Sie sind auf Seite 1von 156

ESTADÍSTICA

APLICADA A
LABORATORIOS

ACREDITACIÓN Y CERTIFICACIÓN REGISTRO Y ALIANZAS

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


En grupo,
GENERACIÓN DE
EXPECTATIVAS

Compartimos las expectativas


respecto al curso y comentamos…

EXPECTATIVA

NOMBRE
EXPECTATIVA DEL EXPECTATIVA
GRUPO

EXPECTATIVA
http://americansecrets.es/wp-
content/uploads/2014/02/EQUIPO-HUMANO.jpg

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

LOGROS DEL CURSO

Capacidad 1: Aplica las diferentes técnicas estadísticas para asegurar la


calidad en un laboratorio de ensayo físico químico.

Capacidad 2: Asistencia puntual

Revisamos en el sílabo la programación y


la evaluación del curso…

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

SESIÓN PRESENCIAL N° 1

TEMARIO SESIÓN PRODUCTO DE


PRESENCIAL N° 1 APRENDIZAJE ESPERADO
1. DEFINICIONES Taller 1
2. ESTADISTICA DESCRIPTIVA - Estadística Descriptiva
Medidas de posición central y de
dispersión Taller 2.
• Medidas de Posición Central - Distribución Normal
La media
Moda
Mediana
Medidas de Dispersión
Rango
Desviación estándar y
varianza
Coeficiente de Variación
3. DISTRIBUCIÓN DE
PROBABILIDAD NORMAL

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


SABERES
PREVIOS

Como puedo utilizar la estadística


dentro de la gestión del
laboratorio.

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONFLICTO
COGNITIVO

Que podemos decir acerca del tipo de


distribución de datos de presentan ambos
analistas en las siguientes graficas.
Histograma de Dora Histograma de Juan Carlos
Normal Normal
Media 3.283 Media 3.447
4 10
Desv.Est. 0.01160 Desv.Est. 0.4933
N 10 N 12

8
3
Frecuencia

Frecuencia

1
2

https://www.linkedin.com/pulse
0 0
3.26 3.27 3.28 3.29 3.30 3.31 2.5 3.0 3.5 4.0 4.5 5.0 /115-ideas-en-15-minutos-
Dora Juan Carlos
antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

1. ESTADÍSTICA BÁSICA
La estadística, pues, se encarga de recolectar datos de los distintos
procesos en donde esta presenta la variación y analizarlos. Nos interesa
que esto se realice con el objetivo de entender la variación, identificar sus
causas y reducirla, como evidencia de mejora del proceso.

• Recolecta
¿Qué es • Organiza
estadística? • Presenta
• Analiza
• Interpreta

https://pixabay.com/es/gr%C3%A1fico-gr%C3%A1fica-
estad%C3%ADsticas-35773/

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

2. TIPOS DE ESTADÍSTICA

La estadística se divide en Estadística Descriptiva y Estadística Inferencial.

Estadística Relacionada con la


Descriptiva tabulación y
representación gráfica de
Estadística los datos.

Estadística Estimaciones de
Inferencial parámetros y pruebas de
hipótesis en base a
muestras.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

ESTADÍSTICA BÁSICA

DISEÑO DE EXPERIMENTOS

ESTADÍSTICA DESCRIPTIVA INFERENCIA ESTADÍSTICA

CONTRASTE
ESTIMACIÓN
DE HIPÓTESIS

TIPOS DE TABLAS Y POR MÉTODOS MÉTODOS NO


PUNTUAL
VARIABLES GRÁFICAS INTERVALOS PARAMÉTRICOS PARAMÉTRICOS

T-STUDENT MANN
WHITNEY
MEDIDAS DE
POSICIÓN CENTRAL ANOVA
K-W
Y DE DISPERSIÓN
FISHER
LEVENE
BARTLETT

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

3. POBLACIÓN, MUESTRA E INDIVIDUO


Población
Muestreo
Muestra

INDIVIDUO

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

Cuando se estudia el comportamiento de una variable hay que distinguir los


siguientes conceptos:

Individuo o elementos: Cualquier elemento que porte información que se


desea estudiar. Así, si estudiamos la altura de los niños de una clase, cada
alumno es un individuo; si estudiamos el precio de la vivienda, cada vivienda
es un individuo.
Población: conjunto de todos los individuos (personas, objetos, animales,
etc.) que porten información que se desea estudiar. Por ejemplo, si
estudiamos el precio de la vivienda en una ciudad, la población será el total
de las viviendas de dicha ciudad.
Muestra: subconjunto que seleccionamos de la población. Así, si se estudia
el precio de la vivienda de una ciudad, lo normal será no recoger información
sobre todas las viviendas de la ciudad (sería una labor muy compleja), sino
que se suele seleccionar un subgrupo (muestra) que se entienda que es
suficientemente representativo.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

4. PARÁMETRO
Es un valor numérico que describe una característica de la Población (μ, σ,
σ2 , … etc.)

5. ESTADÍSTICO
 Una característica es cualquier función de las observaciones contenidas en
una muestra aleatoria. Por ejemplo, si X1, X2,….,Xn es una muestra
aleatoria de tamaño “n”, entonces la media muestral , la varianza muestral
S2 y la desviación estándar muestral “S” son estadísticas. (, S,S2,….etc)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

6. ESTIMADOR PUNTUAL
Es el estadístico que se toma en una muestra determinada y que se usa para
estimar un parámetro poblacional.

Parámetro Estimador Puntual


µ
σ2 S2
p
µ1-µ2
σ21/σ22 S21/S22
P1 –P2

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DEFINICIONES
DEL

7. VARIABLES
Las variables representan al dato o carácter objeto de nuestro estudio de
los elementos de la muestra y que puede tomar un conjunto de valores
cuantitativos o cualitativos.

Tienen la propiedad de poder variar y ser


mensurables de alguna forma, desde la mera clasificación (Ej. Sexo)
hasta el mayor nivel de medición que sea posible alcanzar como la
cuantificación (Ej. Edad).

√𝒙
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO

ESTADISTICA DESCRIPTIVA
DEL

ESTADÍSTICA BÁSICA

DISEÑO DE EXPERIMENTOS

ESTADÍSTICA DESCRIPTIVA INFERENCIA ESTADÍSTICA

CONTRASTE
ESTIMACIÓN
DE HIPÓTESIS

TIPOS DE TABLAS Y POR MÉTODOS MÉTODOS NO


PUNTUAL
VARIABLES GRÁFICAS INTERVALOS PARAMÉTRICOS PARAMÉTRICOS

T-STUDENT MANN
WHITNEY
MEDIDAS DE ANOVA
POSICIÓN CENTRAL K-W

Y DE DISPERSIÓN FISHER
LEVENE
BARTLETT

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MEDIDAS DE
DEL

TENDENCIA CENTRAL

Las medidas de tendencia central son medidas de posición que tratan de


establecer un valor que pueda considerarse el centro de los datos en algún
sentido:

1. Media Aritmética
2. Mediana
3. Moda

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MEDIDAS DE
DEL

TENDENCIA CENTRAL

MEDIA ARITMETICA
Supongamos que tenemos una muestra de tamaño N, donde la variable
estadística x toma valores de x1, x2, ….., xN. Se define la media aritmética X,
o simplemente media, de la muestra como:

x
Presenta el
problema de
x1  x2  ......  x N
i
que su valor se
puede ver muy
X   i 1

influenciado por
N N
valores
extremos

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MEDIDAS DE
DEL

TENDENCIA CENTRAL
MEDIANA
Sea un conjunto de datos de una variable cuantitativa, x1, x2, . . . , xN. Con los
datos ordenados de menor a mayor x(1), . . . , x(N).

La mediana es el valor de la variable que deja el mismo número de datos


antes y después que él, una vez ordenados estos.
Valor Central= 32

1 2 3 4 5 6 7 8 9 10 11 12 13 No presentan
IMPAR
12 13 15 25 26 31 32 33 35 40 42 43 50 el problema de
estar influido
1 2 3 4 5 6 7 8 9 10 11 12 por los valores
PAR
12 13 15 25 26 31 32 33 35 40 42 43 extremos

Promedio Valores Centrales = 31.5


Fuente: Propio

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MEDIDAS DE
DEL

TENDENCIA CENTRAL
MODA
Se define la moda Mo de una muestra como aquel valor de la variable que
tiene una frecuencia máxima.
En otras palabras, es el valor que más se repite.

Hay que indicar que puede suceder que la moda no sea única, es decir
que aparezcan varios máximos en la distribución de frecuencias.
En ese caso diremos que tenemos una distribución bimodal, trimodal, etc.
BIMODAL

6
Frecuencia

0
0 10 20 30 40
C4

Fuente: Propio

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MEDIDAS DE
DEL

DISPERSION

Estas nos indicarán la variabilidad de los datos en torno a su


valor promedio, es decir si se encuentran muy o poco esparcidos
en torno a su centro.
MEDIDA DE DISPERSION FORMULA Datos
RANGO R  Max ( xn )  Min ( x1 ) x1
DESVIACIÓN ESTÁNDAR x2
S  S 2
x3
VARIANZA n

(x i  x )2 .
S2  i 1
.
n 1
.
COEFICIENTE DE
VARIACIÓN S S xn
CV  %CV  x100
x x

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MEDIDAS DE
DEL

DISPERSION
GRÁFICO DE CAJAS – BOX PLOT
       
Valor
ValorMáximo
Máximo        
       
        25%
Q3:
Q3:Tercer
TercerCuartil
Cuartil        
       
       
25%
        Diferencia
Diferencia
Mediana
Mediana        
Intercuartílica
Intercuartílica
       
        25%
       
       
       
25%
Q1:
Q1:Primer
PrimerCuartil
Cuartil        
       

Valor
ValorMínimo
Mínimo Rango intercuartílico = Q3 – Q1
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO

DISTRIBUCIÓN NORMAL
DEL

Sea X una variable aleatoria continua que puede tomar cualquier valor
real.
Se dice que X sigue una distribución normal o gaussiana, de
parámetros media u y desviación típica, 𝑋
  → 𝑁 (𝜇 , 𝜎 ) si su función de
densidad es.
1  ( x   )2 
f ( x)  exp    Para todo x  
2 2
 2 2

La desviación estándar
sigma representa la
La distribución normal
distancia de la media al
punto de inflexión de la
estándar tiene media =
curva normal 0 y desviación estándar
=1. La media, Mediana y
X
Moda coinciden, son
x-3 x-2 x- x x+ x+2 x+3
iguales y se localizan en
z el pico.
-3 -2 -1 0 1 2 3 Es simétrica

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DISTRIBUCIÓN NORMAL
DEL

Formas típicas de distribuciones de datos

Fuente: Figura 2.6. Formas típicas de distribuciones de datos. En Apuntes de estadística para ingenieros (p. 32), por Saenz,
A ,2012.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

DISTRIBUCIÓN NORMAL
DEL

La distribución normal tiene la forma de una campana, con la mayoría de los


valores en el centro y un número simétrico de observaciones a ambos lados. La
distribución normal también se conoce como la distribución Gaussiana.

Contrastes de Normalidad :
Para comprobar la hipótesis nula de que la muestra ha sido extraída de una
población con distribución de probabilidad normal se puede realizar un estudio
gráfico y/o analítico
• Anderson-Darling: Es una prueba basada en la ECDF (función de
distribución acumulada empírica).
• Ryan-Joiner: Es similar a la prueba de Shapiro-Wilk . La prueba de Ryan-
Joiner es una prueba basada en correlaciones.
• Kolmogorov-Smirnov: Es una prueba basada en la ECDF.
• Prueba de Shapiro-wilk: Cuando la muestra es como máximo de tamaño 50
se puede contrastar la normalidad con la prueba de Shapiro-Wilk.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


TRABAJO APLICATIVO
TRANSFERENCIA

SESIÓN PRESENCIAL N° 1

Producto:
Taller 1: Estadística Descriptiva
Taller 2: Distribución Normal

Indicaciones:
a. Calcule los estadísticos de Media, moda, rango, coeficiente de variación y
desviación estándar.
b. Calcule la distribución normal de los datos.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN

SESIÓN PRESENCIAL N° 1
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png

PUNTAJE
N° CRITERIOS DE EVALUACIÓN
MÁXIMO
Taller 1: Planteamiento y resolución del taller de 10
1.   estadística descriptiva

Taller 2: Planteamiento y resolución del taller distribución 10


2.  normal

Puntaje total:  20

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONCLUSIONES
Conclusiones

CONCLUSIONES

 ¿Qué diferencias encuentras entre lo que has


aprendido sobre los temas tratados en la clase y tus
conocimientos previos?

 ¿En qué situación podrías aplicar lo aprendido en tu


entorno laboral?

https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

SESIÓN PRESENCIAL N° 2

TEMARIO SESIÓN PRODUCTO DE


PRESENCIAL N° 2 APRENDIZAJE ESPERADO

4. ESTIMACION DE PUNTOS E Taller 3


INTERVALOS - Intervalos de Confianza
•Definición de error estándar
•Intervalo de confianza
•Intervalo de confianza para la
media

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


SABERES
PREVIOS

Para la verificación de la balanza analítica


0.0001g se utiliza una pesa de 10.0 g.
Se registra el peso por duplicado de 12.0001 g
y 12.0002 g, el laboratorio determino un
criterio de diferencia de duplicados de 0.01 g,
cumpliendo así el criterio.
Que podríamos decir acerca del enunciado, la
balanza se encuentra verificada?.
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONFLICTO
COGNITIVO

Como podría realizar la


estimación de los límites de
confianza de un material de
referencia interno (MRI)
preparado en el laboratorio, el
cual se utilizaría como parte del
control de calidad del método de
ensayo? https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
ESTIMACION DE PUNTOS E
DEL

INTERVALOS
ESTADÍSTICA BÁSICA

DISEÑO DE EXPERIMENTOS

ESTADÍSTICA DESCRIPTIVA INFERENCIA ESTADÍSTICA

CONTRASTE
ESTIMACIÓN
DE HIPÓTESIS

TIPOS DE TABLAS Y POR MÉTODOS MÉTODOS NO


PUNTUAL
VARIABLES GRÁFICAS INTERVALOS PARAMÉTRICOS PARAMÉTRICOS

T-STUDENT MANN
WHITNEY
MEDIDAS DE
POSICIÓN CENTRAL ANOVA
K-W
Y DE DISPERSIÓN
FISHER
LEVENE
BARTLETT

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
ESTIMACION DE PUNTOS E
DEL

INTERVALOS
Estimación Parámetros Población:
Puntual y por Intervalos
Estimación por
Estimación puntual
intervalos
• Un estimador puntual es • Aquí obtendremos un
simplemente un intervalo dentro del cual
estadístico (media estimamos (bajo cierta
aritmética, varianza, probabilidad) estará el
etc.) que se emplea parámetro poblacional
para estimar parámetros desconocido.
(media poblacional,
varianza poblacional,
etc.).

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
ESTIMACION DE PUNTOS E
DEL

INTERVALOS
Parámetros poblacionales y Estadísticos Muéstrales
Histograma de la Poblacion
160

140
Parámetros:
120 Media (m)

Frecuencia
Datos 100
Varianza(s2)
80
(Población de Interés) 60 Desv. Est. (s)

Inferencias
40

20
Etc.
0
-4 -2 0 2 4
Clases

Muestreo Histograma de la Muestra


16

14

12
  Estadísticos:
Frecuencia

10
Promedio ( )
Muestras 8

6 Varianza muestral(S2)
4

2
Desv. Est. muestral(S)
0
-4 -2 0 2 4
Etc.
Clases

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

ERROR ESTANDAR

DEFINICIÓN DE ERROR ESTÁNDAR


Diferencia entre el valor probable y los valores reales de la variable
dependiente

El error estándar puede  ALEATORIO


ser de dos tipos.
 SISTEMÁTICO

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

ERROR ESTANDAR

ERROR
ERROR ALEATORIO
SISTEMÁTICO
• Error inevitable que se • Error que se produce de igual
produce por eventos únicos modo en todas las mediciones
imposibles de controlar que se realizan de una
durante el proceso de magnitud
medición • Se contrapone al concepto de
• Puede disminuirse error aleatorio
aumentando el tamaño de la • Puede estar originado en un
muestra defecto del instrumento, en
una particularidad del
operador o del proceso de
medición,

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

TIPOS DE ERRORES

ERROR
SISTEMATICO

Produce un
desplazamiento
de la
distribución del
resultado Valor Resultado
verdadero individual
individual

ERROR
ALEATORIO

Produce una
alargamiento de
la distribución
del resultado
individual
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
DEL

TIPOS DE ERRORES
Puede ser detectado y luego corregido.

ERROR
SISTEMATICO Estudios de
Veracidad

Puede ser cuantificado y (en algunos casos) luego reducido.

Estudios de
ERROR Precisión
ALEATORIO

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA

Definición:
Un intervalo sobre el que podamos establecer que, con cierta probabilidad,
está contenido el parámetro poblacional desconocido.
En este contexto, el intervalo estimado recibe el nombre de intervalo de
confianza.
Límite inferior - L1
Límite superior - L2

Intervalo de =   Parámetros:
confianza
Media (m)
Varianza(s2)
Desv. Est. (s)
Nivel de Etc.
= 1- α
confianza

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA

Elegiremos probabilidades cercanas a la unidad

Lo decidimos nosotros:

Probabilidad
1-α = 0.95 α = 0.05
del 95%

Probabilidad
1-α = 0.90 α = 0.10
del 90%

Probabilidad
1-α = 0.99 α = 0.01
del 99%

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA

Intervalos de confianza para la media


Supongamos
  que se tiene una población con media desconocida µ y
varianza σ2. De esta población se toma una muestra aleatoria X1, X2,…., Xn
de tamaño n. La media muestral es un estimador puntual de la media
poblacional µ.

Puede obtenerse un intervalo de confianza del 100 (1-α)% para µ al


considerar la distribución de muestreo de la muestra muestral , la que es
normal si la población es normal.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA
Caso 1: Varianza (σ2) conocida
 Si es la media muestral de una muestra aleatoria de tamaño “n” de una
población con varianza conocida σ2, un intervalo de confianza para µ
del 100(1-α)% esta dado por:

 
x  z1 / 2    x  z1 / 2
n n
No obstante, hay que reconocer que en la práctica es poco probable que
se desconozca el valor de la media y sí se conozca el de la varianza, de
manera que la aplicación de este teorema es muy limitada.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA
Caso 1: Varianza (σ2) conocida
Ejemplo: calculemos el intervalo de confianza para la media (σ= 4 es
conocida) de las dos primeras muestras (usar nivel de confianza 0.95).

Muestra : 4,13,8,12,8,15,14,7,8  x  9.9; n  9


  1    0.95    0.05
x  z1 / 2    x  z1 / 2
n n z / 2  z0.025  1.96

4 4
IC  9.9  1.96    9.9  1.99   9.9  2.6
9 9
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA
Caso 2: Varianza (σ2) desconocida
  y S son la media y la desviación estándar de una muestra aleatoria de
Si
tamaño n, tomada de una distribución normal con varianza desconocida
σ2, entonces un intervalo de confianza para µ del 100(1-α)% esta dado por:

s s
x  tn 1(1 / 2 )    x  tn 1(1 / 2 )
n n
Donde t(1- α/2, n-1) es el punto crítico superior que corresponde al
porcentaje α/2 de la distribución “t” con (n-1) grados de libertad.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

INTERVALOS DE CONFIANZA
Caso 2: Varianza (σ2) desconocida
Ejemplo 2.- Determinar el intervalo de confianza al 95% de la
determinación de selenio en una muestra de arroz tostado, con los
siguientes resultados:

Repeti
ciones 1 2 3 4 5 6 7 8 9
Seleni
o ug/g 0.06 0.07 0.08 0.07 0.07 0.08 0.08 0.09 0.08

n9 t(1- α/2, n-1) = 2.306


S  0.0088
 0.088 0.088 
IC   0.076  2.306 x ,0.076  2.306 x 
  5%  9 9 
x  0.076 IC   0.06878,0.08233
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
TRABAJO APLICATIVO
TRANSFERENCIA

SESIÓN PRESENCIAL N° 2

Producto
Taller 3: Intervalos de confianza

Indicaciones:
Desarrolle los talleres. Para ello:
a. Calcule los intervalos de confianza para la media.
b. Seleccione los adecuados intervalos según el problema.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN

SESIÓN PRESENCIAL N° 2
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png

PUNTAJE
N° CRITERIOS DE EVALUACIÓN
MÁXIMO
Taller 3: Planteamiento y resolución del taller de intervalos 20
1.   de confianza

Puntaje total:  20

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONCLUSIONES
Conclusiones

CONCLUSIONES

 ¿Qué diferencias encuentras entre lo que has


aprendido sobre los temas tratados en la clase y tus
conocimientos previos?

 ¿En qué situación podrías aplicar lo aprendido en tu


entorno laboral?

https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

SESIÓN PRESENCIAL N° 3

TEMARIO SESIÓN PRODUCTO DE


PRESENCIAL N° 3 APRENDIZAJE ESPERADO
5. INTRODUCCION A LOS Taller 4
CONTRASTES DE HIPOTESIS - Prueba de Hipótesis
• Definición
• Hipótesis unilateral y bilateral
• Prueba de Hipótesis referente a
de una media – T 1muestra
• Prueba de Hipótesis para dos
medias
• Prueba F-Fischer
• Prueba de Bartlett

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


SABERES
PREVIOS

De que forma puedo demostrar


que los resultados de dos
analistas son iguales al 95%.

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONFLICTO
COGNITIVO

Si los datos de una muestra


presentan distribución No
Normal, se podrá utilizar el T-
Student 1 muestra?

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

CONTRASTE DE HIPÓTESIS
ESTADÍSTICA BÁSICA

DISEÑO DE EXPERIMENTOS

ESTADÍSTICA DESCRIPTIVA INFERENCIA ESTADÍSTICA

CONTRASTE
ESTIMACIÓN
DE HIPÓTESIS

TIPOS DE TABLAS Y POR MÉTODOS MÉTODOS NO


PUNTUAL
VARIABLES GRÁFICAS INTERVALOS PARAMÉTRICOS PARAMÉTRICOS

T-STUDENT MANN
WHITNEY
MEDIDAS DE
POSICIÓN CENTRAL ANOVA
KRUSKAL-WALLIS
Y DE DISPERSIÓN
FISHER
LEVENE

BARTLETT WILCOXON

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

CONTRASTANDO UNA
DEL

HIPÓTESIS
Son
demasiados...

No sé si los
fumadores pesarán
como el resto…
unos 70Kg (hipótesis
nula)...
Muestra
aleatoria de ¡Gran
fumadores diferencia!

X  85 kg Rechazó la
hipótesis
http://www.dianliwenmi.com/postimg_15175
507.html

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEFINICIÓN DE INFERENCIA
DEL

ESTADÍSTICA

Métodos empleados para sacar conclusiones a partir de una muestra y


extenderlas a una población

En la Inferencia Estadística, a diferencia que en la


Estimación, primero se formula una hipótesis y
¡IMPORTANTE! después se comprueba su veracidad, aceptando o
rechazando dicha hipótesis

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
MÉTODO DE CONTRASTE DE
DEL

HIPÓTESIS
• Expresar el interrogante de la investigación como una hipótesis
estadística:
Paso 1 Ho: “No hay diferencia”

• H1: “Hay diferencia”

• Decidir sobre la prueba estadística adecuada


• ¿CÓMO?
Paso 2 •
Según la población y el tipo de variables

• Seleccionar grado de significación para la prueba estadística.


Paso 3 Grado de significación = alfa = probabilidad de rechazar de manera

incorrecta H0 cuando sea cierta (normalmente 0.05, 0.01, 0.001)

Paso 4 • Realizar los cálculos y exponer conclusiones

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados. 54


CONSTRUCCIÓN

CONOCIMIENTO

REGIÓN CRÍTICA Y
DEL

NIVEL DE SIGNIFICACIÓN
Región crítica Nivel de significación: α
• Es el conjunto de valores del estadístico • Número pequeño: 1% , 5%
de contraste que nos induce a rechazar • Fijado de antemano por el investigador
la hipótesis nula • Es la probabilidad de rechazar H0
• Es conocida antes de realizar el cuando es cierta, probabilidad de
experimento: resultados experimentales cometer un error del tipo I.
que refutarían H0

a=5%

Reg. Crit. Reg. Crit.


Región de Aceptación
a/2 a/2
1-a
No rechazo Ho

H0: m =70

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

CONTRASTES:
DEL

UNILATERAL Y BILATERAL

La posición de la región crítica depende de la hipótesis alternativa

Bilateral H1: m¹70

1-a
a/2 a/2

Unilateral Unilateral

a 1-a 1-a a

H1: µ<70 H1: µ>70

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
HIPÓTESIS UNILATERALES
DEL

Y BILATERALES

• PRUEBA BILATERAL: Una prueba de cualquier hipótesis, tal como:


– Ho:  = o
– H1:   o

• PRUEBA UNILATERAL: Muchos problemas de prueba de hipótesis


involucran de manera natural hipótesis alternativas unilaterales, tales
como:
– Ho:  = o
H1:  > o
ó
– Ho:  = o
H1:  < o

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

TIPOS DE ERRORES EN
DEL

LA PRUEBA DE HIPÓTESIS
• Error Tipo I
– Se rechaza una hipótesis Ho que es verdadera.
– La probabilidad de error tipo I viene a ser la probabilidad de rechazar la Ho
verdadera.
– P(Error tipo I) = α

• Error Tipo II
– Se acepta una hipótesis Ho que es falsa, la probabilidad de error tipo II es la
probabilidad de aceptar una Ho que es falsa.
– P(Error tipo II) = β

Aceptar Ho Rechazar Ho

Ho es cierta No hay error Error I (α)

Ho es falsa Error II (β) No hay Error (1-β)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

PRUEBA DE HIPÓTESIS

El valor de significancia o nivel de significancia de la prueba, por


consenso se ha establecido como de p= 0.05 (5%) o p= 0.01 (1%),
si p es mayor se acepta la hipótesis nula si es menor se rechaza.

Ho:  = o
H1:   o

Ho:  = o
Ejemplo de hipótesis:
H1:   o

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA

 
Supongamos que se tiene una población normal de la cual se extrae
una muestra aleatoria descrita por X1,X2,….,Xn. Como estimador de la
media poblacional se usara la media muestral que, en una muestra
en particular tomara el valor de .
A continuación se describen los contrastes de hipotesis para la media
de la población.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA

Datos
(Población de Interés) DISTRIBUCION NORMAL

Muestreo

   

Muestras

T-STUDENT

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA

Prueba T-Student
La prueba t-Student se utiliza para contrastar hipótesis sobre medias
en poblaciones con distribución normal. También proporciona
resultados aproximados para los contrastes de medias en muestras
pequeñas cuando estas poblaciones no se distribuyen normalmente
(aunque en este último caso es preferible realizar una prueba no
paramétrica).

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA
Prueba T-Student
T experimental : Se compara la media perteneciente a un conjunto
“n” de datos con un valor de referencia dado (varianza
desconocida).

texperimen ta l 
 x   n g.l= n-1

s
T tabla : Se determina de la siguiente ttabla  t 
manera:  n 1,1 
 2
NO Existe diferencia significativas si :

texp erimental t tabla


© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA

Contraste para la media con muestras


pequeñas

Cuadro 8.5. Contraste para la media con muestras pequeñas, En Apuntes de Estadística para Ingenieros (P.158), Saenz, A, 2012.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA
(Prueba de T-Student) – Para 1 muestra
independiente
Ejemplo: Para evaluar un método espectrofotométrico con el fin de
determinar titanio, se aplicó el método a muestras de aleaciones
conteniendo una cantidad certificada de titanio. El resultado (%Ti) se
muestra a continuación:
Para la aleación pruebe si los valores obtenidos difieren de su valor
certificado al 95% de confianza.  N° Muestra
 1 0.992
 2 0.986
 3 1.056
 4 1.003
 5 1.006
 6 1.013
 7 0.991
 8 0.988
Valor
Certificado 0.995
(V.C.V)
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE UNA
DEL

MEDIA
(Prueba de T-Student) – Para 1 muestra
independiente
Al tratarse de varianzas desconocidas se emplea el siguiente estadístico
de prueba

tex perimental 
 x    1.0044  0.995
  1.226
s/ n 0.0229 / 9
Este valor debe ser comparado con t   2.306
( n 1,1 )
2

Como texp < t tabla = 1.226 < 2.306, se acepta la hipótesis nula, es
decir los resultados obtenidos son comparables al valor del certificado.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE DOS
DEL

MEDIAS

PRUEBA T-STUDENT PARA 2 MUESTRAS


INDEPENDIENTES
Estadístico de Contraste : tcalculado 
 x1  x2 
Suponiendo igualdad de Varianzas: 1 1
s   
2
p
 n1 n2 
Donde :


s2  1
n  1 S1
2
  n2  1 S 2
2
p Donde: sp es la varianza ponderada
n1  n2  2

Y además el valor de t de tabla es obtenido a partir de la distribución


de T Student para (n1 + n2 – 2) grados de libertad

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE DOS
DEL

MEDIAS
PRUEBA T-STUDENT PARA 2 MUESTRAS
INDEPENDIENTES
tcalculado 
 x1  x2 
Estadístico de Contraste :
s12 s22
Suponiendo Varianzas distintas: 
n1 n2
 
 2 2

 2

  S1  S 2  
Donde los grados de libertad   n1 n2  
de t de tabla es obtenido de g.l   2 2 
2
  S1   S 2  
2 2
acuerdo a :
  n   n  
 1    2  
 n1  1 n2  1 
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA DE HIPÓTESIS DE DOS
DEL

MEDIAS
Ejem: Se prepararon 4 soluciones estándar, cada una conteniendo un 16%
de cloruro calculado por pesada. Para analizar cada disolución estándar se
emplearon DOS métodos de titulación, cada uno con una forma diferente de
determinar el punto final. El orden de los experimentos fue aleatorio. (Asumir
varianzas iguales).
Los resultados del cloruro (%W/W) se muestran a continuación :
Método
Solución M1 M2
1 16.03 16.13
2 16.05 16.13
3 16.02 15.94
4 16.12 15.97

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

TEST DE F-FISCHER
Comparación de varianzas de dos conjuntos
de datos
Este test es útil para comparar las posibles diferencias entre los
parámetros de dispersión de dos series. El estadístico que se utiliza es el
F de Fischer, a partir del cual se evalúa las varianzas de dos conjuntos de
datos. Es útil para corroborar lo que se asume al aplicar los test de t-
student, cuando se dice que para aplicar un test de t-student se asume
que las varianzas son homogéneas o que las dispersiones son similares.
Aplicación:
a. Comprobación de la probable diferencia de varianza (precisión) entre
dos analistas, aplicando el mismo método, utilizando el mismo equipo y
sobre la misma muestra.
b. Comprobación de la probable diferencia de varianza (precisión) entre
dos equipos, ejecutando el mismo método por el mismo analista y
sobre una misma muestra.
Se aplica la presente expresión matemática

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA F
DEL

(COMPARACIÓN DE VARIANZAS)

Comparación de varianzas de dos conjuntos


de datos
GRUPO 1 Grupo 2

Muestra
Repetición 1 Repetición 1

Repetición 2 Repetición 2
Repetición 3
Repetición 3
Repetición 4
Repetición 4 ...
...
Repetición n
Repetición n
Se determina por :
Prueba F.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
PRUEBA F
DEL

(COMPARACIÓN DE VARIANZAS)
Hipótesis Bilateral

 12  12
H0 : 2  1 H1 : 2  1
2 2

 S 
Estadístico Donde:
1 2
S 1
n 1 
= varianza estándar del
2

f  n 1

S 
conjunto “n1” de datos
2 2
S  2
n 1= desviación estándar del
2

n 1 conjunto “n2” de datos

NO Existe diferencia significativa si (Se Acepta Ho) :

f  1   / 2, n1  1, n2  1; / 2, n1  1, n2  1

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

PRUEBA DE BARTLETT

Esta prueba es la que se utiliza con más frecuencia para probar la


homogeneidad de las varianza.
Se asume que los datos presentan Distribución normal.
Para n grupos individuales ≥3

A B C
0.96530 0.96555 0.96657 Se tiene 10 datos Hg de 3
0.96705 0.97319 analistas, analizados en una
0.97012
0.96490 0.96970 muestra de mineral. Se asume que
0.97230
los datos presentan distribución
0.96960 0.97064 0.97012
normal.
0.96979 0.96597 0.97050
0.96618 0.96901 0.96840
0.96598 0.96970 0.96899
0.96725 0.96900 0.96876
0.97083 0.96887 0.97065
0.96912 0.96957 0.96999

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

PRUEBA DE BARTLETT

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


TRABAJO APLICATIVO
TRANSFERENCIA

SESIÓN PRESENCIAL N° 3

Producto:
Taller 4: prueba de hipótesis

Indicaciones:
Desarrolle los talleres, para ello:
a. Calcule las prueba de hipótesis de una media – T1muestra.
b. Calcule la prueba de Hipótesis de dos medias – T 2 muestras, F Fischer.
c. Calcule la prueba de F Fischer.
d. Calcule la prueba de Bartlett.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN

SESIÓN PRESENCIAL N° 3
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png

PUNTAJE
N° CRITERIOS DE EVALUACIÓN
MÁXIMO
Taller 4: Planteamiento y resolución del taller de prueba 20
1.   de hipótesis (T-1 muestra, t-2 muestras, F-Fischer,
Bartlett)
Puntaje total:  20

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONCLUSIONES
Conclusiones

CONCLUSIONES

 ¿Qué diferencias encuentras entre lo que has


aprendido sobre los temas tratados en la clase y tus
conocimientos previos?

 ¿En qué situación podrías aplicar lo aprendido en tu


entorno laboral?

https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

SESIÓN PRESENCIAL N° 4

TEMARIO SESIÓN PRODUCTO DE


PRESENCIAL N° 4 APRENDIZAJE ESPERADO
EVALUACION ATIPICOS Taller 5
 Evaluación de Atipicidad - Evaluación de atipicidad
(Grubbs y Cochran)  
 Prueba Gráfica de H y K Taller 6
mandel - Análisis de Varianza de 1 factor y
2 factores
TEMA 4
7. ANALISIS DE LA VARIANZA
 Varianza de 1 Factor

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


SABERES
PREVIOS

Conocen algún estadístico que se


utilice para evaluar datos atípicos
de un conjunto de datos?

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONFLICTO
COGNITIVO

Se realizo el siguiente experimento para


evaluar el crecimiento del Frijol,
podemos determinar que variable influye en
el crecimiento del frijol?
Crecimiento del Frijol
Fertilizante Tipo de suelo Cantidad del agua Altura del frejol
FER1 Franco Arcilloso 200 ml 10 cm
FER1 Franco Arcilloso 220 ml 10.5 cm
FER1 Franco Arenoso 240 ml 13 cm
FER1 Franco Arenoso 260 ml 13.1
FER2 Franco Arcilloso 280 ml 13.5
FER2 Franco Arcilloso 300 ml 14.5
FER2 Franco Arenoso 320 ml 14.6
FER2 Franco Arenoso 340 ml 14.6 https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

EVALUACIÓN DE ATIPICIDAD
DEL

Sea : x1, x2, x3, …, xn, una muestra aleatoria de n observaciones de una
población univariante, siendo la media muestral y s la desviación
estándar muestral
Como ayuda a la decisión sobre si un dato es o no atípico, se dispone de

1. Prueba de Cochran
2. Prueba de Grubbs
_

81
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
EVALUACIÓN DE ATIPICIDAD

Prueba de Grubbs
La prueba de Grubbs (Grubbs 1969 y Stefansky 1972) se utiliza para
detectar valores extremos en los datos de una variable.

 Se define para la hipótesis:


Ho: No hay datos extremos en los datos
H1: Hay, por lo menos, un dato extremo en los datos

Se define el estadístico de prueba de Grubbs como:


Donde = media y S=Desviacion estándar y X1= valor Min y Xn = Valor
máximo.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


EVALUACIÓN DE ATIPICIDAD

Prueba de Grubbs
Técnica numérica para valores atípicos
1. Luego se aplica el siguiente criterio de decisión:
a) Si G estadística de prueba es menor o igual a su valor crítico de 5%, el ítem
probado es aceptado
b) Si G estadística de la prueba es mayor que su valor crítico de 5% y menor o
igual a su valor crítico de 1% al ítem probado, se le llama rezagado o
dudoso.
c) Si G estadística de la prueba es mayor que su valor crítico de 1% al ítem
probado, se le llama atípico.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

EVALUACIÓN DE ATIPICIDAD
DEL

PRUEBA DE COCHRAN
• Esta prueba se utiliza para identificar una variación atribuiblemente alta
dentro de un subgrupo de datos, cuando se comparan varios subgrupos
de datos.
• El criterio de Cochran aplica solamente cuando todas las desviaciones
estándar se obtiene del mismo número (n) de resultados de prueba
obtenidos bajo condiciones de repetibilidad.
• Evalúa el valor más alto en un grupo de desviaciones estándar y es por
lo tanto una prueba sesgada.
• La prueba estadística de Cochran se realiza mediante el estadístico Ci
que es calculado según la expresión:

s L2 max
Ci  p

 L ,i
s 2

i 1

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

EVALUACIÓN DE ATIPICIDAD
DEL

PRUEBA DE COCHRAN
s 2
: es la varianza máxima en el grupo de p laboratorios participantes
L max en la prueba interlaboratorios

s 2 :varianza de la repetibilidad en un laboratorio y se obtiene


L ,i mediante la expresión:

n _

 k
( x  x i ) 2

s L2 ,i  k 1
n 1

n : número de resultados de la prueba en un laboratorio.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

EVALUACIÓN DE ATIPICIDAD
DEL

PRUEBA DE COCHRAN
Criterios:
• Si el estadístico de la prueba es menor o igual al valor crítico de 5 % el ítem
es aceptado como correcto.
• Si el estadístico es mayor que el valor crítico de 5% y menor o igual al valor
crítico de 1% al ítem se le llama rezagado.
• Si el estadístico es mayor que el valor crítico de 1% al ítem es llamado valor
estadístico atípico.
Se aplica estrictamente sólo cuando todas las desviaciones estándar se derivan
del mismo número (n) de resultados de ensayos obtenidos bajo condiciones de
repetibilidad.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
TÉCNICA GRÁFICA DE
DEL

CONSISTENCIA -MANDEL

Para la evaluación de consistencia de los resultados se hace uso de dos


estadísticos denominados

h de Mandel: evalúa la consistencia de resultados entre laboratorios


k de Mandel: Evalúa la consistencia de resultados dentro del laboratorio

nij
1
yij  ( ) yijk
nij
1
sij  ( ) ( yi jk  yij ) 2
nij k 1 ni j  1 k 1

Media yij desviación estándar “sij”

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
TÉCNICA GRÁFICA DE
DEL

CONSISTENCIA -MANDEL

1. Se determina “h” de Mandel para cada celda según:

yij  y j p
hij   yji
1 yj 
pi
i 1
( ) ( y ij  y j ) 2
p j  1 i1 p
2. Se grafica los valores de hij de cada celda, para cada laboratorio,
agrupándolos por nivel de concentración, teniendo en cuenta que si:
hij calculado < hij crítico (tabulado)
entonces los valores del conjunto de datos son consistentes entre
laboratorios.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
TÉCNICA GRÁFICA DE
DEL

CONSISTENCIA -MANDEL

1. Se determina “k” de Mandel para cada celda según:

sij p j
kij  pj

s
2
ij
i 1

2. Se grafica los valores de kij para de cada celda, para cada laboratorio,
agrupándolos por nivel de concentración, teniendo en cuenta que si:
kij calculado < kij crítico (tabulado)
entonces los valores del conjunto de datos son consistentes dentro del
laboratorio.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
TÉCNICA GRÁFICA DE
DEL

CONSISTENCIA -MANDEL

Criterios:
a. Si la estadística de prueba menor o igual a su valor crítico de 5%, el
ítem probado es aceptado
b. Si la estadística de la prueba es mayor que su valor crítico de 5% y
menor o igual a su valor crítico de 1% al ítem probado, se le llama
rezagado.
c. Si la estadística de la prueba es mayor que su valor crítico de 1% al
ítem probado, se le llama atípico.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

PRUEBA DE ANOVA

¿Y si queremos estudiar la influencia de más de un factor?

ANOVA

 El término “factor” se refiere a la variable por la cual se


forman los grupos

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

PRUEBA DE ANOVA

Prueba de hipótesis para probar la igualdad de


medias de varias poblaciones para un factor
Herramienta estadista que analiza la varianza de un factor para una variable
dependiente cuantitativa.
Dependientes: en este campo se introduce la variable respuesta a analizar
Factor: aquí se introduce la variable de clasificación, que ha de ser categórica

Objetivo:
Contrastar la hipótesis de que varias medias (<2) son iguales (H0)

Prueba de Hipótesis
Ho : μ1=μ2= μ3=………….= μn
H1: al menos dos de las medias son diferentes

92
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
DEL

ANOVA - CONDICIONES

Para poder aplicar correctamente el análisis de varianza es necesario


que las p poblaciones de partida cumplan las siguientes condiciones:

1. Todas las poblaciones “p” presentan distribución Normal – esta


prueba puede constrastarse con un test de Kolmogorv –Smirnov o
anderson darling

2. Todas las poblaciones tiene la misma varianza σ2 puede


constrastarse con una prueba de F-Fischer, Bartlet

3. Las p muestras han de ser elegidas aleatoriamente

4. P Muestras Independientes

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados. 93


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA UN
DEL

FACTOR

Diseño completamente aleatorizados


Supongamos que el experimentador cuenta con los resultados de k muestras
aleatorias independientes, cada una de tamaño n, de ka diferentes
poblaciones (esto es, datos relativos a k tratamientos, k grupos, k métodos de
producción, etc.) y le interesa probar la hipótesis de que las medias de esas k
poblaciones son todas iguales

Tratamiento
Tratamiento 1 Tratamiento 2 ….. Tratamiento k Total
/muestra
1 Y 11 Y 21 ….. Yk1 Y.1
2 Y 12 Y 22 ….. Yk2 Y.2
3 Y 13 Y 23 ….. Yk3 Y.3
. . . ….. . .
. . . ….. . .
. . . ….. . .
n Y 1n Y 2n ….. Ykn Y.n
TOTAL Y 1. Y 2. ….. Y k. Y..

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA UN
DEL

FACTOR
El modelo para un experimento de un factor es:

yij = µ + αi + Ɛij para i =1 ,2,…., k; j=1,2,….n

Donde:
yij: La j-esima observacion en la i-esima muestra
µ : Parametro de la media poblacional
αi : Efecto del i-esimo tratamiento
Ɛij: Error aleatorio asociados a la observacion yjj.
Ɛij N(0,σ2)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA UN
DEL

FACTOR
Veamos el Siguiente Ejemplo:
Factor: Analista
N Analista -1 Analista -2 Analista -3
1 2.483 2.483 2.493 X 11 X 1j
2 2.502 2.502 2.443 X 31 X 3j
3 2.483 2.473 2.513
…. …
4 2.502 2.512 2.512 X 101 X 103
5 2.512 2.522 2.523
n
1 j
y j  ( ) xij
6 2.533 2.493 2.512
7 2.493 2.512 2.483
8
n j i1
2.513 2.513 2.483
9 2.503 2.453 2.493 Media del Analista 1
10 2.472 2.493 2.490
n 10     y1  24.996
p 3    

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA UN
DEL

FACTOR
Cálculo de los estadísticos por columna:
Grupos Cuenta Suma Promedio (Y) Desviación Varianza
Estándar (S) (S2)
analista -1 10 24.996 2.4996 0.017728 0.0003
analista -2 10 24.956 2.4956 0.021282 0.0005
analista -3 10 24.945 2.4945 0.022873 0.0005

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA UN
DEL

FACTOR
Solución del Ejemplo: TABLA DE VARIANZA

Origen de Promedio de Valor


Grados de Suma de Fc
las los crítico
libertad cuadrados
variaciones cuadrados para F
Entre
2 0.0001 0.00007 0.1675 3.354
grupos
Dentro de
27 0.0116 0.00043    
los grupos

Total 29 0.0118      

Las reglas de decisión son las siguientes:


Se acepta la hipótesis nula si Fc < F crítico

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA UN
DEL

FACTOR

Decisión:
Puesto que el valor del P-Value ( 0.000 ) es menor que el valor
del nivel de significancia (0.05) podemos concluir que al menos
una condición es distinta al resto de ellas.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES

Cuando se identifican dos o más factores que actúan tanto de manera


aislada como de forma conjunta en la variable respuesta, es preferible
analizar el modelo como un diseño factorial con dos o más factores
Terminología usada

Respuesta: es el nombre genérico que se da a la característica


estudiada.

Factores: se designa de esta forma a las variables que se considera


puedan afectar a la respuesta.

Niveles: son los valores que toma un factor en un determinado


experimento.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES
El modelo para un experimento de dos factores es

Donde:
yij : Variable respuesta
μ : Es la gran media
αi : Es el efecto en el nivel i-ésimo del factor A.
βij : Es el efecto en el nivel j-ésimo del factor B.
αβij : Es el efecto de la interacción.
εij : Es el error aleatorio correspondiente a la
observación yij .
N: Es el número de réplicas

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES
Ejemplo:
Para determinar las condiciones óptimas para un baño de galvanoplástico, los
efectos de la concentración de sulfato y la de la temperatura del baño sobre la
reflectividad del metal revestido se estudian en un experimento factorial 2x5.
Los resultados de tres réplicas son los siguientes:

Factores

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES
Del ejemplo: Analice esos resultados y determine la condición o condiciones
del baño que producen la máxima capacidad de reflexión.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES
Tabla Resumen.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

PRUEBA DE VARIANZA DE
DEL

DOS FACTORES
Resultados

Fuente GL SC CM F P
Concentración 1 616.53 616.533 44.04 0
Temperatura 4 591.2 147.8 10.56 0
Interacción 4 196.13 49.033 3.5 0.025
Error 20 280 14    
Total 29 1683.87      

Decisión:
Puesto que el valor del P-Value ( 0.000 ) es menor que el valor del nivel de
significancia (0.05) podemos concluir que el factor concentración y
temperatura sí influyen.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


TRABAJO APLICATIVO
TRANSFERENCIA

SESIÓN PRESENCIAL N° 4

Producto:
Taller 5: Evaluación de atipicidad
Taller 6: Análisis de Varianza 1 factor
Indicaciones:
Desarrolle los talleres. Para ello:
a. Calcule la prueba Grubbs y Cochran.
b. Calcule la prueba grafica de H y K mandel.
c. Calcule la prueba de Anova de 1 factor y 2 factores.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN

SESIÓN PRESENCIAL N° 4
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png

PUNTAJE
N° CRITERIOS DE EVALUACIÓN
MÁXIMO
Taller 1: Evaluación de atipicidad 10
1.  

Taller 2: Análisis de Varianza de 1 factor y 2 factores 10


2. 

Puntaje total:  20

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONCLUSIONES
Conclusiones

CONCLUSIONES

 ¿Qué diferencias encuentras entre lo que has


aprendido sobre los temas tratados en la clase y tus
conocimientos previos?

 ¿En qué situación podrías aplicar lo aprendido en tu


entorno laboral?

https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

SESIÓN PRESENCIAL N° 5

TEMARIO SESIÓN PRODUCTO DE


PRESENCIAL N° 5 APRENDIZAJE ESPERADO
7. ANALISIS DE LA REGRESION Taller 7
• Regresión Lineal Simple - Regresión lineal, demostración de
• Supuestos de la regresión los supuestos de la regresión
• Inferencias sobre el modelo de
regresión
• Análisis de la varianza de la
Regresión

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


SABERES
PREVIOS

Como podemos relacionar dos


variables (x,y).

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONFLICTO
COGNITIVO

Demostrar los supuestos de la


regresión lineal?

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

ANALISIS DE REGRESION

Regresión Lineal Simple


• Regresión: conjunto de técnicas que son usadas para establecer una
relación entre una variable cuantitativa llamada variable dependiente
y una o más variables independientes, llamadas predictoras.
Estas también deberían ser cuantitativas, sin embargo algunas de
ellas podrían ser cualitativas.

• Modelo de regresión. Ecuación que representa la relación entre las


variables.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

ANALISIS DE REGRESION

Finalidad Modelo

Estimar los valores de y (variable


dependiente) a partir de los valores de y   0  1 x  
x (variable independiente)

y

e
Ordenada en
el origen
(intercepto) b =tg q coeficiente de regresión
q (pendiente)
a

x
© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.
CONSTRUCCIÓN

CONOCIMIENTO
MODELO DE REGRESIÓN
DEL

LINEAL SIMPLE

El modelo de regresión lineal simple supone que,

y   0  1 x  
Y = es el valor de la variable dependiente
βo = es el intercepto, donde cruza el eje Y

β1= beta es la pendiente o inclinación


u = representa el error para la observación i-esima que se asume normal

ui ͠ N(0,σ )

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
CONTRASTE DE LA
DEL

REGRESIÓN

Estimación del Residuo

 .

 Diferencia entre el valor de la variable respuesta y su estimación


se llama residuo (Ɛ).

Fig 17.2 Diferencia entre el valor observado yi y el valor ajustado yi *., En


Estadística Básica (P.187), Gorgas, J., 2009.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
SUPUESTOS DE LA
DEL

REGRESIÓN LINEAL
Los principales supuestos que se hacen en el análisis de regresión lineal son
los siguientes:
• Lineal: La relación entre las variables Y y X es lineal, o al menos bien
aproximada por una línea recta.
y   0  1 X  
• Homocedasticidad: El término de error  tiene varianza constante 2.

Var ( i )   2  cte
• Independencia: Las observaciones Ɛ son independientes, (los errores no
están correlaciones)

Cov( i ,  j )  0, siendoi  j
• Normalidad: Los errores están normalmente distribuidos.
Ɛ ͠ N(0,σ2 )

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
SUPUESTOS DE LA
DEL

REGRESIÓN LINEAL

• Linealidad: La relación entre las variables Y y X es lineal, o al


menos bien aproximada por una línea recta.

https://campusvirtual.univalle.edu.co/moodle/pluginfile.php/380225/mod_resource/content/0/Clases/Su
puestos_del_modelo.pdf

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
SUPUESTOS DE LA
DEL

REGRESIÓN LINEAL

• Homocedasticidad: La dispersión de los datos debe ser


constante para que los datos sean homocedásticos.

Var ( i )   2  cte

https://es.wikipedia.org/wiki/Homocedasticidad#/media/File:Homocedastico.JPG

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
SUPUESTOS DE LA
DEL

REGRESIÓN LINEAL

• Normalidad: Se asume que los datos son normales a priori.

Ɛi Ɛ

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
SUPUESTOS DE LA
DEL

REGRESIÓN LINEAL

• Independencia: Los errores son independientes unos de


otros, es decir, la magnitud de un error no influye en absoluto en
la magnitud de otros errores.

Grafico de los
residuos frente al
tiempo, (t, Ɛt)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

ESTIMACIÓN DE LOS
DEL

PARÁMETROS DEL MODELO

En el modelo de regresión lineal simple hay tres parámetros que se deben


estimar: los coeficientes de la recta de regresión, βo y β1 y la varianza de la
distribución normal σ2, para calcular se aplica el método de mínimos
cuadrados

El método consiste en minimizar la suma de los cuadrados de las


distancias verticales entre los datos y las estimaciones, es decir, minimizar
la suma de los residuos al cuadrado,

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

INFERENCIAS SOBRE
DEL

EL MODELO DE REGRESION
• Usando intervalos de confianza podemos obtener una medida de la
precisión de dichas estimaciones.
• Usando contrastes de hipótesis podemos comprobar si un
determinado valor puede ser el auténtico valor del parámetro.

1.-Contraste sobre la pendiente (β1):

Intervalo de Confianza para la


Pendiente

Siendo SR2 = Varianza Residual

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

INFERENCIAS SOBRE
DEL

EL MODELO DE REGRESION
2.-Contraste sobre el Intercepto (β0):

Intervalo de Confianza para la el


intercepto

Siendo SR2 = Varianza Residual

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

INFERENCIAS SOBRE
DEL

EL MODELO DE REGRESION
3.-Contraste sobre el coeficiente r

r n2
t0 
1 r 2
Si t0  t / 2,n  2 se rechaza la hipótesis Ho, indicando que existe una correlación
significativa
Intervalo de Confianza para el
coeficiente r (σ)

Siendo SR2 = Varianza Residual

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
EVALUACIÓN DE LA
DEL

REGRESIÓN LINEAL

Análisis de varianza
Para probar la significancia de una regresión puede utilizarse el método
del análisis de varianza. El procedimiento particiona la variabilidad total en
la variable de respuesta en dos componentes:

Los dos componentes del lado derecho de la ecuación miden,


respectivamente, la cantidad de la variabilidad en y¡ tomada en cuenta por
la recta de regresión (suma de los cuadrados de la regresión) y la
variación residual que queda sin explicar por la recta (suma de los
cuadrados de los errores).
De manera simbólica, podemos escribir la ecuación anterior como:

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
EVALUACIÓN DE LA
DEL

REGRESIÓN LINEAL

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
EVALUACIÓN DE LA
DEL

REGRESIÓN LINEAL

Demostrar en el análisis de varianza de la regresión que los


coeficientes lineales son significativos.

Analysis of Variance

Source DF SS MS F P
Regression 1 0.28417 0.28417 3091.96 0.000
Residual Error 4 0.00037 0.00009
Total 5 0.28453

Decisión:
Puesto que el valor del P-Value ( 0.000 ) es menor que el valor del nivel de
significancia (0.05), podemos concluir que el parámetro B1 es significativo
que es el caso de Fcal > Ftabla

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


TRABAJO APLICATIVO
TRANSFERENCIA

SESIÓN PRESENCIAL N° 5

Producto:
Taller 7: Regresión lineal, demostración de los supuestos de la regresión

Indicaciones:
Desarrolle los talleres. Para ello:
a. Calcule el modelo de regresión lineal simple y demostrar los supuestos de
linealidad.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN

SESIÓN PRESENCIAL N° 5
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png

PUNTAJE
N° CRITERIOS DE EVALUACIÓN
MÁXIMO
Taller 7: Regresión lineal, demostración de los supuestos 20
1.   de la regresión

Puntaje total:  20

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONCLUSIONES
Conclusiones

CONCLUSIONES

 ¿Qué diferencias encuentras entre lo que has


aprendido sobre los temas tratados en la clase y tus
conocimientos previos?

 ¿En qué situación podrías aplicar lo aprendido en tu


entorno laboral?

https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


GENERACIÓN DE
EXPECTATIVAS

SESIÓN PRESENCIAL N° 6

TEMARIO SESIÓN PRODUCTO DE


PRESENCIAL N° 6 APRENDIZAJE ESPERADO

8. GRAFICO DE CONTROL Taller 8


• Interpretación - Gráficos de Control por Variables
• Tipos de Gráficos de control por
Variables
• Grafico Individual
• Gráficos de Rango y desviación

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


SABERES
PREVIOS

Para evaluar la variabilidad de los


datos de un proceso en el tiempo,
que herramienta podemos utilizar.

https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONFLICTO
COGNITIVO

Que tipo de grafica de control, se


elaboraría a partir una serie de
30 datos recolectada de una
muestra de control de calidad de
valor conocido (MRI) y analizada
por duplicado.
https://www.linkedin.com/pulse/115-ideas-
en-15-minutos-antonio-j-ramirez

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL
Se puede utilizar las gráficas de control para rastrear las estadísticas del
proceso durante un tiempo y para detectar la presencia de causas
especiales.
Calcular los Límites de Control
• Línea central en el promedio de la estadística por opción predeterminada
• Límite de control superior , 3σ por encima de la línea central por opción
predeterminada
• Límite de control inferior , 3σ por debajo de la línea central por opción
predeterminada

Fuente: NTC-ISO 8258 Graficas de control de Shewhart (1995)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Procedimiento A. Para número de observaciones n= 2, 3, 4…

Elaboración Anal. FECHA 


N ° OBSERVACIONES
X1 X2 X3 X4 X5
Recolección de datos: A1 dd/mm/aa
• MRC / MR / STD sintéticos: A2 .

• Hacer los ensayos respectivos . .


. .
• Estos ensayes deben ser . .
realizados por ≠ analistas y en ≠ An . Xn1 Xn2 Xn3 Xn4 Xn5
días.
• Cantidad de datos recomendado B. Para número de observaciones n = 1
20 a 30 datos por elemento o FECHA Nº OBSERVACIONES
Anal.
analito.
A1 dd/mm/aa X1

A2 . X2

. . X3

. . .

An . Xn

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Limites de Control Superior


+3 S LCS

Limites de Advertencia Superior


+2 S
LAS

+1 S
Valor

_
X

-1S

-2 S LAI
Limites de Adevertencia Inferior

-3S LCI
Limites de Control Inferior

Observaciones

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Interpretación Gráficos de Control


Uno o más puntos por encima o por debajo de
los límites de control
LCS
Se considera LCS

que el
procedimiento
analítico se LCI
LCI
encuentra fuera
de control, o que Nueve o más puntos consecutivos por encima o
ha cambiado por debajo de los promedios
significativament
LCS
e, cuando hay: LCS

LCI LCI

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Interpretación Gráficos de Control


Seis o más puntos consecutivos de tendencia
Se considera que creciente y decreciente
el procedimiento
analítico se LCS LCS

encuentra fuera
de control, o que
ha cambiado
significativa- LCI LCI

mente, cuando
hay:

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Tipos de gráficos de control para variables


  consideran los siguientes gráficos de control.
Se
1. Grafico del Promedio y grafico del rango (R) o de desviación estándar
(S).
2. Gráficos de observaciones individuales (X) y de rango movil (R)
3. Grafico de mediana (Me) y Grafico de rango (R)

Los gráficos de control de variables son especialmente útiles por varias


razones.
a) La mayoría de los procesos y su producción tienen características que son
medibles, por lo cual el potencial de aplicabilidad es amplio.
b) Un valor de medición contiene mas información que una simple afirmación
de si o no.
c) El desempeño de un proceso se puede analizar sin tener en cuenta la
especificación. Los gráficos comienzan con el proceso mismo y dan una
imagen independiente de lo que el proceso puede hacer. Después, el
proceso se puede comparar o no con la especificacion.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

TIPOS DE GRÁFICOS DE
DEL

CONTROL PARA VARIABLES

Tipo de Estadísticos a representar Nombre del


datos Grafico
Datos en • Medias de subgrupos, X-barra X-barra
Subgrupos • Rangos de subgrupos, R R
• Desviaciones estándar de S
subgrupos, S
• X-barra y R X-barra y R
• X-barra y S X-barra y S
Observacione • Observaciones individuales Individual
s individuales • Rangos moviles Rangos moviles
• Obs. Individuales y rangos I-MR
moviles

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

GRÁFICA DE CONTROL
DEL

DE PRECISIÓN
Se tiene dos tipos:
1. Gráfica de Desviación estándar
2. Gráfica de Rango

Para entender los Gráficos de R y S es necesario conocer el concepto


de Sub Grupos
Trabajar con subgrupos significa agrupar las mediciones que se obtienen de
un proceso, de acuerdo a algún criterio.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

GRÁFICA DE CONTROL
DEL

DE PRECISIÓN

Medición del
Proces Diámetro
o
Selecciono Grupos de 6 piezas cada
Hora, se van formando sub grupos de
50.0
6 unidades 4
50.0
Muestra de 8
50.0
6 Piezas 9
50.1
0
-
-

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

GRÁFICA DE CONTROL
DEL

DE PRECISIÓN
50.0 50.0
4 6
Subgrup 50.0 Subgrup 50.0
8
o1 50.0 o5
1
50.0
9 6
50.1 50.0
0 3
Subgrup 50.2
Subgrup 50.1
4 8
o2 50.0 o6 50.0
4 3
50.1 50.1
4 0
Subgrup 49.9
Subgrup 50.1
7 4
o3 50.0 o 7 50.0
7 7
49.9 50.1
7 2
Subgrup 50.0 50.0
o4 3 8
50.1 50.1
0 0
49.9
© Instituto para la Calidad – PUCP 2017. Todos los derechos50.1
reservados.
CONSTRUCCIÓN

CONOCIMIENTO

GRÁFICA DE CONTROL
DEL

DE PRECISIÓN

GRÁFICA DE R (Rango) y S (Desviación


estándar)
Se puede utilizar las gráficas S y R para rastrear la variación del proceso en
términos de dispersión ((variabilidad de muestra a muestra)
) y para detectar la presencia de causas especiales .
Las gráficas S se utilizan comúnmente para rastrear la variación del proceso
para 10 o más muestras (dentro de un sub grupo), mientras que las
gráficas R se utilizan para muestras más pequeñas.

Fuente: Manual on Presentation of Data and Control Chart Analysis, pag 66.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

GRÁFICA DE CONTROL
DEL

DE PRECISIÓN
Fórmulas de los límites de control para
gráficos de shewhart para control de variables

Fuente: ISO 8258 Control charts Part 2 (pag. 8), Shewhart control charts (2013)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO

GRÁFICA DE CONTROL
DEL

DE PRECISIÓN
Factores para calcular, líneas centrales graficas y limites de
control para X, R y S

Fuente: NTC-ISO 8258 Graficas de control de Shewhart (1995)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Valores Individuales: X-RM (Rango Móvil)


Gráficos de control de datos individuales o subgrupos de tamaño 1 Utilizado
para monitorear:
• % Recuperación de muestra control
• % Recuperación de Muestra fortificada
• Materiales de referencia interno
• Productos individuales

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONSTRUCCIÓN

CONOCIMIENTO
DEL

GRÁFICOS DE CONTROL

Resumen de fórmulas de valores individuales

Fuente: NTC-ISO 8258 Graficas de control de Shewhart (1995)

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


TRABAJO APLICATIVO
TRANSFERENCIA

SESIÓN PRESENCIAL N° 6

Producto:
Taller 8: Gráficos de Control por Variables

Indicaciones:
Desarrolle los talleres, para ello:
a. Elabore gráficos de Control de Rango.
b. Elabore gráficos de Desviación estándar.
c. Elabore gráfico de control de Valores individuales.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


DEL PRODUCTO
TRABAJO APLICATIVO
EVALUACIÓN

SESIÓN PRESENCIAL N° 6
http://definicion.mx/wp-
content/uploads/2013/06/feedback.png

PUNTAJE
N° CRITERIOS DE EVALUACIÓN
MÁXIMO
Taller 8: Gráficos de Control por Variables 20
1.  

Puntaje total:  20

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


CONCLUSIONES
Conclusiones

CONCLUSIONES

 ¿Qué diferencias encuentras entre lo que has


aprendido sobre los temas tratados en la clase y tus
conocimientos previos?

 ¿En qué situación podrías aplicar lo aprendido en tu


entorno laboral?

https://delinacardenas.files.wordpress.com/2015/
05/estrategia.png

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


FUENTES CONSULTADAS
• SÁEZ, Antonio. 2012. Apuntes de Estadística para Ingenieros. Departamento
de Estadística e Investigación Operativa. Universidad de Jaén.
• GORGAS, Javier, CARDIEL, Nicolás y ZAMORANO, Jaime. 2011. Estadística
Básica Para Estudiantes De Ciencias. Madrid: Universidad Complutense de
Madrid.
• Committee E-11 On Quality and Statistics. ASTM. 2002. Manual on
Presentation of Data and Control Chart Analysis. Seventh Edition
• ISO 7870. Gráficos de control de Shewhart –Parte 2. First edition.
• NTC-ISO 8258. 1995. Gráficos de control de Shewhart. ICONTEC.
• MILLER, J. C. y J. N. Miller. 1993. Estadística para química analítica.
Wilmington: Addison-Wesley Iberoamericana.

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados.


(511) 626-2260
(511) 626-2263
Av. Universitaria 1801, San Miguel
quality@pucp.edu.pe

© Instituto para la Calidad – PUCP 2017. Todos los derechos reservados. 156