51.840 )

La fábrica podría asegurar que el 80% de sus neumáticos duran entre 44,160 km y 51,840 km