CONTROL DE CALIDAD

EMAIL:cgonzales1@usmp.edu.pe
 EVALUACIÓN

Tipo de evaluación Número

Prácticas Calificadas 2
Trabajo Experimental
Laboratorios 8
Control de Lectura 6
Examen Parcial 1
Examen Final 1

PP  EP  EF
PF 
3
 BIBLIOGRAFIA
Texto Base
• CONTROL ESTADÍSTICO DE LA CALIDAD. Douglas C.
Montgomery. Grupo Editorial Limusa Wiley S.A, México
2005
BIBLIOGRAFÍA COMPLEMENTARIA
• SANGUESA M, MATEO R, ILZARBE L. Teoría y Practica de la
Calidad. Ed. Thomson España 2006
• GUTIERREZ P. H, DE LA VARA S. R. Control Estadístico de
Calidad y seis sigma. McGraw Hill, México 2004.
• Pratt y varios autores. Métodos Estadísticos para la mejora
continua. Ed. Universidad Politécnica de Valencia. 2000
• EVANS J. y Varios autores. Administración y Control de
Calidad. 2005
 INTRODUCCION

• La calidad es una solución permanente..., un

estilo de vida dentro de las organizaciones.
¿Quién Juzga la
calidad?
 CONTROL DE LA CALIDAD:
Técnicas y actividades de carácter
operacional utilizadas

El control de la calidad no es responsable

de la calidad del producto...................
¿POR QUÉ LA CALIDAD?

Entonces la calidad es.....

En la Gestión de Calidad.....

La Calidad es enfocada como GESTION

integral de la organización

La Calidad según la norma ISO 9000

NORMA ISO 9000

Característica Rasgo diferenciador

Necesidad o expectativa
Requisito establecida
 Hacer el trabajo bien a la
primera y al menor costo
Conformidad
Satisfacción del cliente con el objetivo

Prod. y servicios
buenos CALIDAD ES....... Percepción
del cliente

Satisfacción de los
miembros de la Mejora como visión Cumplimiento de
organización dinámica de la calidad especificaciones
 LA COMPETITIVIDAD Y LA MEJORA DE LA
CALIDAD

Satisfacción del cliente:

Competitividad de una empresa
Factores criticos

Calidad del Producto Calidad en el Servicio Precio

 Fallas y deficiencias

Reprocesos, desperdicios, retrasos, equivocaciones, paros, inspección excesiva,

desorganización, problemas con proveedores y clientes, conflictos humanos.

Mas gastos
 ACTIVIDADES A REALIZAR POR EL ALUMNO

1. Buscar en INTERNET o en la biblioteca sobre los

autores de la calidad e indique los aportes que
cada uno de ellos ha realizado a los Sistemas de
Gestión de la Calidad de hoy en día
2. Escribir en un papel que entiende por calidad
 CARACTERISTICAS Y REQUISITOS DE
CALIDAD

CARACTERISTICA DE CALIDAD
PRODUCTO SERVICIO

Apariencia Gusto Credibilidad Puntualidad

Belleza Estilo Efectividad Cortesía

Peso Dimensiones Flexibilidad Rapidez

Transportabilidad Durabilidad Honestidad Competencia

ACTIVIDAD A REALIZAR POR EL ALUMNO

Características Requisitos

Escriba las características

y requisitos que definan
tus preferencias para la
compra de un TV

… …
 Filosofía:
valores, creencias y principios
que forman el modo de vida
de una empresa.

¿Creemos en la calidad?
¿Hacemos calidad?
¿Vivimos con calidad?
 MEJORA CONTINUA E INNOVACION

MEJORA CONTINUA INNOVACION

Pequeñas mejoras continuas con la
implicación del todo el equipo humano
de la organización Mejora de carácter radical
 Ciclo de Deming

1
4

ACTUAR PLANEAR

VERIFICAR HACER

2
3
 MEJORA CONTINUA DE LA
A P
CALIDAD V H

Definir el proyecto (Identificar y justificar).

P
A
V H Describir la situación actual. PLANEAR
Analizar datos para aislar las causas raíz.

A P Establecer acciones para eliminar las causas del problema.

V
H
Ejecutar las acciones establecidas. HACER
MUESTREAR
A P
H Verificar los resultados a través de indicadores.
V

VERIFICAR
A
P EVALUAR
V H Documentar y definir nuevos proyectos.
ACTUAR
GENERALIZAR Y PRINICIPIAR DE
NUEVO
 El inicio: métodos y criterios

Decisiones Valor
objetivas agregado

Documentar:
Procedimientos  Documentar Procesos
Instructivos de
trabajo  Establecer Objetivos,
Planes de calidad ACTUAR PLANEAR indicadores y metas
Especificaciones de los procesos
Registros
 Establecer estrategias
VERIFICAR HACER

Experiencia e inteligencia
De la organización
 Verificación y mejora continua

Lo que no se mide no se controla

Lo que no se controla no se mejora
ACTUAR PLANEAR

VERIFICAR HACER

Verificar:
 La satisfacción del cliente.
 La conformidad con los requisitos del producto.
 Los indicadores de procesos
 Los proveedores
 Herramientas para la mejora continua

Objetivos de Calidad

 Lluvia de ideas
 Análisis de campo
de fuerzas
 Estadística descriptiva
Política de calidad
 Gráfica de tendencias
 Histograma
 Diagrama matricial
Verificación y
 Diagrama de árbol
Mejora Continua
Herramientas para la mejora continua
Resultados de
auditorías

Verificación y
Mejora Continua

 Estadística
descriptiva
 Diagrama de Pareto
 Herramientas para la mejora continua
Verificación y
Mejora Continua

Análisis de datos
Los proveedores

Características y La satisfacción
tendencias de del cliente
los procesos

La conformidad con
los requisitos del producto
 Herramientas para la mejora continua
ANÁLISIS DE DATOS:

Los proveedores: Estadística descriptiva

e histograma
Características y
tendencias de La satisfacción
los procesos: del cliente:
 Gráfica de tendencias  Hoja de inspección
 Gráficas de control  Estadística descriptiva
 Histograma  Diagrama de pareto
 Análisis de capacidad del proceso
La conformidad con
 Hoja de inspección
 Diagrama de flujo de procesos
los requisitos del
 Diagrama de flujo de secuencias Producto:
 Hoja de inspección
 Histograma
 Diagrama de Pareto
 Muestreo de aceptación
Herramientas para la mejora continua

Verificación y
Mejora Continua

 Estadística descriptiva
Acciones  Diagrama de dispersión
correctivas y
 Gráficas de control
preventivas
 Diagrama causa-efecto
 Lluvia de ideas
 Diagrama de afinidad
 PROYECTOS DE MEJORA

Metodología que aplica el ciclo de Deming (PHVA) a

una situación dada, de modo que en el tiempo se
logren mejoras sustantivas en los procesos.

situación inicial
situación durante la mejora
situación final
 Lectura Obligatoria
Capitulo1. El mejoramiento de Calidad en el ambiente
moderno de los negocios. pp1-36

CONTROL ESTADÍSTICO DE LA CALIDAD. Douglas C. Montgomery.

Grupo Editorial Limusa Wiley S.A, México 2005
Métodos Estadísticos en el
mejoramiento de calidad
Objetivo:
Repasar los temas relacionados a Estadística a ser
aplicados en el control y mejoramiento de calidad
METODOLOGÍA ESTADÍSTICA BÁSICA PARA LA
CALIDAD
Recopilación
de datos

Estadística Metodología
Organización
Predictiva y presentación
Estadística de datos

Inferencia
Medidas
Estadística
Estadisticas
 ¿Para qué sirve la estadística?

La Estadística se utiliza como tecnología al

servicio de las ciencias.......
 VARIABLE Y DATOS DE VARIABLES

VARIABLES: Características de productos, procesos y servicios,

las cuales toman un rango de valores.

DATOS DE LAS VARIABLES: Se determinan mediante

medición continua de los valores, tales como la
longitud, el diámetro, el tiempo, presión, etc

VARIABLE DATO
Diámetro 0,25"
Espesor 9"x4"
 VARIABLE Y DATOS DE VARIABLES

ATRIBUTOS: Características de productos, procesos y servicios, las

cuales se clasifican como aceptar/rechazar o pasa/no
pasa.

DATOS DE LOS ATRIBUTOS: se determina mediante conteo de los

valores discretos, tales como defectos por unidad

Atributo: diámetro interno 1.25"+/- 0.02"

Pasa 50
No Pasa 2
 Información numérica que

DATO recolecta, registra, analiza y

se presenta para asegurar la
calidad

• Analizar un producto, proceso o servicio.

• Identificar problemas y verificar las causas.
USOS • Identificar y eliminar los defectos y los
defectuosos.
• Determinar si un producto o servicio este bajo
control
Se deben formar ciertas decisiones antes de recolección, registro y
análisis de datos.

Estas decisiones están relacionados con:

Próposito: ¿Porqué se necesitan los datos?
Tipos de Datos: ¿Qué tipo de datos se necesitan?
Origen de los datos: ¿Disponibles o serán recolectados?
Recolección: ¿Quién, dónde, cuándo y como se
recolectarán?
Reducción de datos: ¿Cómo se clasificarían, organizarán los datos
para propósitos de análisis y presentación?
Plan de acción: dependiendo de los datos, ¿qué acciones
específicos se tienen contemplados?
DESCRIPCION DE LA VARIACION
 DIAGRAMA DE TALLOS Y HOJAS
En el proceso de fabricación de una armadura metálica se han medido los
espesores obtenidos después del proceso de estampación. La especificación
de dicho espesor es de 10 +/- 1 mm.

Espesor en mm de armadura metálica

10.90 10.21 11.40 10.80 10.12 10.54
10.55 10.50 10.63 10.53 9.80 9.83
10.43 10.42 10.30 10.00 10.00 10.14
9.85 10.00 9.99 10.19 10.12 9.40
9.45 10.10 10.15 9.63 9.72 9.78
9.75 9.52 9.55 9.99 9.20 9.00
Stem-and-Leaf Display: espesor
Stem-and-leaf of espesor N = 36
Leaf Unit = 0.10
1 9 0
2 9 2
6 9 4455
10 9 6777
15 9 88899
(9) 10 000111111
12 10 23
10 10 445555
4 10 6
3 10 89
1 11
1 11
1 11 4
DISTRIBUCION DE FRECUENCIA Y EL
HISTOGRAMA

¿Qué es?
¿Cuándo se utiliza?
¿Cómo se utiliza?

Datos Intervalos de clase

30 a 50 5a7
51 a 100 6 a 10
101 a 250 7 a 12
Más de 250 10 a 20
 Histograma de los datos de espesor en mm

Histogram of espesor
18

16

14

12
Frequency

10

0
8.7 9.2 9.7 10.2 10.7 11.2 11.7
espesor
Con el propósito de mejorar la calidad que se tenía en cuanto al
grosor de las láminas, un grupo implementa un proyecto de mejora.
Varios de los cambios implementados fueron relativos a los
procedimientos empleados durante el proceso y la estandarización
de los mismos. Para verificar si el plan tuvo éxito, se eligieron
lámina aleatoriamente midiendo su grosor. Los 120 datos obtenidos
durante tres días se muestran en el ANEXO 1.
Para un cierto tipo de lámina el grosor óptimo es de 5mm y se tiene
como discrepancia tolerable de 0.8mm
Construya un histograma e insértele las especificaciones e
interprételo
ANEXO 1
4,8 4,8 4,9 4,9 5,0 4,8
4,7 4,5 4,4 4,6 4,2 5,3
4,7 5,1 5,0 4,6 5,2 4,7
4,9 4,7 5,1 5,1 5,3 5,1
4,7 5,0 5,1 4,5 4,1 4,9
4,6 4,6 4,7 4,4 5,3 4,4
4,2 5,3 4,8 4,7 5,1 4,7
5,0 4,9 5,6 5,2 4,6 4,9
5,3 5,0 4,9 4,6 4,8 4,6
4,4 4,5 5,2 5,0 5,6 5,0
4,3 5,1 4,6 4,6 4,9 4,5
5,7 5,3 5,1 4,9 4,6 5,2
4,1 5,0 4,9 4,9 4,8 5,1
4,8 5,1 5,3 5,0 5,0 5,2
5,0 5,3 5,1 5,2 5,1 4,9
5,0 4,8 4,9 4,5 5,3 5,0
4,5 5,1 4,4 5,3 4,7 4,8
5,0 5,2 5,1 4,5 5,2 5,0
4,9 4,4 4,7 5,3 4,7 5,1
5,0 5,0 4,7 5,3 5,0 4,5
 Resumen sobre medidas estadísticas

• Centralización
• Media, mediana y moda
• Dispersión
• Desviación estándar, coeficiente de variación, rango,
varianza
• Forma
– Asimetría
– Apuntamiento o curtosis
 n

MEDIA x i
ARITMÉTICA x i 1

n
Parámetros
estadísticos que Se ordenan los datos
según su magnitud y
estiman el valor se elige/n el/los
MEDIANA
central central/es
(semisuma).

Es el valor mas
MODA
frecuente de la
distribución
MEDIDAS DE VARIABILIDAD

 x  x
2
Varianza: su
i
propiedad mas
S2  i 1
importante es la
n 1 aditividad

 x  x
2
i Desviación estándar
S i 1
n 1
 CONTINUACION DEL EJERCICIO DEL GROSOR

Tomando la media y la desviación estándar como parámetros

poblacionales, calcule el porcentaje de láminas fuera de
especificaciones que se tendrá después de los cambios
realizados.
 S
CV  x 100 Coeficiente de Variación
x

s Desviación estándar
Sx  de la media.
n
EJERCICIO:

Describir las características de los cuatros histogramas siguientes, y razonar

cual es la medida de centralización y de dispersión más adecuada para la
distribución correspondiente.
EJERCICIO:

Un técnico responsable del funcionamiento de una

empaquetadora automática la ajustó, en principio, para 450g.
Media hora después del principio de la producción, se separaron
diez paquetes para verificar su peso. Los resultados son :

Peso (g) 448 450 453 451 447 449

a) ¿Cuál es el peso medio de esa muestra?. Calcular la varianza y

la desviación estándar, así como la mediana y los cuartiles.
b) Se considera que la empaquetadora funciona correctamente si
la media de una muestra de diez paquetes se sitúa en el
intervalo 448 X 452. ¿cuál es la conclusión en el caso de la
muestra anterior? ¿Te parece correcta la elección de tal método
de decisión?. ¿Alguna idea para mejorar?.
Descriptive Statistics: lectura1

Variable Mean StDev Variance CoefVar Minimum Maximum

lectura1 90.197 4.882 23.832 5.41 80.400 99.900
EJERCICIO
Se ha realizado un estudio para investigar el efecto de un
determinado proceso térmico en la dureza de una determinada
pieza. Once piezas se seleccionaron para el estudio. Antes del
tratamiento se realizaron pruebas de dureza para determinar la
dureza de cada pieza. Después, las piezas fueron sometidas a un
proceso térmico de templado con el fin de mejorar su dureza. Al
final del proceso, se realizaron nuevamente pruebas de dureza y se
obtuvo una segunda lectura. Se recogieron los siguientes datos
(Kg. de presión):

Pieza 1 2 3 4 5 6 7 8 9 10 11
Dureza
previa. 182 232 191 200 148 249 276 213 241 480 262

Dureza post. 198 210 194 220 138 220 219 161 210 313 226

Calcular la media, la desviación estándar, la mediana y los cuartiles

para la dureza antes y después del proceso.
DIAGRAMA DE
CAJA
 Realizar un diagrama de cajas(boxplot) donde aparezcan las dos
variables ¿Qué conclusiones puede sacar de estos diagramas ?
¿Se puede afirmar que el proceso de templado mejora la dureza
de las piezas?

Boxplot of Previa, Post Boxplot of Previa, Post

500
480 275

400 250

225
313
Data

Data
300
200

200 175

138
150
100
Previa Post Previa Post

Se quiere ahora buscar un modelo para explicar la dureza posterior en

función de la dureza previa. ¿Cuál es el método adecuado? Construir
este modelo y comentar la bondad del ajuste. ¿Cuál sería el valor de la
dureza posterior para una dureza previa igual a 195?.
En un ejercicio interlaboratorio dos laboratorios analíticos ejecutan
un método estándar para determinar la [Cd] en mg / L de una
muestra de agua de río altamente contaminado. Cada laboratorio
efectúa 8 repeticiones.

Laboratorio A 20.7 27.5 30.4 23.9 21.7 24.1 24.8 28.9

Laboratorio B 20.9 21.4 24.9 20.5 19.7 26.3 22.4 20.2
Diagrama de caja de los datos [Cd] en mg / L

30
[Cd]

25

20

A B
Labs
 Resumen de estadísticas de los datos [Cd] en mg / L

Total
Variable Count Mean SE Mean StDev Variance CoefVar Sum
Laboratorio A 8 25.25 1.21 3.41 11.65 13.52 202.00
Laboratorio B 8 22.038 0.839 2.372 5.628 10.77
176.300

Variable Minimum Q1 Median Q3 Maximum Range

IQR
Laboratorio A 20.70 22.25 24.45 28.55 30.40 9.70
6.30
Laboratorio B 19.700 20.275 21.150 24.275 26.300 6.600
4.000
DISTRIBUCIONES DE PROBABILIDAD
 DISTRIBUCIONES DE PROBABILIDAD

Discretas

Ejemplo 40%

• Distribución de defectuosos de cierto 35%

producto. 30%

25%

20%

15%

10%

5%

0%
0 1 2 3
 Continuas

Ejemplo
• Distribución de los pesos de cierto producto.
 Valor esperado y varianza de una v.a. X

• Valor esperado
– Se representa mediante E[X] ó μ
– Es el equivalente a la media

• Varianza
– Se representa mediante VAR[X] o σ2
– Es el equivalente a la varianza
 Distribuciones discretas importantes

– Experimentos dicotómicos.
• Bernoulli

– Contar éxitos en experimentos dicotómicos repetidos:

• Binomial
• Poisson (sucesos raros)
• Hipergeométrica
 Distribución de Bernoulli

• Sólo son posibles dos resultados:

– X=1 (éxito, con probabilidad p)
– X=0 (fracaso, con probabilidad q=1-p)
 Distribución binomial
• Función de probabilidad
 n  k nk
P[ X  k ]    p q , 0  k  n
k 

– Problemas de cálculo si n es grande y/o p cercano a 0 o 1.

• Media: μ =n p

• Varianza: σ2 = n p q
EJEMPLO

Supóngase que una máquina de fabricación de tornillos

produce por termino medio 2 tornillos defectuosos por
cada 85 y que los tornillos se empaquetan en cajas de
170 unidades. Calcular cuál es la probabilidad de que
tomadas al azar 7 cajas, en solo 2 de ellas no haya
ningún tornillo defectuoso.
 Distribución Hipergeometrica

 D  N  D 
• Función de probabilidad  


x  n  x 
P[ X  x]  , x  0,1,2,.....,min(n, D)
N
 
n 

– Problemas de cálculo si n es grande y/o p cercano a 0 o 1.

D
• Media:  n
N

D  D  N  n 
• Varianza: 2 n 1   
N  N  N  1 
EJEMPLO

En un proceso de fabricación, la probabilidad de que

una pieza sea defectuosa es de 0.05. Si la producción
diaria es de 10000 piezas y se empaquetan en lotes de
100 unidades:
(a) Calcular la probabilidad de que en un lote haya por lo
menos dos piezas defectuosas.
(b) Si un lote es rechazado cuando contiene más de 5
piezas defectuosas, ¿Cuántos lotes son rechazados
diariamente por termino medio?
 Distribución de Poisson
• Se obtiene como aproximación de una distribución
binomial con la misma media, para ‘n grande’ (n>80)
y ‘p pequeño’ (p<0,1).
• Queda caracterizada por un único parámetro μ (que
es a su vez su media y varianza.)
• Función de probabilidad:

k
P[ X  k ]  e   , k  0,1,2,...
k!
 Ejemplos de variables de Poisson

En un Hospital:
• Nº de pacientes atendidos o nº individuos de la población
que va al hospital.
En un Autoservicio
• N° de personas atendidas en una caja

Se puede modelar mediante Poisson(μ=np)

EJEMPLO

Un proveedor de una empresa eléctrica va a comprar un

lote de carretes de alambre eléctrico para 240000 km de
conexión para luz eléctrica considerando que cada carrete
tiene una medida de 1000 mts. c/u. Al aplicar el plan de
muestreo en base a la NTP-ISO 2859-1 Nivel II simple
normal . NCA= 1 %. Con el siguiente plan de muestreo:
n=50 Ac =1 y Re=2
•¿Cuál es la probabilidad de aceptar el lote?
•El riesgo del productor
 Distribución normal o de Gauss
• Aparece de manera natural:
– Errores de medida,Contenido neto, Diámetros, longitud,..
– Distribuciones binomiales con n grande (n>80) y ‘p ni
pequeño’ (np>5) ‘ni grande’ (nq>5).

• Está caracterizada por dos parámetros: La media, μ, y la

desviación estandar, σ.

• Su función de densidad es:

1  x 
2

1   
2  
f ( x)  e
 2
N(μ, σ2): Interpretación
geométrica
 N(μ, σ): Interpretación probabilista

• Entre la media y una

desviación estándar
a tenemos siempre
la misma
probabilidad: aprox.
68%

• Entre la media y dos

desviaciones
estándar aprox. 95%
 Algunas características
• La función de densidad es simétrica, mesocúrtica y
unimodal.

• Los puntos de inflexión de la fun. de densidad están a

distancia σ de μ.

• Si tomamos intervalos centrados en μ, y cuyos extremos

están…
– a distancia σ,  tenemos probabilidad 68%
– a distancia 2 σ,  tenemos probabilidad 95%
– a distancia 2’5 σ  tenemos probabilidad 99%
Todas las distribuciones normales N(μ, σ), pueden
ponerse mediante una traslación μ, y un cambio
de escala σ, como N(0,1). Esta distribución
especial se llama normal estándar.
Es decir:

x
z

EJEMPLO

Un circuito contiene Desviación

tres resistores en serie. Resistor Media estándar
Los datos anteriores
muestra la siguiente
información sobre la 1 125 3
resistencia. La
resistencia se ajusta a
una distribución normal. 2 200 4

3 600 12

¿que porcentaje de circuitos cumplirían con la

especificación de resistencia total para 930 30 Ω
Ejemplo

Una característica de calidad de un proceso de manufactura que

se mide está distribuida normalmente con media 40 y desviación
estándar de 5 y los límites de especificación son 41 5.
Suponiendo que se puede retrabajar un articulo que excede el
límite superior de especificación y que se debe rechazar tal
artículo si está por debajo del límite inferior de especificación,
¿que porcentaje de artículos para retrabajo y rechazo origina el
proceso?
DISTRIBUCION DE UNA
MEDIA MUESTRAL
Ejemplo

Una fábrica de gaseosa utiliza una envasadora

automática para rellenar botellas de plástico. Cada
botella debe contener 300ml pero en realidad los
contenidos varían según una distribución normal con
media de 298ml y desviación estándar de 3ml.
(a) ¿Cuál es la probabilidad de que una botella individual
contenga menos de 295ml?
(b) ¿Cuál es la probabilidad de que el contenido
promedio de las botellas en un paquete de 6 contenga
menos de 295ml?
 Teorema del límite central

Dada una v.a. cualquiera, si extraemos muestras de

tamaño n, y calculamos los promedios muestrales, entonces:
• dichos promedios tienen distribución aproximadamente normal;

• Las aproximaciones anteriores se hacen exactas cuando n

tiende a infinito.

Este teorema justifica la importancia de la

distribución normal.
INFERENCIAS SOBRE LA CALIDAD DEL
PROCESO
 Población
Relación
entre una
población y
una muestra

Muestra

Histograma

X
 Distribuciones asociadas a la normal
• Dependiendo del problema:
– X2 (chi cuadrado)
– t- student
– F-Snedecor

• Estas distribuciones resultan directamente de operar con

distribuciones normales.
 Chi cuadrado

• Tiene un sólo parámetro

denominado grados de
libertad.

• La función de densidad es
asimétrica positiva. Sólo
tienen densidad los valores
positivos.
 T de student

• Tiene un parámetro denominado grados de libertad.

 F de Snedecor
• Tiene dos parámetros denominados grados de libertad.
ESTIMACIÓN DE PARAMETROS DE
PROCESOS
 Intervalos de confianza

Si n > 30 el valor calculado s puede ser una buena estimación de 

Para el intervalo de confianza (1- )100 %:

Si n < 30, s deja de ser un buen estimador; es necesaria una corrección:

Distribución t (tablas u hojas de cálculo)

Ejemplo
Para calibrar un instrumento de medición, se mide repetidas
veces un patrón cuyo peso sabemos igual a 10 gramos. Los
valores medidos siguen una distribución normal de media
desconocida. En cambio, por estudios anteriores sabemos
que podemos considerar la desviación estándar igual a
0.0002 gramos.
a)¿Qué representa la media poblacional de los valores
medidos? ¿Qué valdría este si el instrumento de medición
fuera perfecto?
b) Se mide el patrón cinco veces. La media de las cinco
mediciones es igual a 10.0023 gramos. Construir de manera
detallada un intervalo de confianza para la media
poblacional al 98% de confianza.
c)¿Cuántas mediciones debemos realizar para conseguir con
la media muestral un margen de error de ±0.0001 con 98% de
confianza?
EJEMPLO
Los siguientes datos corresponde al tiempo de atención
en sus servicio de reclamos a los usuarios. Se puede
afirmar para un nivel de significación del 5 % que el
tiempo medio necesario para ser atendido es diferente
8.6 minutos.

One-Sample T: Tiempo

Test of mu = 8.6 vs not = 8.6

Variable N Mean StDev SE Mean 95% CI T P
Tiempo 19 8.684 2.335 0.536 (7.559, 9.809) 0.16 0.877
 Hipótesis estadísticas

¿Las diferencias entre nuestras observaciones y una referencia o

entre conjuntos de datos son de naturaleza química (por ejemplo)
o estadística?

Sistemática a seguir: Comprobación de hipótesis

Hipótesis Nula (H0) Hipótesis Alternativa (H1)

No existen diferencias Si existen diferencias

significativas entre nuestras significativas entre nuestras
observaciones y una referencia o observaciones y una referencia o
entre conjuntos de datos entre conjuntos de datos

Validez
Una decisión no es estrictamente
verdadera, sino que, NO puede
demostrarse su falsedad (probabilidades)

Tests Estadísticos
 Tipos de errores en el
analisis inferencial de Decisión Tomada
datos.
Aceptar Rechazar
H0 H0
H0 No existe Tipo I (falso
verdadera error positivo, )
Resultado
verdadero
Tipo II (falso No existe
H0 falsa negativo, b) error

La implementación de los procedimientos

estadísticos tienen por objetivo minimizar los
errores  y b

 : b  : b  : b :n
 Comparación de un promedio con
un valor determinado
n < 30
Suposiciones: Distribución Aproximadamente Normal
Hipótesis: Nula: H0:   0
Alternativa: H1,
dos colas:   0
una cola:  < 0 y  > 0
x  o
Test estadístico: Distribución t con (n-1) grados de libertad t
s
Decisiones: n
H1:   0 -t/2, n-1 < t < -t/2, n-1 H0 aceptada
H1:  < 0 t > -t, n-1 H0 aceptada
H1:  > 0 t < t, n-1 H0 aceptada
Ejemplo

Una empresa estudia introducir un nuevo sistema de

producción para mejorar su productividad media
establecida actualmente en 42 unidades por persona y
día. Se estima que el cambio no sería rentable si no
consigue elevar dicho número por encima de 45 u.
Realizada una prueba con la nueva tecnología, aplicada
a 35 personas, se obtuvo una producción media de 46.5
y no se observó ningún cambio apreciable en la
dispersión que estaba establecida en 1.5 u. por día. ¿Se
debe efectuar el cambio tecnológico?
 Comparación de dos muestras
n < 30
Suposiciones: Dos muestras independientes (1 y 2) de
Distribución Aproximadamente Normal
Hipótesis: Nula: H0: 1  2
Alternativa: H1,
dos colas: 1  2
una cola: 1 < 2 y 1 > 2
Test estadístico: Depende de que la relación (varianza
mayor / varianza menor) sea menor o mayor de 3.
(tambien test F: si Fcalculado > Fcritico : varianzas
diferentes).
Relación : 1 (varianzas iguales):
x1  x2
t  n1  1 s12   n2  1 s22
1 1 sp 
sp  n1  n2  2
n1 n2
 Comparación de dos muestras
n < 30

Relación: 2 (varianzas distintas):

2
 s12 s22 
x1  x2  n  n 
t H  1 2 
2 2
s2
s 2
 s12   s22 
1
 2
 n 
 1
 n 

2 
n1 n2
n1  1 n2  1
Decisiones:
Tener en cuenta los “nuevos” grados de libertad (H)
H1:   0 (test dos colas) -t/2, df < t < t/2, df H0 aceptada
H1:  < 0 (test una cola) t > -t, df H0 aceptada
H1:  > 0 (test una cola) t < t, df H0 aceptada
 Antes de la Después de
EJEMPLO mejora la mejora

11 6
Se formo un equipo de six sigma
9 3
para reducir el tiempo de atención
en sus servicio de reclamos a los 11 6

usuarios. El tiempo medio 13 5

necesario para ser atendido se 8 8

redujo de 8.6 a 6.2 minutos. 8 7

Analice los datos que se 13 8

presentan. ¿Representan esto una 10 9

reducción estadísticamente 8 3
significativa en tiempo? 8 7

7 2

10 6

6 5

10 6

6 6

7 7

4 7

8 5

8 7
 Suposiciones: Dos muestras independientes (A y B) de distribución
aproximadamente normal
Hipótesis Nula: H0: A  B
Alternativa : H1: A > B

Probability Plot of A Probability Plot of B

Normal Normal
99 99
Mean 8.684 Mean 5.947
StDev 2.335 StDev 1.810
95 N 19 95 N 19
RJ 0.994 RJ 0.981
90 90
P-Value >0.100 P-Value >0.100

80 80

70 70

Percent
Percent

60 60
50 50
40 40
30 30

20 20

10 10

5 5

1 1
5.0 7.5 10.0 12.5 15.0 1 2 3 4 5 6 7 8 9 10
A B

F-Test (Normal Distribution)

Test statistic = 1.66, p-value = 0.289
 Two-Sample T-Test and CI: A, B

Two-sample T for A vs B

N Mean StDev SE Mean

Antes de la mejora (A) 19 8.68 2.33 0.54
Después de la mejora(B) 19 5.95 1.81 0.42

Difference = mu (A) - mu (B)

Estimate for difference: 2.737
95% upper bound for difference: 3.881
T-Test of difference = 0 (vs <): T-Value = 4.04 P-Value = 1.000 DF =
36
Both use Pooled StDev = 2.0887
 Grafico de Probabilidad Normal

J [Cd] (j-0.5)/n Zj Grafica de probabilidad Normal para la

concentración de Cadmio
1 19.7 0.03125 -1.86

2 20.2 0.09375 -1.32 1.2

1
3 20.5 0.15625 -1.01 0.8

(j-0.5)/n
0.6
4 20.7 0.21875 -0.78
0.4
5 20.9 0.28125 -0.58 0.2
0
6 21.4 0.34375 -0.40 18 20 22 24 26 28 30 32

7 21.7 0.40625 -0.24 [Cd]

8 22.4 0.46875 -0.08

9 23.9 0.53125 0.08

Grafica de probabilidad Normal para la concentración de
10 24.1 0.59375 0.24 Cadmio

11 24.8 0.65625 0.40 2.50

2.00
12 24.9 0.71875 0.58 1.50
1.00
Zj 0.50
13 26.3 0.78125 0.78 0.00
-0.50
14 27.5 0.84375 1.01 -1.00
-1.50
15 28.9 0.90625 1.32 -2.00
-2.50
16 30.4 0.96875 1.86 18 20 22 24 26 28 30 32
[Cd]
 Normal Probability Plot

.999
.99
.95
Probability

.80
.50
.20
.05
.01
.001

20 25 30
[Cd]
Average: 23.6438 Anderson-Darling Normality Test
StDev: 3.28876 A-Squared: 0.468
N: 16 P-Value: 0.216
Comparando con un valor crítico

Relación de
varianzas = 2.07

t > t0.05, 14 y p < 0.05 H0 rechazada

EJEMPLO

Se utilizan dos procedimientos de enfriamiento con agua

salada(1) y otro con aceite(2), para la producción de cierta aleación
metálica. El grado de dureza conseguido, se muestra a continuación (
resultados finales):
Variable Tipo N Mean Median TrMean StDev
Dureza 1 10 147.60 148.00 147.88 4.97
2 10 149.40 150.50 149.50 5.46

Variable Tipo SE Mean Minimum Maximum Q1 Q3

Dureza 1 1.57 139.00 154.00 144.00 152.25
2 1.73 140.00 158.00 145.25 152.75
 160

Dureza

150

140

1 2
Tipo

Test de varianzas
F-Test (normal distribution)
Test Statistic: 0.829
P-Value : 0.784
 Normal Probability Plot

.999
.99
.95

Probability
.80
.50
.20
.05
.01
.001

140 145 150 155

Dureza
Average: 148.5 Anderson-Darling Normality Test
StDev: 5.16568 A-Squared: 0.225
N: 20 P-Value: 0.794

a. De los gráficos y resume estadístico sobre el grado de dureza que opina?.

Justifique.
b. Se puede establecer que las varianzas de ambas distribuciones son iguales?
c. Supuestas iguales, ¿los métodos de endurecimiento dan igual resultado?
d. ¿Hay motivos para suponer que el método de templado en aceite es mejor
que el del agua salada?
EJEMPLO
Un inspector de control alimentario le hace llegar una
muestra de harina de maíz marca Maizal para verificar
si el contenido de proteínas de este alimento coincide
con lo que declara su productor en la etiqueta del
mismo.
Contenido nominal declarado: 85 mg/Kg
En el laboratorio se efectuaron 10 determinaciones de
contenido de proteínas en la harina de maíz:
87, 88, 84, 84, 87, 81, 86, 84, 88, 86
¿Es correcto lo que declara la empresa productora?
¿Qué ocurre cuando hay más de dos
poblaciones?
 Lecturas recomendadas

• Capitulo 2:Modelado de la Calidad del Proceso. pp 39 -77

Control Estadístico de la Calidad. Montgomery D. Tercera edición.
2005
• Capitulo 3: Inferencias sobre la Calidad de un proceso. pp 83 -149
Control Estadístico de la Calidad. Montgomery D. Tercera edición.
2005