UNIVERSIDAD MARIANO

GLVEZ DE GUATEMALA
SEDE JUTIAPA
CONTADURA PBLICA Y AUDITORA
V CICLO SECCIN A
MTODOS ESTADSTICOS II
LIC. HENRY SANDOVAL

Prueba de Hiptesis
Grficos de Control de Calidad

INTEGRANTES:
Marta Carolina Quintana Vallejos
11352
Sayra Mencos Esquivel
8170

Jutiapa, mayo de 2016

0329-140329-14-

ndice
Contenido

Pgina

Introduccin...............................................................................................I
Prueba de hiptesis...................................................................................1
Etapas Bsicas en Pruebas de Hiptesis................................................1
Etapa 1................................................................................................1
Etapa 2................................................................................................1
Etapa 3................................................................................................2
Etapa 4................................................................................................2
Etapa 5................................................................................................2
Etapa 6................................................................................................2
Pasos de la Prueba de Hiptesis.............................................................3
Hiptesis estadsticas...............................................................................5
Contrastes de hiptesis..........................................................................5
Contraste bilateral..............................................................................6
Contraste unilateral............................................................................7
Errores de tipo I y tipo II..........................................................................10
Control de calidad...................................................................................11
Grficos de Control de Calidad................................................................11
Tipos de grficas de control.................................................................13
1. Grficas de Control de Variables.................................................13
2. Grficas de Control por Atributos................................................13
Grficas de control de la calidad para variables..................................13
La Grfica R.......................................................................................13
La Grfica X.......................................................................................14
Grficos de Control por Atributos.........................................................19
Grfico p para porcentajes defectuosos........................................20
Grfico np para nmero unidades defectuosas.............................24

Grfico "c" para el nmero de defectos

27
Grfico "u" para el nmero de defectos por unidad
inspecciondad..28
Conclusiones...........................................................................................31
Recomendaciones...................................................................................32
Bibliografa..............................................................................................33

Introduccin

Una hiptesis estadstica es una proposicin o supuesto sobre los

parmetros de una o ms poblaciones. Este es uno de los aspectos ms
tiles de la inferencia estadstica, puesto que muchos tipos de
problemas de toma de decisiones, pruebas o experimentos en el mundo
de la ingeniera, pueden formularse como problemas de prueba de
hiptesis. Sin embargo, muchos problemas de ingeniera, ciencia, y
administracin, requieren que se tome una decisin entre aceptar o
rechazar una proposicin sobre algn parmetro. Esta proposicin recibe
el nombre de hiptesis.
Una prueba de hiptesis es una prueba estadstica que se utiliza para
determinar si existe suficiente evidencia en una muestra de datos para
inferir que cierta condicin es vlida para toda la poblacin.
Los grficos de control son una herramienta para medir si el proceso se
encuentra dentro de los lmites deseados. Su aplicacin ms frecuente
es en los procesos industriales, aunque son vlidos para cualquier
proceso en toda organizacin. Son un diagrama, donde se van anotando
los valores sucesivos de la caracterstica de calidad que se est
controlando, los datos se registran durante el funcionamiento y a
medida que se obtienen.
Algunos consideran que el uso de los grficos de control, son el
verdadero Control Estadstico de Proceso debido a que es un mtodo
efectivo para monitorear un proceso, basado en tcnicas estadsticas,
que permiten usar criterios objetivos para distinguir variaciones de
fondo de eventos de importancia, con ellas se puede observar que las
variaciones de un proceso pueden ser descritas por una distribucin
estadstica.

Prueba de Hiptesis
Dentro de la inferencia estadstica, un contraste de hiptesis (tambin
denominado test de hiptesis o prueba de significacin) es un
procedimiento para juzgar si una propiedad que se supone en una
poblacin estadstica es compatible con lo observado en una muestra de
dicha poblacin. Fue iniciada por Ronald Fisher y fundamentada
posteriormente por Jerzy Neyman y Karl Pearson.
Mediante esta teora, se aborda el problema estadstico considerando
una hiptesis determinada
y una hiptesis alternativa
, y se intenta
dirimir cul de las dos es la hiptesis verdadera, tras aplicar el problema
estadstico a un cierto nmero de experimentos.
Est fuertemente asociada a los considerados errores de tipo I y II en
estadstica, que definen respectivamente, la posibilidad de tomar un
suceso falso como verdadero, o uno verdadero como falso. Existen
diversos mtodos para desarrollar dicho test, minimizando los errores de
tipo I y II, y hallando por tanto con una determinada potencia, la
hiptesis con mayor probabilidad de ser correcta. Los tipos ms
importantes son los test centrados, de hiptesis y alternativa simple,
aleatorizados, etc.

Etapas Bsicas en Pruebas de Hiptesis

Al realizar pruebas de hiptesis, se parte de un valor supuesto
(hipottico) en parmetro poblacional. Despus de recolectar una
muestra aleatoria, se compara la estadstica muestral, as como la
media (x), con el parmetro hipottico, se compara con una supuesta
media poblacional (). Despus se acepta o se rechaza el valor hipottico,
segn proceda. Se rechaza el valor hipottico slo si el resultado
muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 1

Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0)

es el valor hipottico del parmetro que se compra con el resultado
muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 2

Especificar el nivel de significancia que se va a utilizar. El nivel de

significancia del 5%, entonces se rechaza la hiptesis nula solamente si
el resultado muestral es tan diferente del valor hipottico que una

diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria

mente con una probabilidad de 1.05 o menos.
Etapa 3

Elegir la estadstica de prueba. La estadstica de prueba puede ser la

estadstica muestral (el estimador no segado del parmetro que se
prueba) o una versin transformada de esa estadstica muestral. Por
ejemplo, para probar el valor hipottico de una media poblacional, se
toma la media de una muestra aleatoria de esa distribucin normal,
entonces es comn que se transforme la media en un valor z el cual, a
su vez, sirve como estadstica de prueba.
Etapa 4

Establecer el valor o valores crticos de la estadstica de prueba.

Habiendo especificado la hiptesis nula, el nivel de significancia y la
estadstica de prueba que se van a utilizar, se produce a establecer el o
los valores crticos de estadstica de prueba. Puede haber uno o ms de
esos valores, dependiendo de si se va a realizar una prueba de uno o
dos extremos.
Etapa 5

Determinar el valor real de la estadstica de prueba. Por ejemplo, al

probar un valor hipottico de la media poblacional, se toma una muestra
aleatoria y se determina el valor de la media muestral. Si el valor crtico
que se establece es un valor de z, entonces se transforma la media
muestral en un valor de z.
Etapa 6

Tomar la decisin. Se compara el valor observado de la estadstica

muestral con el valor (o valores) crticos de la estadstica de prueba.
Despus se acepta o se rechaza la hiptesis nula. Si se rechaza sta, se
acepta la alternativa; a su vez, esta decisin tendr efecto sobre otras
decisiones de los administradores operativos, como por ejemplo,
mantener o no un estndar de desempeo o cul de dos estrategias de
mercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos
regiones: una regin de rechazo y una de no rechazo. Si la prueba
estadstica cae en esta ltima regin no se puede rechazar la hiptesis
2

nula y se llega
correctamente.

la

conclusin

de

que

el

proceso

funciona

Al tomar la decisin con respecto a la hiptesis nula, se debe determinar

el valor crtico en la distribucin estadstica que divide la regin del
rechazo (en la cual la hiptesis nula no se puede rechazar) de la regin
de rechazo. A hora bien el valor crtico depende del tamao de la regin
de rechazo.

Pasos de la Prueba de Hiptesis

1. Datos: Es necesario comprender naturaleza de los datos que
forman la base de los procedimientos de prueba, ya que esto
determina la prueba particular que se ha de utilizar. Se debe
determinar, si los datos constan de conteos o medidas.
2. Supuestos (restricciones): Como de estudio en el captulo
relacionado con la estimacin, diferentes suposiciones conducen a
modificar los intervalos de confianza. Lo mismo ocurre en la
prueba de hiptesis: un procedimiento general se modifica segn
las suposiciones. De hecho, las mismas suposiciones que son
importantes en la estimacin, tambin lo son para la prueba de
hiptesis. Se ha visto que estas incluyen, entre otras, suposiciones
respecto a la normalidad de la distribucin de la poblacin,
igualdad de varianza e independencia de las muestras.
3. Hiptesis: En la prueba de hiptesis se trabaja con dos hiptesis
estadsticas que deben anunciarse explcitamente. La primera es
la hiptesis que debe probarse, mejor conocida como hiptesis
nula, y que designa por el smbolo H0. La hiptesis nula a veces se
conoce como hiptesis de no diferencia, ya que es una proposicin
de conformidad con (o sin diferencia respecto a) condiciones que
se suponen ciertas en la poblacin de inters. En general, la
hiptesis nula se establece con el propsito expreso de ser
rechazada desea alcanzar se convierte en el enunciado de la
hiptesis nula. En el proceso de prueba, la hiptesis nula se
rechaza o no se rechaza. Si la hiptesis nula no se rechaza, se dir
que los datos sobre los cuales se basa la prueba no proporcionan
evidencia suficiente que cause el rechazo. Si el procedimiento de
prueba conduce al rechazo, se concluye que los datos disponibles
no son compatibles con la hiptesis nula, pero sirven como apoyo
a alguna otra hiptesis. La Hiptesis alternativa, identificada
mediante el smbolo HA es una proporcin que se creer cierta si
los datos de la muestra llevan al rechazo de la hiptesis nula. Por
lo general, la hiptesis alternativa y la hiptesis de investigacin

son la misma, y de hecho, se utilizan los dos trminos

indistintamente.
4. Estadstica de prueba: La estadstica de prueba en algunas
estadsticas que se puede calcular a partir de los datos de la
muestra. Como regla, existen muchos valores posibles que puede
asumir la estadstica de prueba, y el valor particular observado
depende de la muestra particular extrada. La estadstica prueba
sirve como un productor de decisiones, ya que la decisin de
rechazar o no la hiptesis nula depende de la magnitud dela
estadstica de prueba. Un ejemplo de estadstica de prueba es la
cantidad.
5. Distribucin de la estadstica de prueba: Se ha sealado que
la clave para la diferencia estadstica es la distribucin muestral.
Es necesario recordar esto en los casos en que sea necesario
especificar la distribucin de probabilidad de la estadstica de
prueba. Por ejemplo, la distribucin de la estadstica de prueba.
Sigue una distribucin normal estndar si la hiptesis nula es
verdadera y su satisface las suposiciones.
6. Regla de decisin: Todos los valores posibles que la estadstica
de prueba pueden asumir son puntos sobre el eje horizontal de la
grfica de la distribucin para esta estadstica y se dividen en dos
grupos: uno de ellos constituye lo que se conoce como regin de
rechazo y el otro forma la regin de no rechazo. Los valores de la
estadstica de prueba que forman la regin de rechazo son
aquellos que tienen la menor probabilidad de ocurrir, mientras que
los que forman la regin de no rechazo tienen la mayor
probabilidad de ocurrir, si la hiptesis nula es verdadera para
ambas regiones. La regla de decisin seala que se debe rechazar
la hiptesis nula si el valor de la estadstica de prueba que se
calcula a partir de la muestra es uno de los valores de la regin
derechazo, y que no se debe rechazar ka hiptesis nula si el valor
calculado de la estadstica de prueba es uno de los valores de la
regin de no rechazo.
7. Calculo de la estadstica de prueba: A partir de los datos
contenidos en la muestra, se calcula un valor de la estadstica de
prueba y se compara contra las regiones de no rechazo y rechazo
que ya fueron especificados.
8. Decisin estadstica: La decisin estadstica consiste en el
rechazo o no rechazo de la hiptesis nula. Se rechaza si el valor
calculado de la estadstica de prueba cae en la regin de rechazo,

y no se rechaza si el valor calculado de la estadstica de prueba de

en la regin de no rechazo.
9. Conclusin: Si H0 se rechaza, se concluye que HA es verdadera.
Si H0 no se rechaza, se concluye que H0 puede ser verdadera.
10.
Valor de p: El valor de p es una cantidad que indica que tan
inslitos son los resultados de la muestra, considerando que la
hiptesis nula sea verdadera. Un valor de p indica que no es muy
probable que los resultados de la muestra hayan ocurrido; ofrece
la justificacin para dudar de la certeza dela hiptesis sin nula, si
esta es verdadera.

Hiptesis estadsticas
Un test estadstico es un procedimiento para, a partir de una muestra
aleatoria y significativa, extraer conclusiones que permitan aceptar o
rechazar una hiptesis previamente emitida sobre el valor de un
parmetro desconocido de una poblacin.
La hiptesis emitida se designa por H0 y se llama hiptesis nula.
La hiptesis contraria se designa por H1 y se llama hiptesis alternativa.

Contrastes de hiptesis
1. Enunciar la hiptesis nula H0 y la alternativa H1
Bilateral
Unilateral

H0=k
H0 k
H0 k

H1 k
H1 < k
H1> k

2. A partir de un nivel de confianza 1 o el de significacin .

Determinar:
El valor z/2 (bilaterales), o bien z (unilaterales)
La zona de aceptacin del parmetro o p.
3. Calcular: x o p', a partir de la muestra
4. Si el valor del parmetro muestral est dentro de la zona de la
aceptacin, se acepta la hiptesis con un nivel de significacin .
Si no, se rechaza.

Contraste bilateral

Se presenta cuando la hiptesis nula es del tipo H0: = k (o bien H0: p

= k) y la hiptesis alternativa, por tanto, es del tipo H1: k (o bien H1:
p k).

El nivel de significacin se concentra en dos partes (o colas) simtricas

respecto de la media.
La regin de aceptacin en este caso no es ms que el correspondiente
intervalo de probabilidad para x o p', es decir:

o bien:

Se sabe que la desviacin tpica de las notas de cierto examen de

Matemticas es 2,4. Para una muestra de 36 estudiantes se obtuvo una
nota media de 5,6. Sirven estos datos para confirmar la hiptesis de
que la nota media del examen fue de 6, con un nivel de confianza del
95%?
1. Enunciamos las hiptesis nula y alternativa:
H0 : = 6
H1 : 6

La nota media no ha variado.

La nota media ha variado.

2. Zona de aceptacin

Para = 0.05, le corresponde un valor crtico: z/2 = 1.96.

Determinamos el intervalo de confianza para la media:
(6 1.96 * 0,4 ; 6 + 1,96 * 0,4) = (5,22 ; 6,78)
3. Verificacin
Valor obtenido de la media de la muestra: 5,6 .
4. Decisin
Aceptamos la hiptesis nula H0, con un nivel de significacin del 5%.
Contraste unilateral

Caso 1
La hiptesis nula es del tipo H0: k (o bien H0: p k).
La hiptesis alternativa, por tanto, es del tipo H1: < k (o bien H1: p <
k).

Valores crticos
1
0.90
0.95
0.99

0.10
0.05
0.01

z
1.28
1.645
2.33

El nivel de significacin se concentra en una parte o cola.

La regin de aceptacin en este caso ser:

o bien:

Un socilogo ha pronosticado, que en una determinada ciudad, el nivel

de abstencin en las prximas elecciones ser del 40% como mnimo. Se
elige al azar una muestra aleatoria de 200 individuos, con derecho a
voto, 75 de los cuales estaran dispuestos a votar. Determinar con un
nivel de significacin del 1%, si se puede admitir el pronstico.
1. Enunciamos las hiptesis nula y alternativa:
H0 : 0.40

La abstencin ser como mnimo del 40%.

H1 : < 0.40

La abstencin ser como mximo del 40%;

2. Zona de aceptacin
Para = 0.01, le corresponde un valor crtico: z = 2.33.
Determinamos

el

intervalo

de

confianza

para

la

media:

3. Verificacin

4. Decisin
Aceptamos la hiptesis nula H0. Podemos afirmar, con un nivel de
significacin del 1%, que la La abstencin ser como mnimo del 40%.

Caso 2
La hiptesis nula es del tipo H0: k (o bien H0: p k).
La hiptesis alternativa, por tanto, es del tipo H1: > k (o bien H1: p >
k).

El nivel de significacin se concentra en la otra parte o cola.

La regin de aceptacin en este caso ser:

o bien:

Un informe indica que el precio medio del billete de avin entre Canarias
y Madrid es, como mximo, de 120 con una desviacin tpica de 40 .
Se toma una muestra de 100 viajeros y se obtiene que la media de los
precios de sus billetes es de 128 .
Se puede aceptar, con un nivel de significacin igual a 0,1, la
afirmacin de partida?
1. Enunciamos las hiptesis nula y alternativa:
H0 : 120
H1 : > 120

2. Zona de aceptacin
Para = 0.1, le corresponde un valor crtico: z = 1.28 .
Determinamos el intervalo de confianza:

3. Verificacin
Valor obtenido de la media de la muestra: 128 .
4. Decisin
No aceptamos la hiptesis nula H0. Con un nivel de significacin del
10%.

Errores de tipo I y tipo II

Error de tipo I. Se comete cuando la hiptesis nula es verdadera y,
como consecuencia del contraste, se rechaza.
Error de tipo II. Se comete cuando la hiptesis nula es falsa y, como
consecuencia del contraste se acepta.
H0
Aceptar

Verdadera
Decisn

Rechazar

Probabilidad = 1
ERROR
DE
TIPO

correcta

Falsa
Decisin

incorrecta:

ERROR DE TIPO II
I
Decisin correcta

Probabilidad =

La probabilidad de cometer Error de tipo I es el nivel de significacin .

La probabilidad de cometer Error de tipo II depende del verdadero valor
del parmetro. Se hace tanto menor cuanto mayor sea n.

Control de calidad
10

Para conocer las especificaciones establecidas por la ingeniera del

producto y proporcionar asistencia al departamento de fabricacin, para
que la produccin alcance estas especificaciones. Como tal, la funcin
consiste en la recoleccin y anlisis de grandes cantidades de datos que
despus se presentan a diferentes departamentos para iniciar una
accin correctiva adecuada.

Grficos de Control de Calidad

Los grficos de control tienen su origen al final de la dcada de 1920,
cuando Walter A. Shewhart analiz numerosos procesos de fabricacin
concluyendo que todos presentaban variaciones. Encontr que estas
variaciones podan ser de dos clases: una aleatoria, entendiendo por ella
que su causa era insignificante o desconocida, y otra imputable
(tambin llamada asignable), cuyas causas podan ser descubiertas y
eliminadas tras un correcto diagnstico.
Los grficos de control constituyen una herramienta estadstica utilizada
para evaluar la estabilidad de un proceso. Permite distinguir entre las
causas de variacin. Todo proceso tendr variaciones, pudiendo estas
agruparse en:

Causas aleatorias de variacin. Son causas desconocidas y con poca

significacin, debidas al azar y presentes en todo proceso.

Causas especficas (imputables o asignables). Normalmente no deben

estar presentes en el proceso. Provocan variaciones significativas.

Las causas aleatorias son de difcil identificacin y eliminacin. Las

causas especficas s pueden ser descubiertas y eliminadas, para
alcanzar el objetivo de estabilizar el proceso.
Existen diferentes tipos de grficos de control:

De datos por variables. Que a su vez pueden ser de media y rango,

mediana y rango, y valores medidos individuales.

De datos por atributos. Del estilo aceptable / inaceptable, s / no.

En la base de los grficos de control est la idea de que la variacin de

una caracterstica de calidad puede cuantificarse obteniendo muestras
de las salidas de un proceso y estimando los parmetros de su
distribucin estadstica. La representacin de esos parmetros en un
11

grfico, en funcin del tiempo, permitir la comprobacin de los cambios

en la distribucin.
El grfico cuenta con una lnea central y con dos lmites de control, uno
superior (LCS) y otro inferior (LCI), que se establecen a 3 desviaciones
tpicas (sigma) de la media (la lnea central). El espacio entre ambos
lmites define la variacin aleatoria del proceso. Los puntos que exceden
estos lmites indicaran la posible presencia de causas especficas de
variacin.

Los Grficos de control sirven para poder analizar el comportamiento de

los diferentes procesos y poder prever posibles fallos de produccin
mediante mtodos estadsticos. Estas se utilizan en la mayora de los
procesos industriales.

En ciertos procesos en los que se alcanza un alto grado de capacidad es

aconsejable reducir el nivel de control proporcionado por los grficos de
control estndar, para ello utilizaremos los lmites de control
modificados.
Las grficas de control sirven para:

Determinar el estado de control de un proceso.

Diagnostica el comportamiento de un proceso en el tiempo.

12

Indica si un proceso ha mejorado o ha empeorado.

Permite identificar las dos fuentes de variacin de un proceso.
Sirve como una herramienta de deteccin de problemas.

Tipos de grficas de control

1. Grficas de Control de Variables

Grfica
Grfica
Grfica
Grfica

x
x
x
x

R Promedios y rangos
s Promedios y Desviacin Estndar
R Medianas y Rangos
R Lecturas Individuales y Rangos

2. Grficas de Control por Atributos

Grfico
Grfico
Grfico
Grfico

p para porcentajes defectuosos

np para el nmero de unidades defectuosas
c para el nmero de defectos
u para el nmero de defectos por unidad inspeccionada

Las grficas de control son comnmente utilizadas para monitorear el

control estadstico del proceso o SPC por sus siglas en ingles.
Estas grficas de control ayudan a la deteccin de la variacin de causa
asignable (variacin en el producto o proceso de produccin que seala
que el proceso est fuera de control y que se requieren medidas
correctivas)

Grficas de control de la calidad para variables

La Grfica R

Mide la variacin en el rango de las muestras. Aunque la desviacin

estndar es una medida que depende de la dispersin, las tcnicas de
control de calidad generalmente confan en el rango como un indicio de
la variabilidad del proceso.
Lmite superior de control para el rango
LSCR=R+3sR
Lmite inferior de control para el rango
LICR=R-3sR

13

Donde sR es la desviacin estndar en los rangos muestrales. Sin

embrago, en la prctica, es ms simple de utilizar
Lmite superior de control para el rango
LSCR=D4R
Lmite inferior de control para el rango
LICR=D3R
Los valores D4 y D3 se toman de la tabla de factores crticos de las
grficas o cartas de control de acuerdo al tamao n de la muestra y el
rango promedio de los rangos muestrales R=SRk, siendo k = nmero de
muestras.
La Grfica X

Se disea para medir la variacin en las medias muestrales alrededor de

algn nivel generalmente aceptado.
Lmite superior de control para el rango
LSCX=X+3X
Lmite inferior de control para el rango
LICX=X-3X
Donde X es la desviacin estndar para las medias. Sin embargo, en la
prctica, se estima 3X como A2R, en donde R es el rango promedio de
los rangos muestrales, y A2 es una constante basada en el tamao de la
muestra. Los valores de A2 se hallan en la tabla de factores crticos de
las grficas o cartas del control. Utilizando A2R en lugar de 3X produce
resultados similares y es considerablemente ms fcil de calcular.
Se tiene entonces:
Lmite superior de control para las medias
LSCX=X+A2R
Lmite inferior de control para las medias
LICX=X-A2R
Donde:

Siendo k = nmero de muestras

14

Ejemplo ilustrativo
Una fbrica elabora planchas de madera para tapas de mesas, las cuales
deben cumplir ciertas especificaciones de tamao. Para garantizar que
se cumplan estos estndares de calidad, se recolecta K= 24 muestras
(subgrupos) de tamao n = 6, y mide su largo. Los resultados aparecen
en la siguiente tabla:
N de muestra Medias muestrales
1

14,5

15,9 15,7 16,3 14,5 16,2

15,4

15,2 15,9 15,2 14,5 14,5

16,5

15,9 14,8 16,2 16,5 16,2

14,8

16,8 15,5 15,2 15,2 14,2

15,7

14,5 16,9 14,2 14,5 15,2

15,9

15,4 17,1 14,8 16,8 14,8

15,2

14,2 18,5 15,8 15,9 15,7

14,5

14,8 17,2 16,2 15,0 16,8

15,6

15,7 19,2 16,1 16,8 15,9

10

16,5

16,8 18,4 14,8 18,9 16,1

11

14,5

15,8 14,2 14,5 18,7 16,3

12

17,1

15,8 16,2 15,4 15,7 16,2

13

18,5

15,9 17,2 14,2 15,9 14,7

14

17,2

15,7 16,8 14,8 14,8 14,9

15

19,2

15,7 15,9 15,7 15,5 14,8

15

16

18,4

16,8 15,0 16,8 16,9 14,7

17

14,2

16,9 16,8 15,8 17,1 15,4

18

16,2

17,2 18,9 15,8 18,5 18,9

19

17,2

17,6 18,7 15,9 17,2 16,0

20

16,8

14,5 19,8 15,7 18,2 18,7

21

15,9

17,9 18,7 15,7 18,4 17,5

22

15,0

18,0 18,2 16,8 14,2 17,8

23

16,8

18,9 20,0 16,9 16,2 18,5

24

18,9

17,9 17,4 17,5 17,2 16,5

a) Calcular el rango promedio

b) Calcular el lmite superior de control para el rango
c) Calcular el lmite inferior de control para el rango
d) Elaborar la grfica R.
e) Calcular X
f) Calcular el lmite superior de control para las medias
g) Calcular el lmite inferior de control para las medias
h) Elaborar la grfica X.
Solucin:
Calculando el rango se obtiene:
Recuerde que el rango es igual al valor mayor menes el valor menor, es
decir:

16

R=Xmxima-Xminima

a) Calculando el rango promedio se tiene:

b) Calcular el lmite superior de control para el rango

Con lectura en la tabla para n = 6 se obtiene D4=2,004
Calculando el lmite superior se obtiene:
LSCR=D4R=2,0043,146=6,3
17

c) Calcular el lmite inferior de control para el rango

Con lectura en la tabla para n = 6 se obtiene D3=0
Calculando el lmite inferior se obtiene:
LICR=D3R=03,146=0
d) Elaborando la grfica R en se obtiene:

Interpretacin: Observando la grfica se concluye que la misma est

bajo control, ya que no existen variaciones de causa asignable, es decir,
no existe ningn punto que se salga de los lmites de control.

e) Calculando x se obtiene:

18

Calculando X se obtiene:

f) Con lectura en la tabla para n = 6 se obtiene A2=0,483

Calculando el lmite superior se obtiene:
LSCX=X+A2R=16,314+0,4833,146=17,83

19

g) Calculando el lmite inferior se obtiene:

LICX=X-A2R=16,314-0,4833,146=14,79
h) Elaborando la grfica X se obtiene:

Interpretacin: Observando la grfica se concluye que la misma est

fuera de control, ya que, la muestra 23 representa una variacin de
causa asignable, es decir, la muestra 23 se sale del lmite superior de
control.

Grficos de Control por Atributos

Algunas caractersticas de calidad no pueden ser representadas
convenientemente por medio de variables cuantitativas. En estos casos,
las unidades de producto se clasifican en conformes o en no
conformes segn la caracterstica o caractersticas cualitativas sean o
no conformes con las especificaciones. Las caractersticas de calidad de
este tipo se denominan atributos. Los datos de tipo atributo tienen
solamente dos valores: Conforme / no conforme, pasa / no pasa,
funciona / no funciona, presente / ausente. Tambin se consideran
atributos aquellas caractersticas cuantitativas que se registran en
trminos de sino como por ejemplo, el dimetro de un eje cuya
conformidad solo la medimos en trminos de aceptable/no aceptable, las
imperfecciones de pintura en una puerta de un automvil, las burbujas
en la laca de un detonador, la presencia/ausencia de un percutor, etc.

20

Vamos a analizar cuatro tipos de grficos de control por atributos:

Grfico p para porcentajes defectuosos

Grfico np para el nmero de unidades defectuosas
Grfico c para el nmero de defectos
Grfico u para el nmero de defectos por unidad
inspeccionada
Grfico p para porcentajes defectuosos
La fraccin no conforme de un colectivo se define como el cociente entre
el nmero de unidades defectuosas y el nmero total de unidades en
dicho colectivo. Cada unidad de producto puede ser examinada por el
inspector respecto de una o varias caractersticas cualitativas. Si la
unidad inspeccionada no es conforme respecto a la especificacin en
una o ms caractersticas, se clasifica como no conforme.
Habitualmente, la fraccin no conforme se expresa en forma decimal
aunque puede tambin indicarse en tanto por ciento.
La distribucin binomial es la base estadstica del grfico de control por
atributos. Supondremos que el proceso est operando de forma estable
y que la posibilidad de que una unidad de producto sea defectuosa es
constante y de valor p. Tambin, supondremos que las unidades
producidas sucesivamente son independientes. Entonces, si tomamos
una muestra de n unidades, y llamamos x al nmero de unidades no
conformes, la probabilidad de que x tome los valores 0, 1, 2.... n vendr
determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son:

La fraccin muestral no conforme se define como el cociente entre el

nmero de unidades no conformes en la muestra x y el tamao de la
misma p = x/n.
El valor medio y la varianza de p sern respectivamente:

como consecuencia de la relacin p = x/n

21

Operativa del grfico de control p

La base estadstica para definir los lmites de control es comn con los
restantes grficos de Shewhart: Si W es un estadstico que describe una
determinada caracterstica de calidad siendo w y w su media y su
varianza, los lmites de control se definen como:

K es la distancia de los lmites de control a la lnea central expresada

como un mltiplo de sw. Habitualmente escogeremos K = 3.
Supongamos que conocemos o se especifica la fraccin p no conforme
de un proceso de produccin. Entonces los limites de control resultan:

La operativa consiste en tomar sucesivas muestras de n unidades,

contar dentro de cada muestra el nmero de unidades no conformes y
calcular p=D/n llevando este valor al grfico. En tanto p permanezca
dentro de los lmites de control y la secuencia de puntos no seale
ninguna pauta distinta a la que puede surgir por mero azar, diremos que
el proceso est bajo control al nivel p de fraccin no conforme. Si por el
contrario, observamos algn punto fuera de control o un patrn inusual
diremos que la fraccin defectuosa ha cambiado a un nivel diferente y
que el proceso est fuera de control.
Cuando se desconoce p, debe estimarse a partir de los datos. El
procedimiento a seguir es seleccionar m muestras preliminares, cada
una de tamao n. Como norma general, m estar comprendido entre 20
y 25. Si Di es el nmero de unidades defectuosas en la muestra i,
calcularemos
la
fraccin
defectuosa
en
la
muestra
como
pi=Di/n;i=1,2,,n ; i = 1, 2... .n y la media de estas fracciones,
p=Di/mn , estimar la media p del proceso siendo los lmites de
control:

Frecuentemente se utiliza solo el lmite superior.

Estos lmites de control se consideran como lmites de prueba y sirven
para determinar si el proceso estaba bajo control cuando las m muestras
iniciales fueron seleccionadas. Si todos los puntos caen dentro de los
lmites de control y no se observa ninguna pauta anormal
dictaminaremos que el proceso estaba bajo control a la toma de las m
muestras y los lmites de prueba sern vlidos para controlar la
22

produccin

actual

la

futura.

Los lmites de control para la produccin actual deben basarse en datos

obtenidos de una situacin estable. Por ello, cuando alguno de los
puntos iniciales est fuera de control se hace necesario revisar los
lmites de control. Esto se realiza examinando cada punto fuera de
control y buscando las causas asignables. Si se localiza la causa
asignable se descarta el punto correspondiente y se vuelven a calcular
los lmites de control con los puntos restantes. Puede darse el caso que
alguno de estos restantes puntos se encuentre ahora fuera de control
respecto de los nuevos lmites ya que estos sern, normalmente, ms
estrechos que los iniciales. Entonces, deben repetirse los pasos dados
anteriormente hasta que todos los puntos se encuentren dentro de
control con lo que ya podremos adoptar los lmites hasta entonces
provisionales como lmites definitivos. Si el grfico de control se basa en
un valor estndar conocido (un objetivo) para la fraccin no conforme p,
entonces el clculo de lmites de prueba es, generalmente, innecesario
aunque deben tomarse ciertas precauciones en el sentido de comprobar
si el proceso est bajo control a un valor de p diferente de indicado en el
objetivo. Por ejemplo, supongamos que la Direccin seala como valor
objetivo p = 0,01 pero que el proceso se encuentra realmente bajo
control
a
p
=
0,05.
Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos
puntos fuera de control sin que aparezca causa asignable. No obstante,
suele ser til esta opcin para mejorar el nivel de calidad llevando el
proceso al nivel adecuado, sobre todo en procesos donde la fraccin no
conforme puede ser controlada mediante un proceso sencillo de ajuste.
Diseo del grfico p
El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del
desmuestre y distancia entre lmites de control.
Es frecuente calcular el grfico de control a partir de la inspeccin
realizada a lo largo de un periodo de tiempo determinado. Un da, un
turno, etc. En este caso, la frecuencia y el tamao de la muestra estn
relacionados. Generalmente, se selecciona inicialmente la frecuencia del
desmuestre apropiada para la produccin a inspeccionar y de ah resulta
el tamao de la muestra.
Los subgrupos racionales pueden jugar tambin un papel importante en
determinar la frecuencia del desmuestre. Por ejemplo, si hay tres turnos
y sospechamos que entre turnos puede variar el nivel de calidad
utilizaremos cada turno como un subgrupo sin mezclarlos para obtener
una fraccin diaria no conforme. Si p es pequeo n deber ser
23

suficientemente grande para encontrar, al menos una unidad defectuosa

en
la
muestra.
Se ha sugerido que el tamao de muestra debe ser lo bastante grande
para tener una probabilidad de aprox. 50% de detectar un cambio de
una determinada magnitud. Por ejemplo, supongamos que p = 0,01 y
que queremos que la probabilidad de detectar un cambio a p = 0,05 sea
del 50%. Suponiendo que aproximamos la distribucin binomial respecto
de la normal, escogeremos de tal forma que el lmite de Control Superior
coincide con la fraccin no conforme en la situacin de fuera de control.
Si 6 es la magnitud del cambio del proceso, entonces n debe satisfacer

En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3 n = 56

Los lmites 3 son los que se usan con ms frecuencia aunque pueden
adaptarse otros ms sensibles a costa de exponerse a situaciones ms
frecuentes de falsa alarma.
A veces, suelen usarse lmites ms estrechos (por ejemplo 2) dentro de
una situacin de urgencia para mejorar la calidad de un proceso. Estos
lmites deben utilizarse con precaucin porque las falsas alarmas
destruyen la confianza de los operadores en los grficos de control.
Hay que tener en cuenta que los lmites de control estudiados se basan
en la distribucin binomial que considera constante la proporcin
defectuosa p y que los valores sucesivos son independientes. En
procesos en los que las unidades no conformes estn agrupadas o en los
que la probabilidad de producir una unidad defectuosa depende de que
la anterior unidad producida haya sido no defectuosa, no son aplicables
este
tipo
de
grficos.
Deben examinarse con cuidado aquellos puntos situados por debajo del
lmite de control inferior. Estos puntos no suelen ser lo que
aparentemente indican: Una mejora en la calidad del proceso por
disminucin de a sino que suelen originarse por errores en la inspeccin
o por causa de aparatos de medida mal calibrados. Tambin puede
deberse a que los operadores hayan registrado datos ficticios para cubrir
su responsabilidad.
Grfico np para nmero unidades defectuosas
24

Supongamos un proceso que fabrica tornillos. Una manera de ensayar

cada tornillo sera probarlo con una rosca calibrada.
El resultado de este ensayo slo tiene dos posibles
resultados:
Defectuoso - No Defectuoso ( Conforme-No Conforme )
Si el tornillo no entra en la rosca, se lo considera defectuoso
o no conforme
Para controlar este proceso, se puede tomar una muestra de tornillos y
contar el nmero de defectuosos presentes en la muestra.

La variable aleatoria nmero de defectuosos es una variable aleatoria

discreta, porque puede tomar un nmero finito de valores, o infinito
numerable. Los grficos np se utilizan para controlar el nmero de
defectuosos en una muestra.
Para controlar este proceso, un inspector se coloca al final de la lnea de
produccin y cada hora retira una muestra de n=50 tornillos (por
ejemplo), comprueba cada uno con la rosca y anota el nmero de
defectuosos.

Este resultado se anota en un grfico hora por hora denominado grfico

np.
Si se tomara del proceso un slo tornillo Cul es la probabilidad de que
sea defectuoso? Imaginando la poblacin de tornillos que podra fabricar
el proceso trabajando siempre en las mismas condiciones, una cierta
proporcin p de estos seran defectuosos. Entonces, la probabilidad de
tomar un tornillo y que sea defectuoso es p. En una muestra de n
tornillos, la probabilidad de encontrar:
0 defectuosos; 1 defectuoso; 2 defectuosos; ... ; n defectuosos est dada
por una distribucin binomial con parmetros n y p.
Como sabemos, el promedio de la poblacin es p y la varianza es n.p. (1p).
Para construir los grficos de control np, en una primera etapa se toman
N muestras (ms de 20 25) a intervalos regulares, cada una con n
25

tornillos. Se cuenta en cada muestra el Nmero de Defectuosos y se

registra. Se obtendra una Tabla como la siguiente:
muestraNdefectuosos1322344354627589
En cada muestra, la fraccin de defectuosos es D i/n, siendo Di el nmero
de elementos defectuosos en la muestra i, y n el nmero de elementos
en la muestra i
A partir de la tabla podemos calcular p como promedio de las fracciones
de defectuosos en las muestras:

siendo N el nmero de muestras, y luego la Desviacin Standard s:

Con esto podemos calcular los Lmites de Control para el grfico np:

Construimos entonces un Grfico np de prueba y representamos el

nmero de defectuosos en las muestras.
Si no hay puntos fuera de los lmites de control y no se encuentran
patrones no aleatorios, se adoptan los lmites calculados para controlar
la produccin futura.
Para las personas con poco entrenamiento estadstico, este grfico suele
ser ms fcil de interpretar que el grfico p. Frecuentemente se utiliza
solo el lmite superior.
En algunos procesos interesa medir la cantidad de defectos que
presentan las unidades de producto que se estn fabricando. Por

26

ejemplo, se fabrican mviles y entonces se toma uno de ellos y se

cuenta el nmero total de defectos. Estos podran ser:

Rayas en la superficie.

grietas en el plstico

Antena defectuosa

Botn defectuoso.

Etc.

Los defectos pueden ser de diferentes tipos y se cuenta el total de todos

estos defectos en la unidad inspeccionada. Obtenemos un resultado que
es el Nmero de Defectos por unidad de inspeccin.
A medida que el proceso genera las unidades (Telfonos mviles),
retiramos una unidad a intervalos regulares y contamos el nmero total
de defectos. En cada unidad podemos encontrar n defectos

1 defecto

2 defectos

...

n defectos

Los resultados obtenidos al contar el Nmero de Defectos en unidades

de inspeccin tomadas a intervalos regulares constituyen una variable
aleatoria discreta, porque puede tomar los valores discretos 0, 1, 2, ... n.
Esta
variable
aleatoria
tiene
una
distribucin
de
Poisson:

Los grficos C se utilizan para controlar el nmero de defectos en una

muestra del producto o unidad de inspeccin. Para controlar este
proceso, un inspector se coloca al final de la lnea de produccin y cada
cierto intervalo retira una unidad de inspeccin , verifica y anota el
27

nmero total de defectos. Este resultado se anota en un grfico

denominado grfico C. De acuerdo a la Distribucin de Poisson, si
denominamos C al parmetro de la funcin de distribucin, el promedio
de la poblacin es C y la varianza tambin es C.
Una unidad defectuosa puede tener uno o ms defectos. Sin embargo,
es posible que una unidad de producto tenga varios defectos y que no
sea clasificada como defectuosa debido a la naturaleza poco importante
del defecto. Existen en la prctica muchas situaciones en las que es
preferible trabajar con el nmero de defectos que con el porcentaje o el
nmero de unidades defectuosas. Por ejemplo, el nmero de soldaduras
defectuosas en un tubo de conduccin de gas, el nmero de defectos
funcionales es un dispositivo electrnico, etc.
Se pueden efectuar grficos de control para el nmero total de defectos
por unidad de producto o para el nmero de defectos en la muestra.
Estos grficos de control se basan en la distribucin de Posson que
exige un nmero de puntos donde potencialmente podra producirse el
defecto infinitamente grande, as como que la probabilidad de que el
defecto aparezca en un determinado punto sea muy pequea y
constante.
La unidad de inspeccin debe ser la misma en cada muestra. Es decir
cada unidad de inspeccin debe representar siempre una probabilidad
igual de que se produzcan los defectos. En la mayor parte de las
situaciones prcticas, estas condiciones no se satisfacen exactamente.
El nmero de oportunidades (puntos) para los defectos suele ser finito y
la probabilidad de aparicin de defectos puede no ser constante. Si las
desviaciones respecto de la situacin ideal no son importantes, puede
usarse el modelo de Poisson. Existen, sin embargo, casos en los que las
desviaciones respecto de las condiciones del modelo son considerables y
en los que la utilizacin de la distribucin de Poisson es inadecuada.

Grficos c para el nmero de defectos

En el grfico c se representan el nmero de defectos existentes en
cada unidad de inspeccin. En la mayor parte de los casos, la unidad de
inspeccin ser una unidad de producto aunque esto no es
absolutamente necesario ya que la unidad de inspeccin constituye
simplemente una porcin de produccin sobre la que es conveniente
registrar el nmero de defectos encontrados. Puede ser un grupo de 1,5

28

6 10 unidades de producto. Supongamos que los defectos tienen lugar

en esta unidad de inspeccin de acuerdo con la distribucin de Poisson
dada en (), donde x es el nmero de defectos en la unidad de
inspeccin y C es el parmetro de la distribucin, Sabemos que la media
y la varianza de la distribucin de Poisson son ambas iguales a C. En
consecuencia, los lmites de control 3 sigma para el nmero de defectos
sern:

Hay que tener en cuenta que la probabilidad de producir una falsa

alarma por situarse el punto por encima del lmite de control superior es
diferente que la de situarse por debajo del lmite inferior (colas superior
e inferior diferentes). Si no se conoce el parmetro c, debe estimarse a
partir de una muestra preliminar de unidades de inspeccin. El valor
obtenido en la estimacin, O sustituir al valor O en los lmites arriba
indicados.
Anlisis de defectos
Los datos sobre defectos aportan siempre mayor informacin que los
relativos a unidades defectuosas ya que habitualmente existen diversos
tipos de defectos.
Al analizar por conteo la frecuencia de cada tipo de defecto observamos
que, en muchas ocasiones, los resultados estn acordes con la
distribucin de PARETO y que un pequeo nmero de defectos es causa
de la mayor parte de los problemas. Si somos capaces de eliminar las
causas de unos pocos tipos de defectos, habremos conseguido una
drstica
mejora
en
la
calidad.

Grfico u para el nmero de defectos por unidad

inspeccionada
Supongamos que se est controlando el nmero de defectos en un
proceso de ensamblado de licuadoras y se define una unidad de
inspeccin de 5 licuadoras. En este caso es posible trabajar con un
grfico C, como ya hemos visto. Pero tal vez se desea controlar el
promedio de defectos por cada licuadora (unidad de produccin) en
lugar del total de defectos para las 5 licuadoras (unidad de inspeccin):

29

siendo ni la cantidad de Defectos por Unidad de Inspeccin y m el

nmero de Unidades de Produccin en la Unidad de Inspeccin. En
nuestro ejemplo, si encontramos ni defectos en la unidad de inspeccin
(5 licuadoras), la cantidad promedio de defectos por licuadora ser
xi=ni/5.
Se debe tener en cuenta que x es una nueva variable aleatoria discreta
que toma valores 0, 1/m, 2/m, etc., y cuya distribucin de
probabilidades se puede calcular a partir de la Distribucin de Poisson.
Como en el caso de los grficos C, en una primera etapa se toman N
unidades de inspeccin (ms de 25 30) a intervalos regulares. Se
cuenta en cada unidad de inspeccin el Nmero de Defectos y se
registra. Luego se divide el Nmero de Defectos de cada unidad de
inspeccin por m (Nmero de unidades de produccin en cada unidad de
inspeccin).
En nuestro ejemplo (m = 5) la Tabla quedara as:

Entonces, a partir de la tabla podemos calcular el parmetro U, como

promedio del Nmero de Defectos por licuadora, y la Desviacin

Standard:
siendo : ni la cantidad de Defectos por Unidad de Inspeccin, m el
Nmero de Unidades de Produccin en la Unidad de Inspeccin y N el
Nmero de Unidades de Inspeccin.
Con esto podemos calcular los Lmites de Control para el grfico U:

30

31

Conclusiones

Una prueba de hiptesis examina dos hiptesis opuestas sobre una

poblacin: la hiptesis nula y la hiptesis alternativa. La hiptesis nula
es el enunciado que se probar. Por lo general, la hiptesis nula es un
enunciado de que "no hay efecto" o "no hay diferencia". La hiptesis
alternativa es el enunciado que se desea poder concluir que es
verdadero.

Los grficos de control tienen una clara ventaja frente a los mtodos de
calidad como inspeccin, que aplican recursos para detectar y corregir
problemas al final del producto o servicio. Adems de reducir desechos,
como consecuencia de esta aplicacin, est la reduccin del tiempo
necesario para producir el producto o servicio.

32

Recomendaciones

En las pruebas de hiptesis con base en los datos de la muestra, la

prueba determina si se debe rechazar la hiptesis nula. Para tomar la
decisin se debe utilizar un valor p. Si el valor p es menor que o igual al
nivel de significancia, que es un punto de corte que usted define,
entonces puede rechazar la hiptesis nula.
En realidad, una prueba mantendr la validez de la hiptesis nula hasta
que haya suficiente evidencia en favor de la hiptesis alternativa.

En cuanto a control de calidad en la produccin de un producto o

servicio en una empresa, se debe considerar una muestra considerable
para ver qu tan eficiente se est siendo con los productos y servicios,
para ello se puede pasar una encuesta de satisfaccin a los clientes o
usuarios estos es para el consumidor final.
El control de la calidad se debe aplicar tambin al momento de la
produccin y as considerar algn desperfecto o dao al producto y en
base a esto saber el periodo de cobertura de garantas. Los encargados

de verificar esta informacin sern los encargados de maquinaria y

operarios.

33

Bibliografa
Wikipedia. Prueba de hiptesis. Consultado el 08 de mayo de 2016 a las
9:45
a.m.
en
la
wold
wide
web
de:
https://es.wikipedia.org/wiki/Contraste_de_hip%C3%B3tesis

Buenas Tareas. Pasos para de la Prueba de Hiptesis. Consultado el 08

de mayo de 2016 a las 10:15 a.m. en la wold wide web de:
http://www.buenastareas.com/ensayos/Pasos-Para-UnaHipotesis/2380037.html

Ditutor. Prueba de hiptesis. Consultado el 08 de mayo de 2016 a las

10:30
a.m.
en
la
wold
wide
web
de:
http://www.ditutor.com/inferencia_estadistica/contraste_hip
%C3%B3tesis.html

Monografas Prueba de hiptesis. Consultado el 08 de mayo de 2016 a

las
10:50
a.m.
en
la
wold
wide
web
de:
http://www.monografias.com/trabajos17/pruebas-dehipotesis/pruebas-de-hipotesis.shtml

Wikipedia. Control de Calidad. Consultado el 09 de mayo de 2016 a las

13:40
p.m.
en
la
wold
wide
web
de:
https://es.wikipedia.org/wiki/Control_de_calidad

Aiteco.com. Grficos de Control de Calidad. Consultado el 09 de mayo de

2016 a las 13:55 p.m. en la wold wide web de:
http://www.aiteco.com/graficos-de-control/

Wikipedia Grficos de Control de Calidad. Consultado el 09 de mayo de

2016 a las 14:15 p.m. en la wold wide web de:
https://es.wikipedia.org/wiki/Gr%C3%A1fico_de_control

34

Spcgroup.com Grficos de Control. Consultado el 09 de mayo de 2016 a

las
14:40
p.m.
en
la
wold
wide
web
de:
http://spcgroup.com.mx/grafica-de-control/

Monografas Grficas de Control de Calidad. Consultado el 09 de mayo

de 2016 a las 15:20 p.m. en la wold wide web de:
http://www.monografias.com/trabajos91/graficas-control-calidadvariables/graficas-control-calidad-variables.shtml#ixzz48CnG8p3W

Monografas Grficas de Control de Calidad. Consultado el 10 de mayo

de 2016 a las 08:45 a.m. en la wold wide web de:
http://www.monografias.com/trabajos91/graficas-control-calidadvariables/graficas-control-calidad-variables.shtml#ixzz48Cmo0LuC

Matemticas y Poesa. Grficos de Control por atributos. Consultado el

10 de mayo de 2016 a las 10:05 a.m. en la wold wide web de:
http://www.matematicasypoesia.com.es/Estadist/ManualCPE09.htm

Matemticas y Poesa. Grficos de Control por atributos. Consultado el

10 de mayo de 2016 a las 10:35 a.m. en la wold wide web de:
http://www.matematicasypoesia.com.es/Estadist/ManualCPE09p2.h
tm

35