CONTROL ESTADÍSTICO DE LA CALIDAD

ESTADÍSTICA DESCRIPTIVA
CONTENIDO:

 Medidas de tendencia central

 Medidas de dispersión
 Introducción a la probabilidad

2
LOGRO DE LA SESION

Al finalizar la primera unidad el estudiante, comprende y los conceptos

de calidad y otros relacionado al control estadístico y resuelve
ejercicios de estadística descriptiva, así como los factores que influyen
en la variabilidad de los procesos productivos o de servicios, con
precisión y orden.
MEDIDAS DE TENDENCIA CENTRAL

Moda

Mediana
Media o
Promedio
Aritmético
MEDIDAS DE TENDENCIA CENTRAL

MEDIA:

• La media es la suma de los valores de la muestra

divido entre el número total de valores de la muestra.

σ𝑋
𝑋ത =
𝑛

La media se ve afectada en exceso por valores grandes o

pequeños poco comunes; en este caso la media podría no ser un
promedio adecuado para representar los datos
MEDIDAS DE TENDENCIA CENTRAL

MEDIANA O PERCENTIL 50

• Punto medio de los valores una vez que se han

ordenado de menor a mayor o de mayor a menor

Datos no agrupados:
 Cuando n es impar:
Se calcula el valor (n + 1)/2 y el valor mediano será el número que
ocupa el lugar (n + 1)/2

 Cuando n es par:
El valor mediano será el promedio de los valores centrales
correspondientes a la serie ordenada.6
MEDIDAS DE TENDENCIA CENTRAL

MODA
• Valor de la observación que aparece con mayor
frecuencia. La moda no siempre existe y si existe, no
siempre es única.
POSICIONES RELATIVAS DE LA MEDIA, LA MEDIANA
Y LA MODA

Distribución Simétrica: que

también tiene forma de
campana. Esta distribución posee
la misma forma a cualquier lado
del centro.

Distribución Asimétrica Positiva: la

media aritmética es la mayor de las
tres medidas, en este caso La mediana
y la moda serian mas representativas.
POSICIONES RELATIVAS DE LA MEDIA, LA MEDIANA
Y LA MODA

Distribución
Asimétrica negativa: la
media es la menor
medida de las tres.
MEDIDAS DE DISPERSIÓN O VARIABILIDAD

Medidas de Dispersión Rango o Recorrido

Desviación
Estándar
Coeficiente de
Variación
MEDIDAS DE DISPERSIÓN O VARIABILIDAD

RANGO O RECORRIDO

• Es la medida mas simple de dispersión, la cual

representa la diferencia entre los valores máximo y
mínimo de un conjunto de datos.

R = 𝑉𝑎𝑙𝑜𝑟𝑚𝑎𝑥𝑖𝑚𝑜 − 𝑉𝑎𝑙𝑜𝑟 𝑀í𝑛𝑖𝑚𝑜

La interpretación del rango es muy directa, ya

que indica la amplitud máxima de la dispersión;
MEDIDAS DE DISPERSIÓN O VARIABILIDAD

DESVIACIÓN ESTÁNDAR MUESTRAL

• Es la medida más usual de variabilidad e indica qué

tan esparcidos están los datos con respecto a la
media; normalmente se utiliza como medida para
comparar la dispersión de dos o mas conjunto de
observaciones.

σ𝑛 ത 2
𝑖=1 𝑋𝑖 −𝑋
S=
𝑛−1
MEDIDAS DE DISPERSIÓN O VARIABILIDAD

COEFICIENTE DE VARIACIÓN

• Indica la magnitud relativa de la desviación estándar en

comparación con la media. Es útil para contrastar la
variación de dos o más variables que están medidas en
diversas escalas.
RELACIÓN ENTRE EL PROMEDIO Y LA DESVIACIÓN ESTÁNDAR

RELACIÓN 𝑿 ഥ𝒚𝑺
• Para determinar la relación entre ambos estadísticos,
está dada por la desigualdad de Chebyshev y la regla
empírica, para lo cual en cualquier distribución de
frecuencias simétrica con forma de campana.

Regla de Chebyshev Regla empírica

 Entre 𝑋ത ± 2𝑆 está por lo  Entre 𝑋ത ± 𝑆 está el 68% de
menos el 75% de los datos los datos de la muestra
de la muestra.  Entre 𝑋ത ± 2𝑆 está el 95%
 Entre 𝑋ത ± 3𝑆 está por lo  Entre 𝑋ത ± 3𝑆 está el 99.7%
menos el 89%.
RELACIÓN ENTRE EL PROMEDIO Y LA DESVIACIÓN ESTÁNDAR

• Regla empírica
MEDIDAS DE FORMA

Sesgo o
Asimetría

Curtosis
MEDIDAS DE FORMA

SESGO O ASIMETRIA

• El signo del sesgo indica el lado para el que la cola de la distribución es

más larga, ya sea hacia la izquierda (signo −) o hacia la derecha (signo
+).

As = 0, los datos son

simétricos.
As ˃ 0, los datos son
asimétricos positivos
As ˂ 0, se dicen que los
3 𝑋ത − 𝑀𝑒 datos son asimétricos
𝐴𝑠 = negativos
𝑆
MEDIDAS DE FORMA

CURTOSIS

• Estadístico que mide qué tan elevada o plana (achatada o picuda) es la

distribución de ciertos datos, tomando como referencia la distribución
normal.

Cu = 0.263, los datos

presentan una distribución
mesocúrtica (normal).
Cu ˃ 0.263, los datos
presentan una distribución
platicurtica.
𝑄3− 𝑄1 Cu ˂ 0.263, los datos
𝐶𝑢 = presentan una distribución
2 𝑃90 − 𝑃10 leptocurtica.
 EJEMPLO DE MEDIDAS

En un proceso de inyección de plástico; una característica de calidad del

producto (disco) es su grosor, que debe ser de 1.20 mm con una tolerancia de
±0.10 mm. Así, para considerar que el proceso de inyección fue satisfactorio, el
grosor del disco debe estar entre la especificación inferior, EI = 1.10 y la
superior, ES = 1.30. En un estudio de capacidad para este proceso es necesario
contestar las siguientes
interrogantes:
a) ¿Qué tipo de discos; en cuanto a grosor se están produciendo?
b) ¿El grosor medio es adecuado?
c) ¿La variabilidad del grosor es mucha o poca?
Durante una semana se obtuvieron de una línea de producción los 125 datos de
la tabla. El muestreo fue sistemático: cada determinado tiempo se tomaban
cinco productos y se medían al final de la semana, obteniendo los datos
siguientes:
EJEMPLO DE MEDIDAS

1.17 1.2 1.21 1.2 1.17 1.23 1.17 1.17 1.19 1.19 1.18 1.15
1.13 1.14 1.15 1.18 1.17 1.22 1.16 1.13 1.18 1.2 1.21 1.2
1.15 1.19 1.2 1.15 1.17 1.19 1.17 1.22 1.11 1.2 1.2 1.12
1.2 1.13 1.18 1.13 1.17 1.13 1.18 1.19 1.19 1.17 1.22 1.11
1.18 1.19 1.17 1.2 1.18 1.15 1.19 1.21 1.19 1.25 1.19 1.18
1.17 1.16 1.17 1.17 1.24 1.15 1.23 1.2 1.17 1.16 1.14
1.16 1.18 1.13 1.19 1.16 1.22 1.19 1.19 1.19 1.16 1.19
1.2 1.16 1.16 1.23 1.18 1.19 1.16 1.17 1.17 1.2 1.17
1.17 1.17 1.16 1.2 1.16 1.18 1.19 1.19 1.2 1.2 1.2
1.17 1.15 1.17 1.24 1.22 1.19 1.2 1.22 1.16 1.16 1.16
EJEMPLO DE MEDIDAS

Grosor Media: El grosor promedio de los discos de la

muestra es de 1.179
Media 1.179 Mediana: El 50% de los discos presentan un grosor
Error típico 0.0024 menor o igual a 1.18 mm. y el otro 50% es mayor o
Mediana 1.1800 igual a
Moda 1.1700
Moda: El grosor más frecuente de los discos 1.17
Desviación estándar 0.0270
mm.
Varianza de la muestra 0.0007
Coeficiente de variación 2.2866 Des. Esta.: La variabilidad del grosor de los discos,
Curtosis 0.1732 con respecto a su promedio es de 0.027 mm.
Coeficiente de asimetría -0.0114
Rango 0.1400 Rango: La amplitud máxima de la dispersión es 0.14
Mínimo 1.1100 mm.
Máximo 1.2500 Coe. Var: Indica que la variación del grosor es de
Suma 147.3300 2.29%, es decir los grosor de los discos son homoge.
Cuenta 125.0000
Curtosis: Indica una distribución leptocurtica

Asimétria: Indica una distribución simétrica

CUANTILES

Los cuantiles son medidas de localización que dividen un conjunto de datos ordenados
en cierto número de grupos o partes que contienen la misma cantidad de datos.

Cuartiles

• Sirven para separar por magnitud la

distribución de unos datos en cuatro
grupos, donde cada uno contiene 25%.

Percentiles

• Sirve para separa a un grupo de datos en

cien partes.
PROBABILIDAD

Experiment
o
Espacio
Muestral

Variable

Probabilidad - Binomial
- Poisson
- Normal
Distribuciones de
- Verificación de
Probabilidad
Normalidad
DEFINICIONES DE PROBABILIDAD

Experimento

• Se llama experimento al conjunto de acciones, reales o

imaginarias, realizadas con la finalidad de obtener
resultados..

Espacio Muestral

• Conjunto de todos los resultados posibles del experimento.

Evento

• Es un subconjunto del espacio muestral de un experimento

aleatorio.

PROBABILIDAD: Valor entre cero y uno, inclusive, que describe la posibilidad

relativa (oportunidad o casualidad) de que ocurra un evento.
EJEMPLO DE PROBABILIDAD
PROBABILIDAD CLÁSICA

La probabilidad clásica parte del supuesto de que los resultados de un experimento

son igualmente posibles.

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠

Probabilidad de un evento =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠
OPERACIONES CON EVENTOS

Dados los eventos A y B

a) UNIÓN: La unión o reunión de A y B, que se denota
AUB, es el evento

AUB={w   / w  A ó w  B}

 A B

𝑷 𝑨⋃𝑩 = 𝑷 𝑨 + 𝑷 𝑩 − 𝑷(𝑨⋂𝑩)
OPERACIONES CON EVENTOS

b) INTERSECCIÓN: La intersección de A y B, que se denota

A⋂B, es el evento

AB = {w   / w  A y w  B}

 A B
OPERACIONES CON EVENTOS

c) COMPLEMENTO : El complemento de A, que se denota por A, se

define como el evento formado por los elementos de  que no
están en A. También se le denomina evento opuesto o contrario.

A ={w   / w  A}

 A A

ഥ =𝟏−𝑷 𝑨
𝑷 𝑨
OPERACIONES CON EVENTOS

Observación:
o Si AÇB =  , se dice que A y B son eventos mutuamente excluyentes
ó incompatibles ó disjuntos.

 A B

𝑷 𝑨⋃𝑩 = 𝑷 𝑨 + 𝑷 𝑩
𝑷 𝑨⋂𝑩 = 𝑷 𝑨 𝗑 𝑷 𝑩
PROBABILIDAD CONDICIONAL

Se llama probabilidad de A condicionada a B, o probabilidad

de A sabiendo que ocurrió B:
E espacio muestral

P( A  B)
P( A | B)  A
P( B) B

• Error muy frecuente:

- No confundir probabilidad condicionada con
intersección.
 DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

Se denomina experimento binomio a un número

fijo, n, de repeticiones independientes de un
experimento aleatorio de Bernoulli y por lo tanto,
se caracteriza por qué

 El experimento consiste de n pruebas idénticas.

 Cada prueba tiene únicamente dos resultados: S(Exito) y F(Fracaso)
 P(S) = p y P(F) = q se mantiene constante a lo largo de todas las pruebas ( p + q =
1)
 La variable aleatoria binomial x es el número de éxitos obtenidos en las n
pruebas.

Ejemplo:
un artículo cumple con especificaciones o no, una pieza resiste cierta fuerza o no, una
lámpara enciende o no. En control de calidad se suele llamar “éxito” al resultado con
connotación negativa de los dos posibles, dado que el interés de un estudio se enfoca
directamente a investigar cómo reducir la ocurrencia de éstos.
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

 La fórmula para el cálculo de las probabilidades de una variable aleatoria Binomial

es:

P X  x  C nx p x q n  x , x  0, 1, 2, ... , n

Donde n y p son los parámetros de la función.

El valor de p(x) para diversos valores de n y p aparece en tablas de todo texto
básico de Estadística.

 El valor esperado y la varianza son:

E X   np V X   npq
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

El 15% de los engranajes de tornillo producidos en una fresadora automática de alta

velocidad Carter-Bell se encuentra defectuoso.
¿Cuál es la probabilidad de que, en seis engranajes seleccionados, ninguno se
encuentre defectuoso? , ¿Exactamente uno? , ¿Mas de dos? y ¿Menor o igual de tres?

Solución:
La distribución binomial con parámetros n=6, p=0.15 es:

X p(X) cumulative
probability P 𝑋 = 0 = 0.37715
0 0.37715 0.37715
1 0.39933 0.77648 P 𝑋 = 1 = 0.39933
2 0.17618 0.95266
3 0.04145 0.99411
4 0.00549 0.99960
P 𝑋 > 2 = 0.04734
5 0.00039 0.99999
6 0.00001 1.00000
P 𝑋 ≤ 3 = 0.99411
Total 1.00000
DISTRIBUCIÓN DE PROBABILIDAD POISSON

 El experimento consiste en contar el número de veces que ocurre un evento

durante una unidad de medida (tiempo, área o volumen).
 La probabilidad que un evento ocurra en una unidad de medida es la misma.
 El número de eventos que ocurren en una unidad de medida especifica es
independiente de lo que ocurra en cualquier otra.
 El número promedio de eventos en cada unidad de medida se denota por la letra
griega lambda λ.

En control de calidad se evalúa el número de defectos por

artículo, número de defectos por metros de cable,
número de defectos por metro cuadrado de tela, número
de impurezas en un líquido, número de fallas mensuales
de una máquina, etc.
 DISTRIBUCIÓN DE PROBABILIDAD POISSON

 La fórmula para el cálculo de las probabilidades de una variable aleatoria Poisson

es:
e  x
P X  x  , x  0, 1, 2, ...
x!
 La constante e tiene un valor aproximado de 2.711828

 El valor esperado y la varianza son:

E X    V X   
DISTRIBUCIÓN DE PROBABILIDAD POISSON

En la inspección de una hojalata producida por un proceso electrónico continuo, se

identificaron 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar:
a) Una imperfección en 3 minutos

Empleamos λ= 0.6 imperfección / 3 minutos

P( X = 1 ) = 0.3293

b) Al menos dos imperfección en 5 minutos

Empleamos λ= 1 imperfección/ 5 minutos

P( X ≥ ) = 0.2642
APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA
DISTRIBUCIÓN DE POISSON

Si X tiene una distribución Binomial con n ≥ 100 y la

probabilidad de ocurrencia es pequeña p ≤ 0.05, entonces se
aproxima a una distribución Poisson con

λ = np
DISTRIBUCIÓN DE PROBABILIDAD NORMAL

Es una distribución continua cuya densidad tiene forma de campana. Es

muy importante tanto en la estadística teórica como en la aplicada.
La distribución normal con parámetros μ = 0 y σ2= 1 se conoce como
distribución normal estándar (N(0, 1)).
EJEMPLO DE DISTRIBUCIÓN DE PROBABILIDAD NORMAL

Los ingresos semanales de los

supervisores de turno de la industria del
vidrio se rigen por una distribución de
probabilidad normal con una media de
$1000 y una desviación estándar de
$100.
¿Cuál es la probabilidad que el ingreso
de un supervisor sea mayor a $1 100
semanales?
¿Cuál es la probabilidad que el ingreso
de un supervisor sea como máximo
$900 semanales?
EJEMPLO DE DISTRIBUCIÓN DE PROBABILIDAD NORMAL

: Los trabajadores de la industria de vidrio b) El ingreso de un supervisor sea como máximo

X: ingreso semanales $900,
P( X≤ 900 )
X N(  = 1000;  = 100)
Estandarizando la variable

a) Nos pide: P( X > 1100) X  900  1000

P( X > 1100) = 1 - P( X ≤1100) Z   1
 100
Estandarizando la variable: Luego,
P( X ≤ 900 ) = P( Z < -1 )
X  1100  1000
Z  1

Buscando en la tabla
100 P( Z < -1 ) = 0.1587
Luego:
1 - P( X ≤ 1000) = 1 - P( Z ≤ 1)
= 1 – 0.8413
= 0.1587

Interpretación:
La probabilidad de que el ingreso de un supervisor
sea mayor a $1100 es de 0.1587 900 µ=1000
AJUSTE A UNA DISTRIBUCIÓN NORMAL

En un proceso de inyección de plástico una característica de calidad

del producto (disco) es su grosor, que debe ser de 1.20 mm con una
tolerancia de ±0.10 mm. Así, para considerar que el proceso de
inyección fue satisfactorio, el grosor del disco debe estar entre la
especificación inferior, EI = 1.10 y la superior, ES = 1.30. Durante una
semana se obtuvieron de una línea de producción los 125 datos de la
tabla. El muestreo fue sistemático: cada determinado tiempo se
tomaban cinco productos y se medían y al final de la semana se
tuvieron los datos referidos. Averiguar si los datos se ajuntan a una
distribución normal
AJUSTE A UNA DISTRIBUCIÓN NORMAL

1.17 1.2 1.21 1.2 1.17 1.23 1.17 1.17 1.19 1.19 1.18 1.15
1.13 1.14 1.15 1.18 1.17 1.22 1.16 1.13 1.18 1.2 1.21 1.2
1.15 1.19 1.2 1.15 1.17 1.19 1.17 1.22 1.11 1.2 1.2 1.12
1.2 1.13 1.18 1.13 1.17 1.13 1.18 1.19 1.19 1.17 1.22 1.11
1.18 1.19 1.17 1.2 1.18 1.15 1.19 1.21 1.19 1.25 1.19 1.18
1.17 1.16 1.17 1.17 1.24 1.15 1.23 1.2 1.17 1.16 1.14
1.16 1.18 1.13 1.19 1.16 1.22 1.19 1.19 1.19 1.16 1.19
1.2 1.16 1.16 1.23 1.18 1.19 1.16 1.17 1.17 1.2 1.17
1.17 1.17 1.16 1.2 1.16 1.18 1.19 1.19 1.2 1.2 1.2
1.17 1.15 1.17 1.24 1.22 1.19 1.2 1.22 1.16 1.16 1.16

La hipótesis que se plantea son:

Ho = el grosor de los discos se ajustan a una distribución normal
H1 = el grosor de los discos no se ajustan a una distribución normal
AJUSTE A UNA DISTRIBUCIÓN NORMAL

• Se utiliza ∝ = 0.05
• Para esta prueba se utiliza la Prueba de Ajuste de
Kolmogorov- Smirnov
• Si p (P- Value) ≤ 0.05. Se Rechaza la Ho
• Si p (P- Value) > 0.05. Se Acepta la Ho
AJUSTE A UNA DISTRIBUCIÓN NORMAL
APLICACIÓN DE LA DISTRIBUCIÓN NORMAL CON MINITAB

Ingresar la variables

Seleccionar la prueba
de ajuste
APLICACIÓN DE LA DISTRIBUCIÓN NORMAL CON MINITAB

Como p = 0.01 es menor a 0.05. Entonces se

rechaza la Hipótesis Nula, es decir se acepta
Ha
Ha = el grosor de los discos no se ajustan a
una distribución normal
 BIBLIOGRAFÍA BÁSICA:

Estimado estudiante, puedes revisar el siguiente textos que se encuentran en tu

biblioteca:

N° CÓDIGO AUTOR TÍTULO AÑO

658.562 Control Estadístico de la Calidad y Seis

1 Gutiérrez H. y De La Vara, R 2009
GUTI Sigma