Beruflich Dokumente
Kultur Dokumente
PRE-ESPECIALIDAD
DOCUMENTO
PROCESOS Y GESTION DE LA CALIDAD
1.0
2.0
INTRODUCCION
CONTROL DE LA CALIDAD
1.1
Concepto de Calidad......................
1.2
1.3
1.4
1.5
COSTOS DE LA CALIDAD
2.1
3.0
Pgina
10
10
10
11
11
INGENIERIA DE LA CALIDAD
12
3.1
12
3.2
Investigaciones Estadsticas......................
13
3.3
14
3.4
Clasificacin de Procesos
16
3.5
Teora Muestral...
17
3.6
Distribuciones Muestrales
20
21
3.7
4.0
5.0
28
29
Tamao de la Muestra..
30
33
4.1
Introduccin
33
4.2
Mtodos Estadsticos....
34
36
41
42
43
44
44
AJUSTES DE CURVAS
50
5.1
Modelo Determinstico..........................
50
5.2
Modelo Probabilstico.......................
51
Lgicamente no hay dos productos iguales, por lo que la calidad vara continuamente,
dependiendo del nivel de refinamiento tcnico alcanzado.
Puesto que la calidad es variable, va en contraposicin a la uniformidad y en la prctica esta
situacin se obvia llegando a la transaccin entre ambos, estableciendo lmites para definir las
variaciones con respecto a las especificaciones cualitativas permisibles y tolerables en el producto
final, sin desprecio al principio de normalizacin.
Sin embargo existen elementos perturbadores que impiden que la produccin se ajuste lo mejor
posible a las especificaciones cualitativas, tales como:
La desviacin cualitativa del producto representa un aumento de los costos puesto que implica un
gasto extra de materia prima o de tiempo y trabajos para realizar las correcciones de los defectos
del producto acabado.
Este aumento de los costos de produccin sumados a los retrasos de la produccin, la disminucin
del prestigio de la empresa, etc. son hechos graves como para no estudiarlos atentamente y
buscar las medidas correctivas necesarias.
El diseo de este trabajo bibliogrfico va orientado a proporcionar los conocimientos mnimos
necesarios que permitan comprender las tcnicas estadsticas, metodologa e interpretacin y
anlisis de resultados. Para ello es necesario basarse en fundamentos de estadsticas matemticas,
as como en matemticas avanzadas; sin embargo, la mayora de las aplicaciones descritas slo
requieren de conocimientos aritmticos.
1.1 Concepto de Calidad
Calidad es la aptitud de un producto para satisfacer una necesidad al menor costo posible.
Calidad significa adecuacin de un producto o servicio para su uso.
De esta forma la calidad es una resultante de todos estos elementos mencionados, que para ser
alcanzada requiere de un control total de la calidad. Entre estos controles se pueden establecer los
indicados en la siguiente figura:
Tipos de Control
Control Dinmico de la Calidad: Realizado estrictamente sobre el proceso de fabricacin.
Control Esttico de la Calidad: Aplicado a los productos semi-elaborados y productos terminados.
1.3 Principios del Control de la Calidad
1. Con el control de calidad no se obtiene calidad del producto; sta es una caracterstica
inherente al producto mismo. Esto es evidente, para obtener un buen nivel de calidad hay
que fabricarlo puesto que el control de calidad no agrega calidad a los productos.
2. El equipo productor es el responsable directo de la calidad del producto de acuerdo a las
directrices que el control de calidad establece.
3. No resuelve problemas de fabricacin, slo da las razones para estudiarlos. Es muy
importante que el equipo productor sepa qu problemas existen y en qu sentido se
manifiestan para lograr un buen nivel de calidad en la fabricacin.
4. Las decisiones deben tomarse sobre la base de datos reales, la confiabilidad de los datos
registrados es el punto inicial para todo anlisis e interpretacin de resultado.
5. Los datos deben ser compatibles y estar dispuestos de manera tal, que permitan su anlisis.
Esto permitir el empleo de algunas herramientas estadsticas de las cuales el control de
calidad hace uso.
6. El control de calidad debe ser activo, debe prevenir la ocurrencia de errores o defectos,
mantener regulados y bajo control los procesos, evitar el desperdicio, el reproceso, las
devoluciones y tomar las medidas correctivas oportunamente.
A continuacin figuran tareas especficas que pueden cumplirse como parte de un programa de
control de calidad.
a. Determinar las condiciones que deben cumplir los diseos, los proyectos y las
especificaciones para satisfacer las normas de calidad y a su vez verificar que se cumplan
los procedimientos establecidos.
b. Planificar las herramientas, los instrumentos de medicin y el equipo de control necesario
para medir las caractersticas del producto. As mismo verificar que los instrumentos de
medicin estn calibrados.
c. Establecer procedimientos de control de calidad, basados en la estadstica sobre las
operaciones de fabricacin, as como para las piezas, materiales y muestreos de recepcin.
d. Crear un sistema para inscribir en un registro los defectos en materia de calidad y para
inscribir datos sobre seguimiento de las medidas correctoras adoptadas, igualmente
recoger las informaciones que puedan proporcionar mejoras al proceso de fabricacin.
e. Proporcionar formacin para el personal de inspeccin, de pruebas, etc.
f. Establecer los costos de control de la calidad.
10
2.1.3 Defectos dentro de la organizacin.- Los defectos dentro de la organizacin son aquellos que
se producen antes de la expedicin (o mientras el producto sigue perteneciendo a la compaa
productora). Estos costos son el resultado de productos defectuosos (productos que no cumplen
las normas).
Entran en esta categora los costos siguientes:
a) Sustitucin de piezas defectuosas.
b) Costos de reparacin.
c) Costos de recepcin y trmite de las quejas.
d) Responsabilidad del fabricante por los peligros que puede suponer el producto,
generalmente en forma de litigios o costo del seguro de responsabilidad civil.
e) Prdida de pedidos futuros o dao para la reputacin de la empresa por los
defectos comprados por los clientes.
2.1.4 Defectos fuera de la organizacin: Se incluyen en esta categora los costos relacionados con
los defectos que se revelan una vez que el producto es propiedad del cliente. Se incluyen los
siguientes costos:
a) Sustitucin de piezas defectuosas.
b) Costos de reparacin.
c) Costos de recepcin y trmites de reclamos.
d) Costos legales y/o seguros.
e) Prdida de futuros pedidos y daos a la reputacin de la empresa.
Los costos de prevencin y evaluacin constituyen los costos directos del control de calidad. Por
otra parte tenemos a los costos por defectos, tanto dentro como fuera de la organizacin, que
seran los costos indirectos. (ver figura 3). A medida que los costos directos se reducen, aumenta el
nmero de defectos y a medida que aumenta el nivel de stos, aumenta el costo por defectos.
Los costos totales del control de calidad son la suma de los costos directos y de los costos por
defectos o costos indirectos. En el valor mnimo de la curva de costos totales, se sita la
combinacin ptima de esfuerzos.
11
El control de la calidad debe efectuarse sin perder de vista los costos que implica y los beneficios
que de su aplicacin se deriven. Generalmente el control total de la calidad conduce a una
reduccin paulatina de los costos totales de la calidad en una empresa haciendo nfasis en la
prevencin de la ocurrencia de defectos ms que en cualquier otro caso.
Los costos de prevencin representan el 5% del costo total de la calidad, en contraste con los
costos por fallas, los cuales alcanzan entre el 70 y 80% aproximadamente. Los costos de inspeccin
representan entre el 15 y 25%.
12
13
14
Multitud de factores que siempre estn presentes y que contribuyen en diversos grados a
cambios pequeos y aparentemente aleatorios en el resultado de un proceso.
Su agregacin resulta en lo que podemos denominar la variacin del sistema.
Causas especiales:
Factores que actan espordicamente sobre el sistema agregando variacin adicional sobre la
variacin del sistema.
Manifestaciones extremas
Causas asignables.
Causas distintas requieren acciones Distintas.
Asunto crtico
La diferencia ms importante es entre causas comunes y causas especiales
Estrategia para eliminar causas especiales:
- Obtener datos oportunos
- Prestar atencin a seales de posibles causas especiales
- Investigar su origen
- Tomar previsiones para que lo malo no recurra
- Tomar previsiones para que lo bueno siga ocurriendo
Estrategia para mejorar un sistema de causas comunes:
- Todos los datos son importantes
- Conocimiento ntimo del sistema
Interferencias Innecesarias.
Ajustes innecesarios efectuados para compensar o corregir la variacin del sistema y que
agregan ms variacin. (ver experimento de Deming).
Exacerbar en lugar de mejorar
Tratar todo como si fuera el resultado de causas especiales (querer explicar todo)
Errores comunes:
- Examinar las ltimas cifras
- Suponer que todo lo bueno o malo se debe a la actuacin de las personas
15
16
4. Prximo al Estado Ideal. Proceso bajo control Estadstico y produccin conforme menor del
100%.
Poblacin Infinita
Poblacin uniforme
17
Muestreo de juicio: A travs del conocimiento y la opinin personal, basada en la experiencia del
investigador, se identifican los elementos de la poblacin que van a formar parte de la muestra.
Una muestra seleccionada por muestreo de juicio se basa en el conocimiento de la poblacin por
parte de alguien. Por ejemplo, un guardabosque tomar una muestra de juicio si decide con
antelacin que parte de una gran zona reforestada deber recorrer para estimar el total de metros
de madera que pueden cortarse. En ocasiones el muestreo de juicio sirve de muestra piloto para
decidir cmo seleccionar despus una muestra aleatoria.
Muestreo aleatorio: Cuando se conoce la probabilidad de que un elemento de la poblacin figure
o no en la muestra, puede ser:
Muestreo Aleatorio Simple (Irrestrictamente Aleatorio):
Un muestreo es aleatorio cuando cada elemento de la poblacin tiene la misma probabilidad de
ser escogido para formar parte de la muestra. Este tipo de muestreo evita que la muestra sea
sesgada evitando por lo tanto que se realice una mala inferencia estadstica.
Por ejemplo, supngase que un investigador quiera estimar el mdulo de ruptura promedio de un
material determinado formado por una poblacin de tamao N = 500; por ser ensayos destructivos
este quiere seleccionar una muestra de tamao n = 10 que le permita realizar la inferencia, ahora
bien el criterio que us el investigador para seleccionar dicha muestra fue el de tomar 10
materiales que estaban ms prximos a l; evidentemente esta muestra no es representativa de la
poblacin, se dice que esta sesgada, por lo que la inferencia estadstica que se realice ser
errnea. Por lo tanto, una muestra se dice que esta sesgada cuando los elementos seleccionados
tenan mayor probabilidad de pertenecer a la misma.
La forma ms fcil de realizarlo es usando nmeros aleatorios, para esto se puede recurrir a una
tabla o a un generador de nmeros aleatorios. Actualmente, se recurre a computadora.
Muestreo Sistemtico o Secuencial.
Los elementos se seleccionan de la poblacin con un intervalo uniforme en el tiempo, en el orden
o en el espacio. Por ejemplo, supongamos que se quiere estudiar una determinada caracterstica
de un producto fabricado en serie y se decide seleccionar a cada veinte producto hasta formar la
muestra, para esto se escoge un punto aleatorio de arranque en los primeros veinte productos y
luego se escoge cada vigsimo producto hasta completar la muestra. Una de las ventajas de este
muestreo es cuando los elementos presentan un patrn secuencial, tal vez requiera menos tiempo
y algunas veces cuesta menos que el mtodo de muestreo aleatorio.
19
Muestreo Estratificado.
Para aplicar el muestreo estratificado, se divide la poblacin en grupos homogneos, llamados
estratos, los cuales son hetergeneos entre s. Despus se recurre a uno de dos mtodos posibles:
a) Se selecciona al azar en cada estrato un nmero especificado de elementos correspondientes a
la proporcin del estrato de la poblacin total
b) Se extrae al azar un nmero igual de elementos de cada estrato y damos un peso a los
resultados de acuerdo a la proporcin del estrato en la poblacin total
El muestreo estratificado es adecuado cuando la poblacin ya est dividida en grupos de
diferentes tamaos y queremos reconocer este hecho. La ventaja de las muestras estratificadas, es
que cuando se disean bien, reflejan ms exactamente las caractersticas de la poblacin de donde
se extrajeron que otras clases de muestreo.
Muestreo por Conglomerado.
En el muestreo por conglomerados, se divide la poblacin en grupos o conglomerados de
elementos heterogneos, pero homogneos con respecto a los grupos entre si. Un procedimiento
bien diseado, de muestreo por conglomerados, puede producir una muestra ms precisa a un
costo mucho menor que el de un simple muestreo aleatorio. Se usa el muestreo estratificado
cuando cada grupo presenta una pequea variacin en su interior, pero existe una amplia
variacin entre ellos. Se usa el muestreo por conglomerado en el caso contrario, cuando hay
considerable variacin dentro de cada grupo pero los grupos son esencialmente semejantes entre
s.
3.6 Distribuciones Muestrales
20
determinada. Si la poblacin es infinita, tenemos que concebir la distribucin muestral como una
distribucin muestral terica, ya que es imposible sacar todas las muestras aleatorias posibles de
tamao n de una poblacin infinita. Si la poblacin es finita y moderada se puede construir una
distribucin muestral experimental, sacando todas las muestras posibles de un tamao dado,
calculando para cada muestra el valor del estadstico que nos interesa. Ejemplo, supongamos que
se tiene una poblacin de tamao N = 10 y queremos extraer con reemplazamiento todas las
muestras posibles de tamao n = 5, para esto se utiliza la relacin N a la n , es decir, 10 a la 5 =
100000 muestras de tamao n = 5.
En cambio, si el muestreo es sin reemplazamiento, el nmero de muestras de tamao n = 5 viene
dado por la combinatoria:
21
Ejemplo: Cierta marca de neumticos tiene una vida til media de 21.000 Km con una desviacin
tpica de 800 Km.
a. suponiendo que la vida til de los neumticos estn distribuidas normalmente. Cul es la
probabilidad de que un neumtico cualquiera dure menos de 20.900 Km?
b. Cul es la probabilidad de que la vida til media de 64 neumticos sea inferior a 20.900 Km?
Solucin:
1. Como la variable X = vida til de los neumticos, est distribuida normalmente. Entonces la
probabilidad de que un neumtico cualquiera dure menos de 20.900 km se calcula de la forma
siguiente:
22
Es decir, el porcentaje de que un neumtico tenga una vida til menor que 20.900 Km es de 44,83
%.
Para calcular esta probabilidad, se recurre a una tabla de distribucin normal estandarizada.
2. Si se seleccionan todas las muestras posibles de tamao 64 de la poblacin de neumticos,
entonces por lo anteriormente mencionado esta distribucin muestral de medias es normal, con
media y desviacin tpica igual a 21.000 Km y 100 Km respectivamente.
Luego la probabilidad de que la vida til media de 64 neumticos sea inferior a 20.900 Km se
calcula de la forma siguiente:
Por lo que el porcentaje de que la vida til media de 64 neumticos sea inferior a 20.900 Km es de
15,87 %.
b) Distribucin en poblaciones que no estn distribuidas normalmente.
Existen mtodos que se pueden emplear cuando se necesita hacer inferencia sobre este tipo de
poblacin. Una solucin usada con frecuencia es que se extraiga una muestra grande. Una vez
extrado ese n grande, el investigador puede utilizar el Teorema del Lmite Central, el cual se
enuncia a continuacin:
Sin tomar en cuenta la forma funcional de la poblacin de donde se extrae la muestra, la
distribucin de medias muestrales, calculadas con muestras de tamao n extradas de una
poblacin con media y desviacin estndar , se aproxima a una distribucin normal con
media y desviacin /n (raz cuadrada de n) , cuando n aumenta. Si n es grande, la distribucin
de las medias muestrales puede aproximarse mucho a una distribucin normal.
Este teorema expresa que sin tomar en cuenta la forma de la poblacin que se est estudiando, se
puede seguir empleando la teora normal para obtener inferencias sobre la media poblacional a
condicin de que obtengamos una muestra grande, porque la distribucin muestral de ser
Ing. Mario Guillermo Jurez P.
23
Es decir, se tiene un porcentaje del 92,37 % de que el promedio de gastos mdicos por empleado
durante un ao este entre $ 25 y $ 27, est distribuido segn la distribucin t de Student con v =
n1 + n2 2 grados de libertad.
c) Distribucin t de student:
Esta distribucin permite realizar inferencias sobre medias poblacionales cuando se desconoce la
varianza de la poblacin con muestras de tamao n < 30. En consecuencia para hallar la
probabilidad asociada a t transformamos los valores t (de la distribucin normal) a valores de la
distribucin normal estandarizada mediante la siguiente frmula:
24
Es decir, se tiene una probabilidad de 0,72 (72 %) de que la media de gastos mdicos por
empleado para una muestra de tamao n = 20 est entre $ 25 y $ 27.
3.6.2 DISTRIBUCIN MUESTRAL PARA LA DIFERENCIA DE MEDIAS
A veces interesa hacer inferencias sobre la diferencia poblacional de medias 1 - 2, o saber si es
razonable concluir que dos medias poblacionales no son iguales, considerando que se tienen
sendas muestras para las poblaciones 1 y 2, respectivamente, donde:
25
Ejemplo: La siguiente tabla nos muestra informacin del tiempo medio en minutos que tarda un
cliente en ser atendido en dos bancos:
Hallar la probabilidad de que la diferencia media entre los dos bancos no exceda de 2 minutos.
Solucin: como los grados de libertad 20 + 13 2 =33 2=31 > 30, se tienen grandes muestras se
trabaja con la distribucin normal:
Existe un 91,46 % que la diferencia media entre los dos bancos no exceda de 2 minutos.
26
27
Es decir, la probabilidad de que la diferencia media de los salarios sea mayor que 3500 es del 0,99.
3.6.3 Distribucin de una Proporcin Muestral ()
Se define una proporcin poblacional como el cociente:
Por ejemplo: si de una poblacin de N = 50, empleados de una empresa, 15 de ellos no cumplen
con su horario de trabajo, la proporcin de empleados que no cumplen horario con relacin al
total, viene dado: P = 15/50 = 0,3; es decir, el 30 % de los empleados no cumplen su horario.
La proporcin muestral (), se define como:
= Nmero de Casos Favorables/Tamao de la Muestra
Ejemplo:
Si se toma una muestra aleatoria de tamao n = 1000 y 425 personas satisfacen un evento,
entonces p = 425 / 1000 = 0,425. Esto significa que el 42,5 % de las personas satisfacen dicho
evento.
La distribucin de una proporcin muestral, se define de una manera anloga a a la distribucin de
media, o sea:
Muestra 1---- 1
Muestra 2---- 2
Muestra 3---- 3
Muestra X---- x
De esta forma: 1, 2, 3, k, , 1 p , 2 p , 3 p ,..., p k corresponden a la distribucin de una
proporcin muestral.
De acuerdo a lo expuesto, la distribucin muestral de proporciones corresponde a una distribucin
de probabilidad de todas las proporciones posibles de las muestras, para un tamao n
determinado.
Los parmetros que definen esta distribucin vienen dados por:
Ing. Mario Guillermo Jurez P.
28
29
En una empresa, la desviacin estndar del sueldo de los empleados es de Bs. 75,000,
correspondiente a valores distribuidos normalmente. Para un nuevo estudio se escogen 17
empleados cuyos salarios se muestran a continuacin:
Se desea conocer si estos resultados muestran consistencia con respecto a la desviacin, en cuanto
a la variabilidad del sueldo de los empleados de dicha empresa.
Solucin:
Cuando se habla de variabilidad nos referimos a la varianza desviacin estndar, por lo que
debemos calcular la desviacin muestral, esto es S = 87325,99 Bs. Por lo tanto:
Los resultados muestran consistencia ya que es ms probable que la varianza muestral para
muestras de tamao n = 17 estn por debajo de Bs. 87325,99
30
31
A los valores de p y q se les asigna el valor de 50% a cada uno y es lo que se denomina Condiciones
desfavorables de muestreo. En el caso del ejemplo citado el tamao de la muestra viene
determinado de la siguiente manera:
Ejemplo: Se quiere estudiar la vida til media de una marca de neumticos. Si sabe por estudios
anteriores que la desviacin estndar es de 800 Km. Determinar el tamao de la muestra
requerido para un nivel de confianza del 95 %, fijando un error de 40.
Ing. Mario Guillermo Jurez P.
32
33
34
Controles de recepcin y
almacenamiento,
economa y costos.
PRODUCTO
Y PROCESO
ESTUDIOS
ESPECIALES
Investigaciones y ensayo
para mejorar la calidad.
Tcnica Utilizada
Anlisis de la funcin producto,
pruebas ambientales, prototipo,
evaluacin, estndares de calidad,
anlisis de materia prima,
inspeccin, entrenamiento,
almacenamiento y transporte.
Evaluacin de proveedores,
instrumentos de medicin ,
entrenamiento, muestreo,
especificaciones, caractersticas de
calidad, lotes rechazados y
aceptados, anlisis estadsticos,
etc.
Control de procesos, productos
terminados, control de
herramientas, mantenimiento,
personal, condiciones ambientales,
inspeccin, cartas de control,
muestreo, planos, auditora,
defectos, empaque y despacho,
servicios.
Grficas. distribucin de
frecuencias, diagramas de fallas,
anlisis de pareto, diferentes
mtodos estadsticos, pruebas de
hiptesis, distribucin t, chi
cuadrado, anlisis de la varianza,
correlaciones y regresiones,
anlisis secuencial.
35
36
Como referencia a estas zonas, el modelo de variacin observado se dice que es no natural o que
el proceso est fuera de control si ocurre uno o ms de los siguientes eventos:
1.- Un slo punto cae fuera del lmite de control.
Por ejemplo ms all de la zona A.
2.- Dos de tres puntos sucesivos, caen en la zona B o ms all
3.- Cuatro de cinco puntos sucesivos caen en la zona B o ms all
4.- Ocho puntos sucesivos caen en la zona C o ms all
Estas pruebas se aplican separadamente a ambas mitades de la Carta Control.
Las cartas ms comnmente usadas son: Carta X, la Carta R, la Carta p, y la carta c; las dos primeras
tratan con datos de medicin, mientras que las dos ltimas tratan con datos de atributos.
(Enumeracin).
37
38
Si tratamos con datos de enumeracin como por ejemplo el nmero de fusibles defectuosos
escogidos en muestras de tamao 50, tomados en tiempos al azar durante el proceso de
produccin; podemos emplear la Carta p.
39
Si interesa determinar el nmero de defectos por unidad, la Distribucin de Poisson y una carta C
sera lo ms apropiado. A continuacin se presentan los datos tabulados del nmero de defectos
observados en una junta soldada, realizando cada conteo en una sola junta, soldndose 8 juntas
por hora.
Del cuadro siguiente y aplicando las ecuaciones correspondientes tenemos:
c= c/K = 144/24 = 6
LSC = + 3 c
LSC = 6 + 3 6 = 13.35
LIC= 6 - 3 6 = - 1.35
40
En esa grfica no se presentan puntos por encima del LSC; igualmente, el mismo patrn aparece
cada medio da; este patrn recurrente sugiere un factor de fatiga que debe ser tomado en cuenta.
4.2.2 Diagrama de Causa Efecto
Es una representacin grfica de la relacin entre un efecto y todas las posibles causas que
influyen en l, permitiendo identificarlas y clasificarlas para su anlisis. Es llamado tambin
diagrama de Ishikawa o Espina de Pescado.
41
Ejemplo
Despus de haberse realizado un anlisis de las principales causas que originan bobinas desviadas
en el laminador tandem 1, se encontr que manchas contaminantes afectaba en gran proporcin
los resultados de calidad. El equipo de trabajo realiz un estudio utilizando el diagrama causa
efecto el cual se presenta a continuacin:
42
43
44
45
Es decir, la relacin funcional expresada por la ecuacin matemtica se cumple para los promedios
de los X e Y medidos, porque la mediciones individuales estn sujetas al error experimental o error
de medicin. Vemoslo con un ejemplo. Si dejamos caer una pelotita desde el borde de una mesa,
la distancia que recorre desde el borde hasta tocar el suelo se puede calcular por medio de la
ecuacin siguiente:
Hay una relacin funcional no lineal entre la altura Y desde la cual cae la pelotita y el tiempo t que
tarda en caer, expresada por la ecuacin anterior. Si dejamos caer la pelotita midiendo con un
cronmetro el tiempo que tarda en llegar al suelo y medimos tambin la distancia recorrida (la
altura de la mesa), los valores resultantes de la medicin seguramente no cumplen con esa
relacin. Esto lo podemos verificar reemplazando t en la ecuacin por el tiempo obtenido con el
cronmetro. El valor resultante Y seguramente no va a coincidir con nuestra medicin de la altura
de la mesa. Si repetimos esto muchas veces, las mediciones de tiempo y distancia realizadas en
cada ocasin, en general, no van a cumplir la relacin. Pero si promediamos todas las mediciones
de tiempo y luego reemplazamos t en la ecuacin por este promedio, la distancia calculada con la
ecuacin s va a coincidir con el promedio de todas las mediciones de altura de la mesa.
Entre las dos posibilidades extremas, la de no tener ninguna relacin entre las variables y la de
tener una relacin funcional, hay infinitas situaciones intermedias, en las cuales hay un cierto
grado de correlacin entre ambas:
46
Quiere decir que para un determinado valor de la variable estatura podemos encontrar mltiples
valores de la variable peso, lo cual niega la existencia de relacin funcional. No obstante, existe un
importante grado de correlacin entre ambas variables, porque sabemos que a medida que
aumenta la estatura de las personas dentro del grupo, el peso tiende a aumentar. Cmo podemos
hacer, entonces, para estimar el peso de una persona conociendo su estatura?
Para ello, vamos a suponer un procedimiento hipottico: Tomamos del grupo un nmero muy
grande de personas que miden exactamente 1,65 mts., las pesamos y promediamos los resultados.
47
Repetimos el procedimiento para grupos que miden 1,70 mts., 1,75 mts., etc. y luego
representamos grficamente los promedios de peso en funcin de dichas alturas:
48
Es decir que, la recta de regresin debe pasar a una distancia ptima de los puntos
experimentales, de tal manera que est lo ms cerca posible de todos ellos. Esto es lo que se trata
de hacer con el mtodo de los cuadrados mnimos.
Entonces, tenemos una serie de valores de la variable X, para cada uno de los cuales se mide la
variable Y:
(Y
(Y
(Y
R1
R2
R3
)
Y2 )
Y3 )
Y1
.etc.
Si elevamos las diferencias o residuos al cuadrado y sumamos estos cuadrados, obtenemos una
cantidad denominada suma de cuadrados alrededor de la regresin:
De todas las rectas posibles que pasan por los puntos representados en el grfico, la recta de
regresin debe ser la que haga mnima esa suma de cuadrados. Observemos que en dicha suma de
cuadrados conocemos los valores Xi , Yi (Son la mediciones que realizamos) y deseamos conocer a
y b, que son los coeficientes de la ecuacin de regresin. Para obtenerlos se calcula el mnimo de la
suma de cuadrados y de las ecuaciones resultantes se despejan las frmulas de ambos
coeficientes, que son como sigue:
Ing. Mario Guillermo Jurez P.
49
50
5.2 Modelo Probabilstico, la relacin entre las variables no es perfecta, ya que debido a una
perturbacin aleatoria (ruido) a veces para un mismo valor de la variable independiente x se
obtienen valores diferentes para y. En este caso, no se obtiene una curva sino un diagrama de
dispersin.
Considerando el ejemplo anterior, y = x2 + , donde es un ruido.
Por tanto, los modelos probabilsticos son tiles cuando se realizan investigaciones del tipo
experimental donde a pesar de mantener fijo los valores de la variable independiente ocurren
fluctuaciones debido fundamentalmente a errores de medicin, de los equipos, etc. En el presente
trabajo estamos interesados en este tipo de modelos. A continuacin mencionamos los modelos
de ajustes ms usados:
Regresin simple: Se define como la curva que optimiza (minimiza), mediante el mtodo de los
mnimos cuadrados, los saltos o fluctuaciones de los datos. Es decir, es la curva que mejor ajusta
los valores del diagrama de dispersin convirtiendo el modelo probabilstico en un modelo
determinstico con la finalidad de realizar predicciones. De igual forma, la curva de regresin
permite modelar la tendencia de los valores. Los modelos de regresin simple vienen definidos por
y = f(x)+. A continuacin veamos los distintos modelos con su respectivo ajuste o curva de
regresin:
51
52
53
54