CARRERA: INGENIERIA EN ADMINISTRACION

MATERIA: ESTADISTICA
ING: ALEJANDRO CASTILLO
INVESTIGACION
UNIDADES III, IV Y V

POR: JOSE ANTONIO GONZALEZ MORALES

GUZMAN UC CLAUDIAESTHER
DURAN ARCOS GABRIEL
ALCOCER VENTURA LUIS ADRIAN
TORRES CALDERON RAUL FERNANDO
CANTUN ESTRELLA OYUKI YESELI

CHAMPOTON, CAMP A 23 DE ENERO DE 2012.

Contenido
INTRODUCCION................................................................................................................ 4
Distribucin para variables discreta.....................................................................................5
Variable aleatoria............................................................................................. 5
VARIABLES ALEATORIAS DISCRETAS.............................................................................5
VARIABLE ALEATORIA....................................................................................... 6
Funcin de probabilidad y de distribucin (discreta)........................................7
DISTRIBUCIN DE PROBABILIDAD DISCRETA...............................................................7
CALCULO DE MEDIA (valor esperado) Y DESVIACIN ESTNDAR PARA UNA
DISTRIBUCIN DISCRETA................................................................................. 7
Grficos para variables discretas......................................................................................17
Ejemplo........................................................................................................ 18
VARIABLES ALEATORIAS CONTINUAS..........................................................................20
DEFINICION DE MUESTREO..........................................................................................22
Concepto de distribucin de muestreo de la media.......................................24
Distribucin Muestral de Medias....................................................................24
Distribucin muestral de la diferencia entre dos medias con 2. conocida y desconocida.
.......................................................................................................................................... 24
Distribucin Muestral de Diferencia de Medias..............................................24
Introduccin a la calidad total............................................................................................40
Control Estadstico del Proceso........................................................................................41
II.1 Las Siete Herramientas Bsicas de la Calidad..........................................43
II.1.1 Diagrama de Pareto.............................................................................. 43
II.1.2 Diagrama de Causa Efecto....................................................................44
II.1.3 Histogramas.......................................................................................... 44
II.1.4 Diagrama de Dispersin........................................................................45
II.1.5 Estratificacin....................................................................................... 45
2

CONTROL POR VARIABLES Y POR ATRIBUTOS...........................................................47

INTRODUCCION
Una de las reas de la actividad humana en la que la aplicacin de
tcnicas estadsticas ha tenido gran difusin y al mismo tiempo un enorme xito,
3

es en la de aquellos aspectos que se relacionan con el control de calidad de

produccin de bienes y suministro de servicios. En los aos 80 la aplicacin de la
filosofa y tcnicas del control de calidad en la produccin supuso un enfoque
revolucionario y tremendamente competitivo, que fue aprovechado sobre todo por
la industria japonesa para colocarse a la cabeza del mercado mundial, lo que
resulta curioso, siendo americanos los "padres" del control de calidad, puesto que
la industria americana slo se subi al carro del control de calidad una vez que la
presin ejercida en el mercado por la superioridad de los productos japoneses les
oblig a considerar las bondades de la nueva filosofa, en la que la calidad
constituye un concepto global que no slo se aplica al producto sino a todo el
proceso de fabricacin, incluyendo el control de costes, precios y beneficios,
gestin de los suministros y plazos de entrega.
Aunque inicialmente el control de calidad se aplic solo a la fabricacin industrial,
enseguida se extendi su radio de accin a la prestacin de servicios, donde
tambin podemos incluir el rea de salud, aunque dentro del entorno mdico hay
sectores que por sus caractersticas, ms asimilables a la industria, tienen una
mayor tradicin en el empleo del control de calidad; como son los laboratorios de
anlisis clnicos (hematologa, bioqumica o microbiologa), o los bancos de
sangre. Sin embargo las tcnicas han sido utilizadas tambin en otros entornos,
como puede ser por ejemplo en la monitorizacin de fallos en operaciones
quirrgicas, y su campo de aplicacin est limitado tan slo por nuestra
imaginacin, ya que cualquier actividad humana es susceptible de ser cuantificada
y por tanto monitorizada para mejorar su calidad, desde el tiempo de espera de un
paciente que acude a consulta, hasta el porcentaje de pacientes que cumplen
adecuadamente el tratamiento prescrito, o el mismo registro de datos en la historia
clnica del paciente.
Un elemento fundamental en la filosofa del control de calidad moderno es la
utilizacin generalizada de procedimientos cientficos, incluidos los mtodos
estadsticos, en la planificacin, recogida de datos y anlisis de los mismos, de tal
forma que las decisiones no se sustenten en meras conjeturas.

Distribucin para variables discreta

Variable aleatoria
4

Una funcin que asocia un nmero real, perfectamente definido, a cada punto muestral.
A veces las variables aleatorias (v.a.) estn ya implcitas en los puntos muestrales.
Los conjuntos pueden ser:
discretos: nmero finito o infinito numerable de elementos.
continuos: nmero infinito no numerable de elementos.
Las v.a. definidas sobre espacios muestrales discretos se llaman v.a. discretas y las
definidas sobre espacios muestrales continuos se llaman continuas.
Una v.a. puede ser continua, aunque nosotros slo podamos acceder a un subconjunto
finito de valores. P.e. la presin arterial es una v.a. continua pero slo podemos acceder a un
conjunto finito de valores por la limitacin de los aparatos de medida.
En general, las medidas dan lugar a v.a. continuas y los conteos a v.a. discretas.

VARIABLES ALEATORIAS DISCRETAS

En gran cantidad de experimentos aleatorios es necesario cuantificar los
resultados, es decir, asignar a cada resultado del experimento un nmero, con el
fin de poder realizar un estudio matemtico.
Ejemplos

Consideremos el experimento aleatorio que consiste en lanzar tres

monedas, supongamos que a cada elemento de su espacio muestral E={ccc, ccx,
cxc, xcc, cxx, xcx, xxc, xxx} le asignamos un nmero real, el correspondiente al
nmero de caras (discreta).

Esta correspondencia que acabamos de construir es una funcin del

espacio muestral E en el conjunto de los nmeros reales R. A esta funcin la
llamaremos variable aleatoria y la denotaremos por X.

Supongamos el experimento aleatorio que consiste en lanzar dos

dados, podemos asignar a cada resultado la suma de los puntos aparecidos en
cada dado (discreta).

Consideremos el experimento que consiste en elegir al azar 500

personas y medir su estatura. La ley que asocia a cada persona con su talla es
una variable aleatoria (continua).


Consideremos el experimento que consiste en elegir al azar 100
sandias de una plantacin y pesarlas. La ley que asocia a cada sanda su peso es
una variable aleatoria (continua).

VARIABLE ALEATORIA
Se dice que hemos definido una variable aleatoria para un experimento
aleatorio cuando hemos asociado un valor numrico a cada resultado del
experimento.
Sea E el espacio muestral asociado a un experimento. Se llama variable
aleatoria a toda aplicacin del espacio muestral E en el conjunto de los nmeros
reales (es decir, asocia a cada elemento de E un nmero real).
Se utilizan letras maysculas X, Y, ... para designar variables aleatorias, y
las respectivas minsculas (x, y, ...) para designar valores concretos de las
mismas.
Si un experimento con espacio muestral E, tiene asociada la variable
aleatoria X, es natural que se planteen preguntas como: Cul es la probabilidad
de que X tome un determinado valor?, esto nos lleva a establecer, por convenio,
la siguiente notacin:
(X=x) representa el suceso "la variable aleatoria X toma el valor x", y
p(X=x) representa la probabilidad de dicho suceso.
(X<x) representa el suceso "la variable aleatoria X toma un valor menor a
x", y
p(X<x) representa la probabilidad de que la v.a. X tome un valor menor a x.
(X x) representa el suceso "la variable aleatoria X toma un valor menor o
igual a x", y
p(X x) representa la probabilidad de que la v.a. X tome un valor menor o igual a
x.
Si una variable aleatoria slo toma valores enteros, es decir, un nmero
finito de valores o infinito numerable diremos que es discreta (los dos primeros
ejemplos). Si tericamente, puede tomar todos los valores de un intervalo de R,
diremos que es continua (los dos ltimos ejemplos).
Funcin de probabilidad y de distribucin (discreta)
Cuando hablamos de la funcin de probabilidad, estamos evaluando la posibilidad de
que una variable aleatoria tome un valor especfico o bien al hablar de una funcin de
distribucin nos referimos al hecho de que una variable aleatoria tom algn valor dentro de un
intervalo (donde una variable aleatoria es una variable continua) pero estos conceptos no

contemplan el hecho de que se requiera conocer la informacin de un valor esperado, valor medio
o esperanza matemtica de una variable aleatoria.

DISTRIBUCIN DE PROBABILIDAD DISCRETA.

Caractersticas:
1.

Es generada por una variable discreta (x).

xVariable que solo toma valores enteros

x0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.

2. p(xi)0 Las probabilidades asociadas a cada uno de los valores que toma
x deben ser mayores o iguales a cero.

3.p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los

valores que toma x debe ser igual a 1.
Valor esperado y momentos

CALCULO DE MEDIA (valor esperado) Y DESVIACIN ESTNDAR PARA

UNA DISTRIBUCIN DISCRETA

1. Media o valor esperado de x.- Para determinar la media de la

distribucin discreta se utiliza la siguiente frmula:

E( x ) xi * p( xi )

Donde:
= media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
7

p(xi) = probabilidad asociada a cada uno de los valores de la variable x

1.
Desviacin estndar. Para determinar la desviacin estndar de la
distribucin discreta se utiliza la siguiente frmula:

( xi ) * p( xi )

Donde:
= desviacin estndar
= media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x

Ejemplos:
1.
Segn estadsticas la probabilidad de que el motor de un auto
nuevo, de cierto modelo, y marca sufra de algn desperfecto en los primeros 12
meses de uso es de 0.02, si se prueban tres automviles de esta marca y modelo,
encuentre el nmero esperado de autos que no sufren de algn desperfecto en los
primeros doce meses de uso y su desviacin estndar.
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se
obtiene el espacio muestral como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso

N
S

N
N
S

1er auto

N
S
S
N
2o auto S

3o

= NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS

x = variable que nos define el nmero de autos que no sufre de algn

desperfecto en el motor durante los primeros 12 meses de uso

x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los

primeros 12 meses de uso
9

p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS, SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)
(0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)
(0.98)==0.057624
p(NNN) = (0.98)(0.98)(0.98) =0.941192

Por tanto la media o valor esperado se determina de la siguiente manera:

=E(x)
(0.941192)=

xi * p( xi ) (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)

=0.0+0.001176+0.115248+2.823576=2.94 3 autos
desperfecto en el motor en los primeros 12 meses de uso

que

no

sufren

algn

La interpretacin de la media o valor esperado es; se espera que los 3 autos

probados no sufran de algn desperfecto en el motor en los primeros 12 meses de uso.

=
2

( xi )* p( xi ) =

( 0 3 )* ( 0.000008 ) ( 1 3 )*( 0.001176 ) ... ( 3 3 )*( 0.941192 )

0.000072 0.004704 0.05762 0.062396 )

=
0.24970.0 autos
que no sufren algn desperfecto en su motor en los primeros 12 meses de uso.
10

Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn
desperfecto en su motor en los primeros 12 meses de uso y la variabilidad de este
experimento es de cero.

Nota:
La media y la desviacin estndar se redondean a un valor entero ya que son la
media y desviacin de una distribucin de probabilidad discreta.

1.
Se ha detectado en una lnea de produccin que 1 de cada 10
artculos fabricados es defectuoso; se toman de esa lnea tres artculos uno tras
otro, a) obtenga la distribucin de probabilidad del experimento, b) encuentre el
nmero esperado de artculos defectuosos en esa muestra y su desviacin
estndar.
Solucin:
Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio
muestral

a)
D = objeto defectuoso
N = objeto no defectuoso
=DDD, DDN, DND, DNN, NDD, NDN, NND, NNN

Este espacio muestral ha sido obtenido haciendo uso de un diagrama de

rbol,

x = Variable que nos define el nmero de objetos defectuosos encontrados

x = 0, 1, 2 o 3 objetos defectuosos
11

p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN,
(0.1)=0.243

NDN,

NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)

p(x=2)=p(DDN,
(0.1)=0.027

DND,

NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)

p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001

Distribucin de probabilidad

(x)

P
.729

0.

b)

243

.027

xi * p( xi )

.001

(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=

= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 0 productos defectuosos

Interpretacin:
Se espera que ninguno de los productos inspeccionados sea defectuoso.

( xi )* p( xi )
2

( 0 0 )*( 0.729 ) ( 1 0 )*( 0.243 ) ... ( 3 0 )*( 0.001 )

0.0 0.243 0.108 0.009 0.36

= 0.6 = 1 producto defectuoso

12

Interpretacin:
En este experimento se espera que ninguno de los productos inspeccionados
sea defectuoso, pero los resultados de este experimento pueden variar en 1
producto defectuoso, por lo que al inspeccionar los 3 productos el numero de
productos defectuosos puede variar desde 1 producto defectuoso, hasta 1 producto
defectuoso, pero, es posible obtener 1 producto defectuoso?, claro que esto no
puede ocurrir, luego el nmero de productos defectuosos en el experimento variar de
0 a 1 producto defectuoso solamente.

2.
Segn estadsticas, la probabilidad de que un pozo petrolero que se
perfore en cierta regin pueda ser beneficiado es de 0.30. Se perforan tres pozos
en esa regin, encuentre el nmero esperado de pozos que pueden ser
beneficiados y su desviacin estndar.
Solucin:
Se obtiene el espacio muestral , de la misma forma que se ha hecho en los
ejemplos anteriores;

B = se puede el pozo que se perfora

N = no se puede beneficiar el pozo que se perfora

= BBB, BBN, BNB, BNN, NBB, NBN, NNB, NNN

x = variable que nos define el nmero de pozos que se pueden beneficiar

x = 0, 1, 2 o 3 pozos que se pueden beneficiar

p(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343

p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441
13

p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189

p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027

xi * p( xi )

( 0 )( 0.343 ) ( 1 )( 0.441 ) ( 2 )( 0.189 ) ( 3 )( 0.027 )

0.0 0.441 0.378 0.081 0.9
1 pozo beneficiado

Interpretacin:
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser
beneficiado.

( xi )* p( xi )
2

( 0 1 )*( 0.343 ) ( 1 1 )*( 0.441 ) ( 2 1 )*( 0.189 ) ( 3 1 )*( 0.027 )

0.343 0.0 0.189 0.108 0.64 0.8 1 pozo

Interpretacin:
La cantidad esperada de pozos que se pueden beneficiar puede variar en 1 1
pozo, esto es la cantidad de pozos que se pueden beneficiar puede variar de 0 a 2 pozos.

3.
La distribucin de probabilidad de x , el nmero de defectos por
cada 10 metros de una tela sinttica en rollos continuos de ancho uniforme , es

14

p
(x)

0
.41

0
.37

a)

0
.16

0
.05

0
.01

Determine la distribucin de probabilidad acumulada de x; P(x).

b) Determine el nmero esperado de defectos por cada 10 metros de tela

sinttica en rollos continuos de ancho uniforme y la desviacin estndar del nmero de
defectos por cada 10 metros de tela .....
c) Determine la probabilidad de que en 10 metros de tela sinttica se
encuentren como mximo 2 defectos.
d) Determine la probabilidad de que en 10 metros de tela sinttica se
encuentren por lo menos 2 defectos.

Solucin:

a)
X

(x)

.41

(x)

P
.41

b)

.37
0

.16
0

.78

.05
0

.94

.01
0

.99

1
.0

E( x ) xi * p( xi ) ( 0 )( 0.41 ) ( 1 )( 0.37 ) ... ( 4 )( 0.01 )

0.0 0.37 0.32 0.15 0.04 0.88 1 defecto

Interpretacin:0.16, 0.05 ,0.01

Se espera que por cada 10 metros de tela se encuentre un defecto.

15

( xi )

* p( xi ) ( 0 1 )2 ( 0.41 ) ( 1 1 )2 ( 0.37 ) ... ( 4 1 )2 ( 0.01 )

0.41 0.0 0.16 0.2 0.09 0.86 0.9274 1defecto

Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que el
nmero de defectos esperado por cada 10 metros de tela puede variar de 0 a 2.

c)

p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94

d)

p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22

Grficos para variables discretas

Cuando representamos una variable discreta, usamos el diagrama de
barras cuando pretendemos hacer una grfica diferencial. Las barras deben ser
estrechas para representar el que los valores que toma la variable son discretos.
El diagrama integral o acumulado tiene, por la naturaleza de la variable, forma de
escalera. Un ejemplo de diagrama de barras as como su diagrama integral
correspondiente estn representados en la figura 1.6.

Ejemplo
Se lanzan tres monedas al aire en 8 ocasiones y se contabiliza el nmero de
caras, X, obteniendose los siguientes resultados:

16

Representar grficamente el resultado.

Solucin: En primer lugar observamos que la variable X es cuantitativa

discreta, presentando las modalidades:

Ordenamos a continuacin los datos en una tabla estadstica, y se

representa la misma en la figura 1.6.

Figura: Diagrama diferencial (barras) e integral para una

variable discreta. Obsrvese que el diagrama integral (creciente)
contabiliza el nmero de observaciones de la variable inferiores o iguales a
cada punto del eje de abcisas.

17

x
i

n
i

1
n
=8

N
i

1
/8
3
/8
3
/8
1
/8

F
i

1
/8
4
/8
7
/8
8
/8

Ejemplo
Clasificadas 12 familias por su nmero de hijos se obtuvo:
Nmero de
hijos (xi)

1 2 3 4

Frecuencia
s (ni)

1 3 5 3

Comparar los diagramas de barras para frecuencias absolutas y relativas.

Realizar el diagrama acumulativo creciente.
Solucin: En primer lugar, escribimos la tabla de frecuencias en el modo
habitual:
V
ariable
x

F.
Absolutas

F.
Relativas

F.
Acumuladas

ni

fi

Ni

0,0

18

83
2

3
12

0,2
50
0,4
16
0,2
50

12

Con las columnas relativas a xi y ni realizamos el diagrama de barras para

frecuencias absolutas, lo que se muestra en la figura 1.7. Como puede verse es
identico (salvo un cambio de escala en el eje de ordenadas) al diagrama de barras
para frecuencias relativas y que ha sido calculado usando las columnas de xi y fi.
El diagrama escalonado (acumulado) se ha construido con la informacin
procedente de las columnas xi y Ni.

Figura: Diagramas de frecuencias para una variable discreta

19

VARIABLES ALEATORIAS CONTINUAS

Si en un experimento aleatorio a cada suceso aleatorio elemental le
asignamos un valor numrico obtenemos una variable aleatoria. Es decir, una
variable que lleva asociada una probabilidad. La probabilidad de un valor concreto
de la variable es la probabilidad que corresponde a los sucesos aleatorios
elementales a los que hemos asignado ese valor numrico.
Por ejemplo: En el experimento aleatorio "lanzar un dado" asignamos a cada cara del
dado su valor numrico (esta asignacin aparece de forma natural). As generamos una variable
aleatoria que toma seis valores, del 1 al 6 con igual probabilidad (1/6) cada uno de ellos. Pero, con
este mismo experimento, podemos generar otras variables aleatorias (no tan naturales) como
puede ser: asignar el valor 1 a las caras que son mltiplos de tres y el valor 0 a las que no lo son,
apareciendo una variable aleatoria que tiene dos valores, el 1 con probabilidad 1/3 y el 0 con
probabilidad 2/3.
Crear una variable aleatoria no tiene mucho sentido sino la vamos a
utilizar en un determinado contexto, por ejemplo, podemos utilizar la segunda
variable aleatoria que hemos creado para apostar si sale o no mltiplo de tres.
Resumiendo, una variable aleatoria se construye al atribuir un nmero
(positivo, negativo o cero) a cada uno de los sucesos aleatorios que forman el
espacio muestral de un experimento aleatorio. La probabilidad de cada valor de la
variable es la probabilidad conjunta de los sucesos que dan lugar a ese valor. Es
decir, definimos una variable aleatoria como una aplicacin del espacio muestral
sobre el conjunto de los nmeros reales R.
Segn la amplitud del campo de variacin de la funcin podemos
distinguir: variables aleatorias discretas y variables aleatorias continuas. De la
misma forma que en estadstica descriptiva, una variable aleatoria es discreta si
toma valores en un conjunto finito o infinito numerable. Y una variable aleatoria es
continua si puede tomar valores en un conjunto infinito no numerable. Como
ejemplo tpico de variable aleatoria discreta tenemos la distribucin binomial, y
como ejemplo tpico de variable aleatoria continua vamos a ver ahora la
distribucin normal.

Como hemos visto hay variables aleatorias que pueden tomar cualquier
valor de un intervalo real de la forma (a, b), (a, + ), (- , b), (- , + ) o uniones
de ellos. A las variables de este tipo se las denomina variables aleatorias
continuas.
Por ejemplo: Supongamos que vamos a realizar un experimento aleatorio que consiste
en seleccionar una persona y apuntar su peso. Podemos crear una variable aleatoria cuyos valores
20

sean el nmero de kilogramos que pesa la persona observada. En este caso, el rango de valores
posibles se extiende entre los lmites naturales, pero la continuidad de esta variable aleatoria radica
en el carcter continuo de lo que medimos, el peso, es decir, en el hecho de que entre dos valores
posibles se podran obtener infinitos valores intermedios, tambin posibles si utilizramos aparatos
con suficiente precisin. Estos "infinitos" en el interior del rango de la variable es lo que diferencia a
las variables continuas de las discretas.

Sin entrar en profundidades, consideramos que una distribucin de

probabilidad es cualquier mecanismo que nos ayuda a obtener las probabilidades
de los valores de una variable si es discreta, o las probabilidades de intervalos de
la variable si es continua. Si la variable aleatoria es discreta es posible asignar
probabilidades a cada uno de los valores puntuales de la variable. En contra,
cuando es continua cada uno de los infinitos valores posibles tendr probabilidad
cero y slo podremos hablar de probabilidad dentro de intervalos.

DEFINICION DE MUESTREO
Aunque la teora que ser desarrollada ms tarde est referida solamente
a muestras aleatorias simples, realizaremos aqu una rpida revisin de posibles
mtodos para la toma de muestras que podemos encontrarnos en la prctica.
Los pasos a seguir para la recoleccin de una muestra son los siguientes:
- Definir la poblacin en estudio especificando las unidades que la componen, el
rea geogrfica donde se realiza el estudio (si procede) y el periodo de tiempo en
el que se realizar el mismo.
- Definir el marco: listado o descripcin de los elementos que forman la poblacin.
- Definir la unidad de muestreo: Ciudades, calles, hogares, individuos, etc.
- Definir las variables a medir o las preguntas que se harn si se trata de una
encuesta.
- Seleccionar el mtodo de muestreo: Probabilstico o No Probabilstico, aunque
son los
primeros los que nos permiten la estimacin correcta de parmetros.
- Calcular el tamao necesario para obtener une determinada precisin en la
estimacin. Este punto se ver con ms detalle en el apartado dedicado a la
estimacin por intervalos.
- Elaborar el plan de muestreo que guiar el trabajo de campo.
En cuanto al tipo de muestreo, algunas de las caractersticas ms importantes de
los muestreos probabilsticos ms usuales se detallan a continuacin:
Muestreo aleatorio simple (mas).
Se trata de un procedimiento de muestreo (sin reemplazamiento), en el que se
seleccionan n unidades de las N en la poblacin, de forma que cualquier posible
21

muestra del mismo tamao tiene la misma probabilidad de ser elegidas.

Se realizan n selecciones independientes de forma que en cada seleccin los
individuos que no han sido elegidos tengan la misma probabilidad de serlo.
El procedimiento habitual consiste en numerar todos los elementos de la poblacin
y se seleccionan muestras del tamao deseado utilizando una tabla de nmeros
aleatorios o un programa de ordenador que proporcione nmeros aleatorios.
Estimacin Puntual - 14
Recurdese que "al azar" no significa "de cualquier manera", para que el
procedimiento de muestreo sea vlido es necesario utilizar correctamente el
proceso de generacin de nmeros aleatorios.
Entre las ventajas de este procedimiento esta la compensacin de valores altos y
bajos con lo que la muestra tiene una composicin similar a la de la poblacin, es
adems
un procedimiento sencillo y produce estimadores de los parmetros
desconocidos prximos a los valores reales de los mismos.
El principal inconveniente de este tipo de muestreo es que necesita un marco
adecuado y amplio que no siempre es fcil de conseguir y que no contiene
informacin a priori sobre la poblacin que podra ser til en la descripcin de la
misma.
Muestreo sistemtico
- Se ordenan los individuos de la poblacin y se numeran.
- Se divide la poblacin en tantos grupos como individuos se quieren tener en la
muestra. Se selecciona uno al azar en el primer grupo y se elige el que ocupa el
mismo lugar en todos los grupos.
-La ventaja principal es que es ms sencillo y ms barato que el muestreo
aleatorio simple, adems, se comporta igual si no hay patrones o periodicidades
en los datos.
-La aparicin de patrones desconocidos puede llevar a importantes errores en la
estimacin de los parmetros.
Este tipo de muestreo puede utilizarse, por ejemplo, en encuestas telefnicas
programadas mediante ordenador.
Muestreo por conglomerados
-Se divide la poblacin en grupos de acuerdo con su proximidad geogrfica o de
otro tipo. (conglomerados). Cada grupo ha de ser heterogneo y tener
representados todos las caractersticas de la poblacin. Por ejemplo, los
conglomerados en un estudio sobre la situacin de las mujeres en una
determinada zona rural pueden ser los municipios de la zona.
Estimacin Puntual - 15
-Se selecciona una muestra de conglomerados al azar y
se toma el conglomerado completo o una muestra del mismo.
-Necesitan menos informacin previa sobre los individuos particulares.
-Soluciona el problema de los patrones en los datos.
22

-Si el nmero de bloques no es muy grande se puede incurrir en errores de

estimacin si se han incluido conglomerados atpicos.
-Los conglomerados que se realizan teniendo en cuenta proximidad geogrfica
pueden no tener un significado importante en la poblacin (no responden a una
caracterstica real).
- Este tipo de muestreo se utiliza fundamentalmente para reducir los costes de
toma de muestras al tomar grupos de individuos completos.
Muestreo estratificado
-Se divide la poblacin en grupos homogneos (estratos) de acuerdo con las
caractersticas a estudiar. Por ejemplo, en un estudio de las caractersticas
socioeconmicas de una ciudad los estratos pueden ser los barrios de la misma,
ya que los barrios suelen presentar caractersticas diferenciales.
-Se selecciona una muestra aleatoria de cada estrato tratando de que todos los
estratos de la poblacin queden representados.
-Permite utilizar informacin a priori sobre la estructura de la poblacin en relacin
con las variables a estudiar.
-Obtiene representantes de todos los estratos de la poblacin.
-Diferentes opciones de seleccin del tamao de la muestra en los estratos:
-El mismo nmero en cada estrato.
-Proporcional. (La ms comn)
-Optima
Concepto de distribucin de muestreo de la media.
Distribucin muestral de la media con 2 conocida y desconocida.
Distribucin Muestral de Medias
Si recordamos a la distribucin normal, esta es una distribucin continua, en forma
de campana en donde la media, la mediana y la moda tienen un mismo valor y es
simtrica.
Con esta distribucin podamos calcular la probabilidad de algn evento
relacionado con la variable aleatoria, mediante la siguiente frmula:
En donde z es una variable estandarizada con media igual a cero y varianza igual
a uno. Con esta frmula se pueden a hacer los clculos de probabilidad para
cualquier ejercicio, utilizando la tabla de la distribucin z.
Sabemos que cuando se extraen muestras de tamao mayor a 30 o bien de
cualquier tamao de una poblacin normal, la distribucin muestral de medias
tiene un comportamiento aproximadamente normal, por lo que se puede utilizar la
formula de la distribucin normal con y , entonces la frmula para calcular la
probabilidad del comportamiento del estadstico, en este caso la media de la
muestra , quedara de la siguiente manera:
y para poblaciones finitas y muestro con reemplazo:
23

Distribucin muestral de la diferencia entre

dos medias con 2. conocida y desconocida.
Distribucin Muestral de Diferencia de Medias
Suponga que se tienen dos poblaciones distintas, la primera con media 1 y
desviacin estndar 1, y la segunda con media 2 y desviacin estndar 2. Ms
an, se elige una muestra aleatoria de tamao n1 de la primera poblacin y una
muestra independiente aleatoria de tamao n2 de la segunda poblacin; se calcula
la media muestral para cada muestra y la diferencia entre dichas medias. La
coleccin de todas esas diferencias se llama distribucin muestral de las
diferencias entre medias o la distribucin muestral del estadstico
La distribucin es aproximadamente normal para n130 y n230. Si las poblaciones
son normales, entonces la distribucin muestral de medias es normal sin importar
los
tamaos
de
las
muestras.
En ejercicios anteriores se haba demostrado que y que , por lo que no es difcil
deducir
que
y
que
.
La frmula que se utilizar para
el calculo de probabilidad del estadstico de diferencia de medias es:
4.2.3
Distribucin
muestral
de
la
proporcin.
Distribucin
muestral
de
Proporciones
Existen ocasiones en las cuales no estamos interesados en la media de la
muestra, sino que queremos investigar la proporcin de artculos defectuosos o la
proporcin de alumnos reprobados en la muestra. La distribucin muestral de
proporciones es la adecuada para dar respuesta a estas situaciones. Esta
distribucin se genera de igual manera que la distribucin muestral de medias, a
excepcin de que al extraer las muestras de la poblacin se calcula el estadstico
proporcin (p=x/n en donde "x" es el nmero de xitos u observaciones de inters
y "n" el tamao de la muestra) en lugar del estadsitico media.
Una poblacin binomial est estrechamente relacionada con la distribucin
muestral de proporciones; una poblacin binomial es una coleccin de xitos y
fracasos, mientras que una distribucin muestral de proporciones contiene las
posibilidades o proporciones de todos los nmeros posibles de xitos en un
experimento binomial, y como consecuencia de esta relacin, las afirmaciones
probabilsticas referentes a la proporcin muestral pueden evaluarse usando la
aproximacin
normal
a
la
binomial,
siempre
que
np5
y
n(1-p) 5. Cualquier evento se puede convertir en una proporcin si se divide el
nmero obtenido entre el nmero de intentos.
Generacin de la Distribucin Muestral de Proporciones
24

Suponga que se cuenta con un lote de 12 piezas, el cual tiene 4 artculos

defectuosos. Se van a seleccionar 5 artculos al azar de ese lote sin reemplazo.
Genere la distribucin muestral de proporciones para el nmero de piezas
defectuosas.
Como se puede observar en este ejercicio la Proporcin de artculos defectuosos
de esta poblacin es 4/12=1/3. Por lo que podemos decir que el 33% de las piezas
de este lote estn defectuosas.
El nmero posible de muestras de tamao 5 a extraer de una poblacin de 12
elementos es 12C5=792, las cuales se pueden desglosar de la siguiente manera:
Artculos Buenos | Artculos Malos | Proporcin de artculos defectuoso | Nmero
de
maneras
en
las
que
se
puede
obtener
la
muestra
|
1
|
4
|
4/5=0.8
|
8C1*4C4=8
|
2
|
3
|
3/5=0.6
|
8C2*4C3=112
|
3
|
2
|
2/5=0.4
|
8C3*4C2=336
|
4
|
1
|
1/5=0.2
|
8C4*4C1=280
|
5
|
0
|
0/5=0
|
8C5*4C0=56
|
Total
|
792
|
Para calcular la media de la distribucin muestral de proporciones se tendra que
hacer la sumatoria de la frecuencia por el valor de la proporcin muestral y dividirla
entre el nmero total de muestras. Esto es:
Como podemos observar la media de la distribucin muestral de proporciones es
igual a la Proporcin de la poblacin.
p=P
Tambin se puede calcular la desviacin estndar de la distribucin muestral de
proporciones:
La varianza de la distribucin binomial es 2= npq, por lo que la varianza de la
distribucin muestral de proporciones es 2p =(Pq)/n. Si se sustituten los valores en
esta frmula tenemos que:
,
este valor no coincide con el de 0.1681, ya que nos falta agregar el factor
de correccin para una poblacin finita y un muestreo sin reemplazo:
La frmula que se utilizar para el clculo de probabilidad en una distribucin
muestral de proporciones est basada en la aproximacin de la distribucin normal
a la binomial . Esta frmula nos servir para calcular la probabilidad del
comportamiento de la proporcin en la muestra.
A esta frmula se le puede agregar el factor de correccin de si se cumple con las
25

condiciones necesarias.
Teorema del lmite central.
El Teorema del Lmite Central dice que si tenemos un grupo numeroso de
variables independientes y todas ellas siguen el mismo modelo de distribucin
(cualquiera que ste sea), la suma de ellas se distribuye segn una distribucin
normal.
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una
independiente entre si) se distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables
continuas.
Los parmetros de la distribucin normal son:
Media: n * (media de la variable individual multiplicada por el nmero de
variables independientes)
Varianza: n * (varianza de la variable individual multiplicada por el nmero de
variables individuales)
Veamos un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale
cruz
el valor 0. Cada lanzamiento es una variable independiente que se
distribuye segn el modelo de Bernouilli, con media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salgan ms de 60
caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto,
segn una distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable
normal tipificada equivalente:
(*) 5 es la raz cuadrada de 25, o sea la desviacin tpica de esta distribucin
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de 60
caras es tan slo del 2,28%.
Si se seleccionan muestras aleatorias de n observaciones de una poblacin con
media y desviacin estndar , entonces, cuando n es grande, la distribucin
muestral de medias tendr aproximadamente una distribucin normal con una
media igual a y una desviacin estndar de . La aproximacin ser cada vez ms
exacta a medida de que n sea cada vez mayor.
Ejemplo
Para la dsitribucin muestral de medias del ejercicio pasado, encuentre:
a. El error muestral de cada media
b. La media de los errores muestrales
26

c. La desviacin estndar de los errores muestrales.

Solucin:
a. En la tabla siguiente se ven las muestras, las medias de las muestras y los
errores muestrales:
Muestra | x | Error muestral,
e=x- |
(0,0) | 0 | 0 - 3 = -3 |
(0,2) | 1 | 1 - 3 = -2 |
(0,4) | 2 | 2 - 3 = -1 |
(0,6) | 3 | 3 3 = 0 |
(2,0) | 1 | 1 3 = -2 |
(2,2) | 2 | 2 3 = -1 |
(2,4) | 3 | 3 3 = 0 |
(2,6) | 4 | 4 3 = 1 |
(4,0) | 2 | 2 3 = -1 |
(4,2) | 3 | 3 3 = 0 |
(4,4) | 4 | 4 3 = 1 |
(4,6) | 5 | 5 3 = 2 |
(6,0) | 3 | 3 3 = 0 |
(6,2) | 4 | 4 3 = 1 |
(6,4) | 5 | 5 3 = 2 |
(6,6) | 6 | 6 3 = 3 |
b. La media de los errores muestrales es e, es:
c. La desviacin estndar de la distribucin de los errores muestrales
e, es entonces:
La desviacin estndar de la distribucin muestral de un estadstico se conoce
como error estndar del estadstico. Para el ejercicio anterior el error estndar de
la media denotado por x, es 1.58. Con esto se puede demostrar que si de una
poblacin se eligen muestras de tamao n con reemplazo, entonces el error
estndar de la media es igual a la desviacin estndar de la distribucin de los
errores muestrales.
En general se tiene:
Cuando las muestras se toman de una poblacin pequea y sin reemplazo, se
puede usar la formula siguiente para encontrar x .
donde es la desviacin estndar de la poblacin de donde se toman las muestras,
n es el tamao de la muestra y N el de la poblacin.
Como rfegla de clculo, si el muestreo se hace sin reemplazo y el tamao de la
poblacin es al menos 20 veces el tamao de la muestra (N20), entonces se
puede usar la frmula.
El factor se denomina factor de correccin para
una poblacin finita.
Tipos de estimaciones y caractersticas.
27

El objetivo principal de la estadstica inferencial es la estimacin, esto es que

mediante el estudio de una muestra de una poblacin se quiere generalizar las
conclusiones al total de la misma. Como vimos en la seccin anterior, los
estadsticos varan mucho dentro de sus distribuciones muestrales, y mientras
menor sea el error estndar de un estadstico, ms cercanos sern unos de otros
sus valores.
Existen dos tipos de estimaciones para parmetros; puntuales y por intervalo. Una
estimacin puntual es un nico valor estadstico y se usa para estimar un
parmetro. El estadstico usado se denomina estimador.
Una estimacin por intervalo es un rango, generalmente de ancho finito, que se
espera que contenga el parmetro.
Propiedades de un Buen Estimador
Insesgado.- Se dice que un estimador puntual es un estimador insesgado de si ,
para todo valor posible de . En otras palabras, un estimador insesgado es aquel
para el cual la media de la distribucin muestral es el parmetro estimado. Si se
usa la media muestral para estimar la media poblacional , se sabe que la , por lo
tanto la media es un estimador insesgado.
Eficiente o con varianza mnima.- Suponga que 1 y 2 son dos estimadores
insesgados de . Entonces, aun cuando la distribucin de cada estimador est
centrada en el valor verdadero de , las dispersiones de las distribuciones alrededor
del valor verdadero pueden ser diferentes.
Entre todos los estimadores
de que son insesgados, seleccione al que tenga varianza mnima. El
resultante recibe el nombre de estimador insesgado con
varianza mnima (MVUE, minimum variance unbiased estimator) de .
En otras palabras, la eficiencia se refiere al tamao de error estndar de la
estadstica. Si comparamos dos estadsticas de una muestra del mismo tamao y
tratamos de decidir cual de ellas es un estimador mas eficiente, escogeramos la
estadstica que tuviera el menor error estndar, o la menor desviacin estndar de
la distribucin de muestreo.
Tiene sentido pensar que un estimador con un error estndar menor tendr una
mayor oportunidad de producir una estimacin mas cercana al parmetro de
poblacin que se esta considerando.
Como se puede observar las dos distribuciones tienen un mismo valor en el
parmetro slo que la distribucin muestral de medias tiene una menor varianza,
por lo que la media se convierte en un estimador eficiente e insesgado.
Coherencia.- Una estadstica es un estimador coherente de un parmetro de
poblacin, si al aumentar el tamao de la muestra se tiene casi la certeza de que
el valor de la estadstica se aproxima bastante al valor del parmetro de la
poblacin. Si un estimador es coherente se vuelve mas confiable si tenemos
tamaos de muestras mas grandes.
28

Suficiencia.- Un estimador es suficiente si utiliza una cantidad de la informacin

contenida de la muestra que ningn otro estimador podra extraer informacin
adicional de la muestra sobre el parmetro
de la poblacin que se esta estimando.
Es decir se pretende que al extraer la muestra el estadstico calculado contenga
toda la informacin de esa muestra. Por ejemplo, cuando se calcula la media de la
muestra, se necesitan todos los datos. Cuando se calcula la mediana de una
muestra slo se utiliza a un dato o a dos. Esto es solo el dato o los datos del
centro son los que van a representar la muestra. Con esto se deduce que si
utilizamos a todos los datos de la muestra como es en el caso de la media, la
varianza, desviacin estndar, etc; se tendr un estimador suficiente.
Estimacin Puntual
La inferencia estadstica est casi siempre concentrada en obtener algn tipo de
conclusin acerca de uno o ms parmetros (caractersticas poblacionales). Para
hacerlo, se requiere que un investigador obtenga datos muestrales de cada una de
las poblaciones en estudio. Entonces, las conclusiones pueden estar basadas en
los valores calculados de varias cantidades muestrales . Po ejemplo,
representamos con (parmetro) el verdadero promedio de resistencia a la ruptura
de conexiones de alambres utilizados para unir obleas de semiconductores.
Podra tomarse una muestra aleatoria de 10 conexiones para determinar la
resistencia a la ruptura de cada una, y la media muestral de la resistencia a la
ruptura se poda emplear para sacar una conclusin acerca del valor de . De forma
similar, si es la varianza de la distribucin de resistencia a la ruptura, el valor de la
varianza muestral s2 se podra
utilizar para inferir algo acerca de .
Cuando se analizan conceptos generales y mtodos de inferencia es conveniente
tener un smbolo genrico para el parmetro de inters. Se utilizar la letra griega
para este propsito. El objetivo de la estimacin puntual es seleccionar slo un
nmero, basados en datos de la muestra, que represente el valor ms razonable
de .
Una muestra aleatoria de 3 bateras para calculadora podra presentar duraciones
observadas en horas de x1=5.0, x2=6.4 y x3=5.9. El valor calculado de la duracin
media muestral es = 5.77, y es razonable considerar 5.77 como el valor ms
adecuado de .
Una estimacin puntual de un parmetro es un slo nmero que se puede
considerar como el valor ms razonable de . La estimacin puntual se obtiene al
seleccionar una estadstica apropiada y calcular su valor a partir de datos de la
muestra dada. La estadstica seleccionada se llama estimador puntual de .
El smbolo (theta sombrero) suele utilizarse para representar el estimador de y la
estimacin puntual resultante de una muestra dada. Entonces se lee como "el
29

estimador puntual de es la media muestral ". El enunciado "la estimacin puntual

de es 5.77" se puede escribir en forma abreviada .
Ejemplo:
En el futuro habr cada vez ms inters en desarrollar aleaciones de Mg de bajo
costo, para varios procesos de fundicin. En consecuencia, es importante contar
con mtodos prcticos para determinar varias propiedades mecnicas de esas
aleaciones. Examine la
siguiente muestra de mediciones del mdulo de elasticidad obtenidos de
un proceso de fundicin a presin:
44.2 43.9 44.7 44.2 44.0 43.8 44.6 43.1
Suponga que esas observaciones son el resultado de una muestra aleatoria. Se
desea estimar la varianza poblacional . Un estimador natural es la varianza
muestral:
En el mejor de los casos, se encontrar un estimador para el cualsiempre. Sin
embargo, es una funcin de las Xi muestrales, por lo que en s misma una variable
aleatoria.
+ error de estimacin
entonces el estimador preciso sera uno que produzca slo pequeas diferencias
de estimacin, de modo que los valores estimados se acerquen al valor verdadero.
Estimacin por Intervalos
Un estimado puntual, por ser un slo nmero, no proporciona por s mismo
informacin alguna sobre la precisin y confiabilidad de la estimacin. Por
ejemplo, imagine que se usa el estadstico para calcular un estimado puntual de la
resistencia real a la ruptura de toallas de papel de cierta marca, y suponga que =
9322.7. Debido a la variabilidad de la muestra, nunca se tendr el caso de que =.
El estimado puntual nada dice sobre lo cercano que esta de . Una alternativa para
reportar un solo valor del parmetro que se est estimando es calcular e informar
todo un intervalo de valores factibles, un estimado de intervalo o intervalo de
confianza (IC). Un intervalo de confianza se calcula siempre seleccionando
primero un nivel de confianza, que es una medida de el grado de fiabilidad en el
intervalo.
Un intervalo de confianza con un nivel de confianza de 95% de la
resistencia real promedio a la ruptura podra tener un lmite inferior de 9162.5 y
uno superior de 9482.9. Entonces, en un nivel de confianza de 95%, es posible
tener cualquier valor de entre 9162.5 y 9482.9. Un nivel de confianza de 95%
implica que 95% de todas las muestras dara lugar a un intervalo que incluye o
cualquier otro parmetro que se est estimando, y slo 5% de las muestras
producir un intervalo errneo. Cuanto mayor sea el nivel de confianza podremos
creer que el valor del parmetro que se estima est dentro del intervalo.
Una interpretacin correcta de la "confianza de 95%" radica en la interpretacin
30

frecuente de probabilidad a largo plazo: decir que un evento A tiene una

probabilidad de 0.95, es decir que si el experimento donde A est definido re
realiza una y otra vez, a largo plazo A ocurrir 95% de las veces. Para este caso
el 95% de los intervalos de confianza calculados contendrn a .
Esta es una construccin repetida de intervalos de confianza de 95% y se puede
observar que de los 11 intervalos calculados slo el tercero y el ltimo no
contienen el valor de .
De acuerdo con esta interpretacin, el nivel de confianza de 95% no es tanto un
enunciado sobre cualquier intervalo en particular, ms bien se refiere a lo que
sucedera si se tuvieran que construir un gran nmero de intervalos semejantes.
Encontrar z a partir de un nivel de confianza
Existen varias tablas en las cuales
podemos encontrar el valor de z, segn sea el rea proporcionada por la
misma. En esta seccin se realizar un ejemplo para encontrar el valor de z
utilizando tres tablas diferentes.
Ejemplo:
Encuentre el valor de z para un nivel de confianza del 95%.
Solucin 1:
Se utilizar la tabla que tiene el rea bajo la curva de - hasta z. Si lo vemos
grficamente sera:
El nivel de confianza bilateral est dividido en partes iguales bajo la curva:
En base a la tabla que se esta utilizando, se tendr que buscar el rea de 0.975,
ya que cada extremo o cola de la curva tiene un valor de 0.025.
Por lo que el valor de z es de 1.96.
Solucin 2:
Si se utiliza una tabla en donde el rea bajo la curva es de 0 a z:
En este caso slo se tendr que buscar adentro de la tabla el rea de 0.475 y el
resultado del valor de z ser el mismo, para este ejemplo 1.96.
Solucin 3:
Para la tabla en donde el rea bajo la curva va desde z hasta :
Se busca el valor de 0.025 para encontrar z de 1.96.
Independientemente del valor del Nivel de Confianza este ser el procedimiento a
31

seguir para localizar a z. En el caso de que no se encuentre el valor exacto se

tendr que interpolar.
4.5 Determinacin del tamao de la muestra de una poblacin.
Tamao de la muestra
A la hora de determinar el tamao que debe alcanzar una muestra hay que tomar
en cuenta varios factores: el tipo de muestreo, el parmetro a estimar, el error
muestral admisible, la varianza poblacional y el nivel de
confianza. Por ello antes de presentar algunos casos sencillos de clculo
del tamao muestral delimitemos estos factores.
Para calcular el tamao de una muestra hay que tomar en cuenta tres factores:
1. El porcentaje de confianza con el cual se quiere generalizar los datos desde la
muestra hacia la poblacin total.
2. El porcentaje de error que se pretende aceptar al momento de hacer la
generalizacin.
3. El nivel de variabilidad que se calcula para comprobar la hiptesis.
La confianza o el porcentaje de confianza es el porcentaje de seguridad que existe
para generalizar los resultados obtenidos. Esto quiere decir que un porcentaje del
100% equivale a decir que no existe ninguna duda para generalizar tales
resultados, pero tambin implica estudiar a la totalidad de los casos de la
poblacin. Para evitar un costo muy alto para el estudio o debido a que en
ocasiones llega a ser prcticamente imposible el estudio de todos los casos,
entonces se busca un porcentaje de confianza menor. Comnmente en las
investigaciones sociales se busca un 95%.
El error o porcentaje de error equivale a elegir una probabilidad de aceptar una
hiptesis que sea falsa como si fuera verdadera, o la inversa: rechazar a hiptesis
verdadera por considerarla falsa. Al igual que en el caso de la confianza, si se
quiere eliminar el riesgo del error y considerarlo como 0%, entonces la muestra es
del mismo tamao que la poblacin, por lo que conviene correr un cierto riesgo de
equivocarse.
Comnmente
se aceptan entre el 4% y el 6% como error, tomando en cuenta de que no
son complementarios la confianza y el error.
La variabilidad es la probabilidad (o porcentaje) con el que se acept y se rechaz
la hiptesis que se quiere investigar en alguna investigacin anterior o en un
ensayo previo a la investigacin actual. El porcentaje con que se acept tal
hiptesis se denomina variabilidad positiva y el porcentaje con el que se rechaz
se la hiptesis es la variabilidad negativa
El muestreo es el proceso de tomar una proporcin o parte de un universo de
elementos, con la finalidad de analizar en dichos elementos, caractersticas
32

sujetas a estudio o fenmenos factibles de observacin y en base al anlisis de la

muestra o proporcin tomada obtener conclusiones que se refieran no slo a la
muestra sino a todo el universo. Para fines estadsticos, el universo puede
considerarse finito o infinito. Se considera finito si el nmero de elementos que lo
constituyen es menor a 500,000 e infinito si es igual o mayor a este nmero.
Siempre que hagamos la eleccin de una muestra, debemos tener cuidado de que
sta rena las siguientes caractersticas:
Que sea suficiente: es decir que la cantidad de elementos seleccionados sea el
que se requiere para que el nivel de confiabilidad sea el que se ha establecido
previamente.
Que sea representativa: esto quiere decir que los elementos seleccionados
debern presentar caractersticas similares a las de la poblacin o universo.
Al utilizar
muestras en lugar de universos tenemos grandes ventajas, algunas de las
ms importantes son:
El costo se reduce, pues los gastos sern nicamente los ocasionados por una
parte del universo (muestra tomada) y no por la totalidad de l.
Si la muestra es representativa, las deducciones resultantes sobre el universo
sern confiables.
Como solamente se estudia una parte del universo, la informacin obtenida se
realiza en menor tiempo.
Cmo obtener el tamao de la muestra a utilizar?
Una de las preguntas planteadas con mayor frecuencia al iniciar una investigacin
y difcil de contestar, sobre todo por falta de informacin del problema, es:
cuntas observaciones se deben obtener para que el tamao de la muestra sea
realmente representativo del universo estadstico? En este sentido -la decisin del
tamao de la muestra de una poblacin -, es necesario considerar que las
muestras varan en su composicin de una a otra. La magnitud de la variacin
depende del tamao de la muestra y de la variabilidad original de la poblacin. As,
el tamao de la muestra queda determinada por el grado de precisin que se
desea obtener y por variabilidad inicial de la poblacin.
La respuesta a la pregunta planteada se puede considerar tomando como base lo
siguientes:
1. Determinar el nivel de confianza con el cual vamos a trabajar y buscamos el
valor de z asociado a dicho nivel de confianza, un nivel de confianza igual o mayor
al 92% es aceptable estadsticamente.
2. Evaluar la probabilidad
a favor de que suceda un evento o situacin esperada (esta probabilidad
se le denomina p).
3. Evaluar la probabilidad en contra de que suceda en un evento o situacin
esperada (a esta probabilidad se le denomina q= 1 p).
4. Determinar el error (e) mximo para el nivel de precisin que vayamos a permitir
en los resultados (error mximo de estimacin), comnmente se trabaja con
errores de estimacin entre el 2% y el 6%, ya que la validez de la informacin se
33

reduce demasiado para valores mayores del 6%.

Determinamos el tamao de la poblacin o universo.
5.- Se elige la frmula a utilizar para calcular el tamao de la muestra;
dependiendo de si la poblacin o universo sujeto a estudio se va a considerar
infinito infinito. (Una poblacin o universo se considera infinito si el nmero de
elementos de los que consta es igual o mayor a 500,000 y es considerado finito si
el nmero de elementos es menor a esta cantidad).
Diferentes niveles de confianza utilizados en la prctica
Nivel de Confianza | 99.73% | 99% | 98% | 96% | 95.45% | 95% | 90% | 80% |
68.27% | 50% |
Valores de Z | 3.00 | 2.58 | 2.33 | 2.05 | 2.00 | 1.96 | 1.645 | 1.28 | 1.00 | 0.6745 |
El tamao de la muestra:
Al realizar un muestreo probabilstica nos debemos preguntar Cul es el nmero
mnimo de unidades de anlisis ( personas, organizaciones, capitulo de
telenovelas, etc), que se necesitan para conformar una muestra (que me asegure
un error estndar menor que 0.01 ( fijado por el muestrista
o investigador), dado que la poblacin es aproximadamente de tantos
elementos.
En el tamao de una muestra de una poblacin tenemos que tener presente
adems si es conocida o no la varianza poblacional.
Para determinar el tamao de muestra necesario para estimar con un error
mximo permisibleprefijado y conocida la varianza poblacional () podemos utilizar
la formula:
||
que se obtiene de reconocer que es el error estndar o error mximo prefijado y
est dado por la expresin para el nivel de confianza y constituye una medida de
la precisin de la estimacin, por lo que podemos inferir adems que .
Si la varianza de la poblacin es desconocida, que es lo que mas frecuente se ve
en la prctica el tratamiento ser diferente, no es posible encontrar una frmula
cuando la varianza poblacional es desconocida por lo que para ello aconsejamos
utilizar el siguiente procedimientoPrimeramente, se toma una pequea muestra, que se le llama muestra piloto,
con ella se estima la varianza poblacional () y con este valor se evala en la
formula (1), sustituyendo () por su estimacin (). El valor deobtenido ser
aproximadamente el valor necesario, nuevamente con ese valor de se extrae una
muestra de este tamao de la poblacin se le determina la varianza a esa
muestra, como una segunda estimacin de () y se aplica de nuevo la formula (1),
tomando la muestra con el obtenido como muestra piloto para la siguiente
iteracin, se llegar a cumplir con las restricciones prefijadas.
34

Se puede plantear esta afirmacin ya que la de tiende a estabilizarse a

medida que aumentaalrededor de la por lo que llegar el momento en que se
encuentre el tamao de muestra conveniente, sin embargo, en la prctica es
mucho ms sencillo pues, a lo sumo con tres iteraciones se obtiene el tamao de
muestra deseado, este procedimiento para obtener el tamao de muestra deseado
se puede realizar utilizando en Microsoft Excel en la opcin anlisis de datos las
opciones estadstica descriptiva para ir hallando la varianza de cada una de las
muestras y la opcin muestra para ir determinado las muestras pilotos. Para
obtener el tamao de la muestra utilizando este mtodo recomendamos la
utilizacin de un paquete de computo como por ejemplo el Microsoft Excel,
aplicando las opciones muestra y estadstica descriptiva.
Para determinar el tamao de la muestra cuando los datos son cualitativos es
decir para el anlisis de fenmenos sociales o cuando se utilizan escalas
nominales para verificar la ausencia o presencia del fenmeno a estudiar, se
recomienda la utilizacin de la siguiente formula:
| (2) |
siendo sabiendo que:
es la varianza de la poblacin respecto a determinadas variables.
es la varianza de la muestra, la cual podr determinarse en trminos de
probabilidad como
es error estandar que est dado por la diferencia entre () la media poblacional y la
media muestral.
es el error estandar al cuadrado, que nos servir para determinar , por lo que =es
la varianza poblacional.
Clculo del tamao de la muestra
A la hora de determinar el tamao que debe alcanzar una muestra hay que tomar
en cuenta varios factores: el tipo de muestreo, el parmetro a estimar, el error
muestral admisible, la varianza poblacional y el nivel de confianza. Por ello antes
de presentar algunos casos sencillos de clculo del tamao muestral delimitemos
estos factores.
Parmetro. Son las medidas o datos que se obtienen sobre la poblacin.
Estadstico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto
una estimacin de los parmetros.
Error Muestral, de estimacin o standard. Es la diferencia entre un estadstico y su
parmetro correspondiente. Es una medida de la variabilidad de las estimaciones
de muestras repetidas en torno al valor de la poblacin, nos da una nocin clara
de hasta dnde y con qu probabilidad una estimacin basada en una muestra se
aleja del valor que se hubiera obtenido por medio de un censo completo. Siempre
se comete un error, pero la naturaleza de la investigacin nos indicar hasta qu
medida podemos cometerlo (los resultados se someten a error muestral e
intervalos de confianza que varan muestra a muestra). Vara segn se calcule al
principio o al final. Un estadstico ser ms preciso en cuanto y tanto su error es
ms pequeo. Podramos decir que es la desviacin de la distribucin muestral de
un estadstico y su fiabilidad.
35

Nivel de Confianza. Probabilidad de que la estimacin efectuada se ajuste a la

realidad. Cualquier
informacin que queremos recoger est distribuida segn una ley de
probabilidad (Gauss o Student), as llamamos nivel de confianza a la probabilidad
de que el intervalo construido en torno a un estadstico capte el verdadero valor
del parmetro.
Varianza Poblacional. Cuando una poblacin es ms homognea la varianza es
menor y el nmero de entrevistas necesarias para construir un modelo reducido
del universo, o de la poblacin, ser ms pequeo. Generalmente es un valor
desconocido y hay que estimarlo a partir de datos de estudios previos.
Tamao de muestra para estimar la media de la poblacin
Veamos los pasos necesarios para determinar el tamao de una muestra
empleando el muestreo aleatorio simple. Para ello es necesario partir de dos
supuestos: en primer lugar el nivel de confianza al que queremos trabajar; en
segundo lugar, cual es el error mximo que estamos dispuestos a admitir en
nuestra estimacin. As pues los pasos a seguir son:
Veamos los pasos necesarios para determinar el tamao de una muestra
empleando el muestreo aleatorio simple. Para ello es necesario partir de dos
supuestos: en primer lugar el nivel de confianza al que queremos trabajar; en
segundo lugar, cual es el error mximo que estamos dispuestos a admitir en
nuestra estimacin. As pues los pasos a seguir son:
1.- Obtener el tamao muestral imaginando que N
Donde:
: z correspondiente al nivel de confianza elegido
: varianza poblacional
e: error mximo
2.- Comprobar si se cumple
Si esta condicin se cumple el proceso termina aqu, y ese es el tamao adecuado
que debemos muestrear.
Si no se cumple, pasamos a una tercera fase:
3.- Obtener el tamao de la muestra segn la siguiente frmula:
Tamao de muestra para estimar la proporcin de la poblacin
Para calcular el tamao de muestra para la estimacin de proporciones
poblaciones hemos de tener en cuenta los mismos factores que en el caso de la
media. La frmula que nos permitir determinar el tamao muestral es la siguiente:
donde
: z correspondiente al nivel de confianza elegido
36

P: proporcin de una categora de la variable

e: error mximo
N: tamao de la poblacin
4.6 Intervalos de confianza para la media, con el uso de la distribucin Normal
Intervalos de Confianza para la Media con varianza conocida y con Varianza
desconocida
Estimacin de la media con conocida.
Es conocido de nosotros durante este curso, que en base a la distribucin
muestral de medias que se gener en el tema anterior, la frmula para el calculo
de probabilidad es la siguiente: . Como en este caso no conocemos el parmetro y
lo queremos estimar por medio de la media de la muestra, slo se despejar de la
formula anterior, quedando lo siguiente:
De esta formula se puede observar que tanto el tamao de la muestra como el
valor de z se conocern. Z se puede obtener de la tabla de la distribucin normal a
partir del nivel de confianza establecido. Pero en ocasiones se desconoce por lo
que en esos casos
lo correcto es utilizar otra distribucin llamada "t" de student si la poblacin
de donde provienen los datos es normal.
Para el caso de tamaos de muestra grande se puede utilizar una estimacin
puntual de la desviacin estndar, es decir igualar la desviacin estndar de la
muestra a la de la poblacin (s=).
4.6.1 Determinacin del tamao de la muestra con grado de confianza y
estimacin de .
Tamao de la muestra para estimar la media con muestreo simple aleatorio
Para estimar la media poblacional utilizando una variable aleatoria continua se
utiliza la siguiente relacin:
de donde:
n = tamao de la muestra.
N = tamao de la poblacin.
= variable estandarizada de distribucin normal.
S = varianza de la muestra.
d(e) = precisin del muestreo.
= Nivel de significancia.
Generalmente es necesario hacer un premuestreo de 30 elementos, con el
objetivo de hacer una primera estimacin de S.
TAMAO DE LA MUESTRA PARA ESTIMAR PROPORCIONES CON
MUESTREO SIMPLE ALEATORIO
En bastantes ocasiones, la variable bajo estudio es de tipo binomial, en ese caso
para calcular el tamao de muestra bajo el muestreo simple aleatorio, se hara de
37

la siguiente manera:
De donde:
p = probabilidad de xito.
q = probabilidad de fracaso.
d = precisin expresada en porcentaje.
En este caso para la estimacin de la varianza, tenemos dos opciones:
a) hacer un premuestreo.
b) asumir varianza mxima.
4.7 Intervalo de confianza para
la diferencia entre dos medias
Estimacin de la Diferencia entre dos Medias
Si se tienen dos poblaciones con medias 1 y 2 y varianzas 12 y 22,
respectivamente, un estimador puntual de la diferencia entre 1 y 2 est dado por la
estadstica . Por tanto. Para obtener una estimacin puntual de
1- 2, se seleccionan dos muestras aleatorias independientes, una de cada
poblacin, de tamao n1 y n2, se calcula la diferencia , de las medias muestrales.
Recordando a la distribucin muestral de diferencia de medias:
Al despejar de esta ecuacin 1- 2 se tiene:
En el caso en que se desconozcan las varianzas de la poblacin y los tamaos de
muestra sean mayores a 30 se podr utilizar la varianza de la muestra como una
estimacin puntual.
4.8 Una sola muestra: estimacin de la proporcin.
Estimacin de una Proporcin
Un estimador puntual de la proporcin P en un experimento binomial est dado
por la estadstica P=X/N, donde x representa el nmero de xitos en n pruebas.
Por tanto, la proporcin de la muestra p =x/n se utilizar como estimador puntual
del parmetro P.
Si no se espera que la proporcin P desconocida est demasiado cerca de 0 de
1, se puede establecer un intervalo de confianza para P al considerar la
distribucin muestral de proporciones.
Al despejar P de esta ecuacin nos queda:
En este despeje podemos observar que se necesita el valor del parmetro P y es
precisamente lo que queremos estimar, por lo que lo sustituiremos por la
proporcin de la
38

muestra p siempre y cuando el tamao de muestra no sea pequeo.

Cuando n es pequea y la proporcin desconocida P se considera cercana a 0 a
1, el procedimiento del intervalo de confianza que se establece aqu no es
confiable, por tanto, no se debe utilizar. Para estar seguro, se debe requerir que np
nq sea mayor o igual a 5.
El error de estimacin ser la diferencia absoluta entre p y P, y podemos tener el
nivel de confianza de que esta diferencia no exceder .
4.9 Intervalo de confianza para la diferencia de dos proporciones.
Sean e dos poblaciones independientes con y desconocidos. Extraemos
muestras de tamao y , respectivamente. Como y desconocemos los valores de
y , aproximaremos las proporciones poblacionales por las proporciones muestrales
correspondientes.

Introduccin a la calidad total.

Una de las reas de la actividad humana en la que la aplicacin de tcnicas
estadsticas ha tenido gran difusin y al mismo tiempo un enorme xito, es en la de
aquellos aspectos que se relacionan con el control de calidad de produccin de bienes y
suministro de servicios. En los aos 80 la aplicacin de la filosofa y tcnicas del control
de calidad en la produccin supuso un enfoque revolucionario y tremendamente
competitivo, que fue aprovechado sobre todo por la industria japonesa para colocarse a la
cabeza del mercado mundial, lo que resulta curioso, siendo americanos los "padres" del
control de calidad, puesto que la industria americana slo se subi al carro del control de
calidad una vez que la presin ejercida en el mercado por la superioridad de los productos
japoneses les oblig a considerar las bondades de la nueva filosofa, en la que la calidad
constituye un concepto global que no slo se aplica al producto sino a todo el proceso de
fabricacin, incluyendo el control de costes, precios y beneficios, gestin de los
suministros y plazos de entrega.
Aunque inicialmente el control de calidad se aplic solo a la fabricacin industrial,
enseguida se extendi su radio de accin a la prestacin de servicios, donde tambin
podemos incluir el rea de salud, aunque dentro del entorno mdico hay sectores que por
sus caractersticas, ms asimilables a la industria, tienen una mayor tradicin en el
empleo del control de calidad; como son los laboratorios de anlisis clnicos (hematologa,
bioqumica o microbiologa), o los bancos de sangre. Sin embargo las tcnicas han sido
39

utilizadas tambin en otros entornos, como puede ser por ejemplo en la monitorizacin de
fallos en operaciones quirrgicas, y su campo de aplicacin est limitado tan slo por
nuestra imaginacin, ya que cualquier actividad humana es susceptible de ser
cuantificada y por tanto monitorizada para mejorar su calidad, desde el tiempo de espera
de un paciente que acude a consulta, hasta el porcentaje de pacientes que cumplen
adecuadamente el tratamiento prescrito, o el mismo registro de datos en la historia clnica
del paciente.
Un elemento fundamental en la filosofa del control de calidad moderno es la
utilizacin generalizada de procedimientos cientficos, incluidos los mtodos estadsticos,
en la planificacin, recogida de datos y anlisis de los mismos, de tal forma que las
decisiones no se sustenten en meras conjeturas.
Aunque en un sistema sanitario fundamentalmente pblico, como es el espaol,
la competencia no constituye el principal acicate para la incorporacin de sistemas de
control de calidad, no cabe ninguna duda de que sin embargo existen mltiples razones
para incorporar estas tcnicas en la gestin de los servicios de atencin sanitaria, como lo
corrobora el hecho del aumento de su difusin y aplicacin en este entorno, razones en
las que de momento no vamos a entrar, por ser la lnea argumental de estos artculos
fundamentalmente estadstica.

Control Estadstico del Proceso

La estadstica y los mtodos estadsticos siguen haciendo grandes
progresos, pero no es necesario saberlo todo para promover el Control de calidad
y la Gestin Empresarial, por el contrario, de hecho, puede ser perjudicial ensear
demasiadas cosas, por ello la enseanza de los mtodos estadsticos debe
realizarse segn el nivel de los usuarios, teniendo en cuenta las condiciones
reales de los puesto de trabajo donde se vayan a utilizar.
Los mtodos estadsticos se dividen en tres categoras de acuerdo con su
nivel de dificultad y son:
1.Mtodo Estadstico Elemental, las as llamadas Siete Herramientas
Bsicas. Este est dirigido a todos los empleados, desde la alta direccin hasta los
operarios de base, pasando por los directivos medios.
40

1) Diagrama de Pareto: El principio de pocos vitales, muchos triviales.

2) Diagrama de Causa Efecto (no es precisamente una herramienta estadstica).
3) istogramas.
4) Diagrama de Dispersin.
5) Estratificacin.
6) Hojas de Verificacin o Comprobacin.
7) Grficas y Cuadros de Control
Las caractersticas que tienen en comn las Siete Herramientas de C.C.
anteriores, es que todas son visuales y que tienen forma de grficos o diagramas.
Se les llamo las Siete Herramientas del C.C. en memoria de las famosas siete
herramientas del guerrero - sacerdote de la era Kamakura, Bankei, que le
permitieron triunfar en las batallas.
Estas Herramientas se utilizan habitualmente, permitirn que se resuelva
hasta un noventa y cinco por ciento de los problemas de una empresa. Por lo que
las dos categoras restantes se necesitaran solamente para resolver un cinco por
ciento de los casos.
2. Mtodo Estadstico Intermedio. Este esta dirigido a los ingenieros en
general y a los supervisores jvenes.
1) Teora del muestreo.
2) Inspeccin Estadstica por muestreo.
3) Diversos Mtodos de realizar estimaciones y pruebas estadsticas.
4) Uso del papel probabilstico binomial.
5) Correlacin simple y anlisis de regresin.
6) Tcnicas Sencillas de fiabilidad.
7) Mtodos de utilizacin de ensayos sensoriales.
8) Mtodos de disear experimentos.
3. Mtodo Estadstico Avanzado (con computadoras). Este esta dirigido a
ingenieros especialistas y a algunos ingenieros de Control de Calidad.
1) Mtodos Avanzados de disear experimentos.
2) Anlisis de multivariables.
3) Tcnicas avanzadas de fiabilidad.
4) Mtodos avanzados de ensayos sensoriales.
5) Diversos mtodos de investigacin de operaciones.
6) Otros mtodos.
Tema II. "Las Siete Herramientas Bsicas de la Calidad"
A continuacin en el presente trabajo, solamente trataremos las Siete
Herramientas de C.C. ya que estas son mas que suficientes para solucionar la
41

mayora de los problemas que se pudiesen encontrar en una empresa, para los
dems mtodos sera recomendable consultar textos especializados en ellos.
Las Herramientas, tanto las siete bsicas como las siete nuevas,
proporcionan una amplia gama de armas para el control de la calidad. Estas
herramientas son aplicables por igual tanto a procesos de fabricacin como a los
orientados al servicio. Algunas de estas herramientas son muy simples en cuanto
a su uso, pero proporcionan datos de valor incalculable para toma de decisiones
relacionadas con la calidad. Como resultado de su uso, las herramientas
proporcionan una base para los procesos de mejora de calidad.
II.1 Las Siete Herramientas Bsicas de la Calidad
II.1.1 Diagrama de Pareto
El Diagrama de pareto es una grfica en donde se organizan diversas
clasificaciones de datos por orden descendente, de izquierda a derecha por medio
de barras sencillas despus de haber reunido los datos para calificar las causas.
De modo que se pueda asignar un orden de prioridades.
Mediante el Diagrama de pareto se pueden detectar los problemas que
tienen ms relevancia mediante la aplicacin del principio de Pareto (pocos vitales,
muchos triviales) que dice que hay muchos problemas sin importancia frente a
solo unos graves. Ya que por lo general, el 80% de los resultados totales se
originan en el 20% de los elementos.
La minora vital aparece a la izquierda de la grafica y la mayora til a la
derecha. Hay veces que es necesario combinar elementos de la mayora til en
una sola clasificacin denominada otros, la cual siempre deber ser colocada en el
extremo derecho. La escala vertical es para el costo en unidades monetarias,
frecuencia o porcentaje.
La grfica es muy til al permitir identificar visualmente en una sola
revisin tales minoras de caractersticas vitales a las que es importante prestar
atencin y de esta manera utilizar todos los recursos necesarios para llevar acabo
una accin correctiva sin malgastar esfuerzos.
Algunos ejemplos de tales minoras vitales seran:

La minora de clientes que representen la mayora de las

ventas.

La minora de productos, procesos, o caractersticas de la

calidad causantes del grueso de desperdicio o de los costos de
reelaboracin.

42

La minora de rechazos que representa la mayora de quejas

de la clientela.

La minora de vendedores que esta vinculada a la mayora de

partes rechazadas.

La minora de problemas causantes del grueso del retraso de

un proceso.

La minora de productos que representan la mayora de las

ganancias obtenidas.

La minora de elementos que representan al grueso del costo

de un inventarios.

II.1.2 Diagrama de Causa Efecto

A este diagrama se le conoce tambin como diagrama de espina de
pescado, por su forma; como diagrama de Kaoru Ishikawa, por la persona que le
dio origen; y como diagrama de las cuatro M:

Mquina (machine)

Material (material)

Mano de obra (manpower)

Mtodo (meted)

Los Diagramas de Causa Efecto ilustran la relacin entre las

caractersticas (los resultados de un proceso) y aquellas causas que, por razones
tcnicas, se considere que ejercen un efecto sobre el proceso. Casi siempre por
cada efecto hay muchas causas que contribuyen a producirlo. El Efecto es la
caracterstica de la calidad que es necesario mejorar. Las causas por lo general se
dividen en las causas principales de mtodos de trabajo, materiales, mediciones,
personal y entorno. A veces la administracin y el mantenimiento forman parte
tambin de las causas principales. A su vez, cada causa principal se subdivide en
causas menores. Por ejemplo, bajo el rubro de mtodos de trabajo podran
incorporarse la capacitacin, el conocimiento, la habilidad, las caractersticas
fsicas, etc.
El uso de este diagrama facilita en forma notables el entendimiento y
comprensin del proceso y a su vez elimina la dificultad del control de calidad en
el mismo, aun en caso de relaciones demasiado complicadas y promueven el
trabajo en grupo, ya que es necesaria la participacin de gente involucrada para
su elaboracin y uso.
43

II.1.3 Histogramas
Presentacin de datos en forma ordenada con el fin de determinar la
frecuencia con que algo ocurre.
El Histograma muestra grficamente la capacidad de un proceso, y si as
se desea, la relacin que guarda tal proceso con las especificaciones y las
normas. Tambin da una idea de la magnitud de la poblacin y muestra las
discontinuidades que se producen en los datos.
II.1.4 Diagrama de Dispersin
Un Diagrama de Dispersin es la forma mas sencilla de definir si existe o
no una relacin causa efecto entre dos variables y que tan firme es esta relacin,
como estatura y peso. Una aumenta al mismo tiempo con la otra.
El Diagrama de Dispersin es de gran utilidad para la solucin de
problemas de la calidad en un proceso y producto, ya que nos sirve para
comprobar que causas (factores) estn influyendo o perturbando la dispersin de
una caracterstica de calidad o variable del proceso a controlar.
Los motivos mas comunes de este tipo de diagrama son analizar:

La relacin entre una causa y un efecto.

La relacin entre una causa y otra.

La relacin entre una causa y otras dos causas.

Un efecto y otro efecto.

II.1.5 Estratificacin

Es un mtodo que permite hallar el origen de un problema estudiando por

separado cada uno de los componentes de un conjunto. Es la aplicacin a esta
tcnica del principio romano "divide y vencers" y del principio de Management
que dice: "Un gran problema no es nunca un problema nico, sino la suma de
varios pequeos problemas". A veces, al analizar separado las partes del
problema, se observa que la causa u origen est en un problema pequeo.
En la Estratificacin se clasifican los datos tales como defectivos, causas,
fenmenos, tipos de defectos (crticos, mayores, menores), en una serie de grupos
con caractersticas similares con el propsito de comprender mejor la situacin y
encontrar la causa mayor mas fcilmente, y as analizarla y confirmar su efecto
sobre las caractersticas de calidad a mejorar o problema a resolver.
44

II.1.6 Hojas de Verificacin o Comprobacin

Es un formato especial constituido para colectar datos fcilmente, en la
que todos los artculos o factores necesarios son previamente establecidos y en la
que los records de pruebas, resultados de inspeccin o resultados de operaciones
son fcilmente descritos con marcas utilizadas para verificar.
Para propsitos de control de procesos por medio de mtodos estadsticos
es necesaria la obtencin de datos. El control depende de ellos y, por supuesto,
deben ser correctos y colectados debidamente. Adems de la necesidad de
establecer relaciones entre causas y efectos dentro de un proceso de produccin,
con propsito de control de calidad de productividad, las Hojas de Verificacin se
usan para:

Verificar o examinar artculos defectivos.

Examinar o analizar la localizacin de defectos.

Verificar las causas de defectivos.

Verificacin y anlisis de operaciones (A esta ltima puede

llamrsele lista de verificacin)

Las Hojas de Verificacin se utilizan con mayor frecuencia:

Para obtener datos.

Para propsitos de inspeccin.

La Hoja de Verificacin para la obtencin de datos se clasifican de

acuerdo con diferentes caractersticas (calidad o cantidad) y se utilizan para
observar su frecuencia para construir grficas o diagramas. Tambin se utilizan
para reportar diariamente el estado de las operaciones y poder evaluar la
tendencia y/o dispersin de la produccin.
Las Hojas de Verificacin para propsitos de inspeccin se utilizan para
checar ciertas caractersticas de calidad que son necesarias de evaluar, ya sean
en el proceso o producto terminado.

Existen dos tipos de variaciones en todos los procesos industriales y

ambas variaciones causan variaciones posteriores en el producto final. Las
primeras son variaciones de causa natural o comn y pueden ser variaciones en
temperatura, especificaciones en materias primas o electricidad etc. Estas
variaciones son pequeas y normalmente estn cerca del valor medio. El modelo
45

de variacin sera similar a los modelos encontrados en la naturaleza y la

distribucin forma la curva de distribucin normal (forma de campana). Las
segundas son conocidas como causas especiales y suceden con menos
frecuencia que las primeras.
Por ejemplo, una lnea de produccin de cajas de cereales puede estar
diseada para rellenar cada caja de cereales con 500 gramos de producto, pero
algunas cajas pueden tener un poco ms de 500 gramos, y otras pueden tener un
poco menos, conforme a la distribucin del peso neto. Si el proceso de
produccin, sus entradas, o su entorno cambia (por ejemplo, las mquinas de
produccin muestran seales de desgaste), esta distribucin pueda cambiar. Por
ejemplo, si las poleas se desgastan, la mquina que rellena las cajas con cereales
puede empezar a introducir ms cereales en cada caja que lo especificado. Si se
permite continuar con este cambio sin estar controlado, se producirn ms y ms
productos que no entran dentro de las tolerancias del fabricante o del consumidor,
con el resultado de desechos. Mientras en este caso, el desecho est presente en
la forma de producto gratuito para el consumidor, normalmente el desecho
consiste en retrabajo o chatarra.
Observando en el momento justo qu ha pasado en el proceso que ha
provocado un cambio, el ingeniero de calidad o cualquier miembro del equipo que
est como responsable de la lnea de produccin puede solucionar la causa
principal de la variacin que ha entrado en el proceso y se corrige el problema.
El SPC tambin indica cundo se debe tomar una accin dentro de un
proceso, pero indica tambin cuando NO se deben tomar acciones. Un ejemplo es
una persona que le gustara mantener un peso equilibrado y toma medidas de
peso cada semana. Una persona que no entiende los conceptos del SPC pueda
empezar una dieta cada vez que su peso incrementa, o comer ms cada vez que
su peso disminuye. Este tipo de accin puede ser perjudicial y puede generar ms
variacin en peso. SPC se justifica en una variacin del peso normal y una
indicacin mejorada de cundo la persona est ganando o perdiendo peso.

CONTROL POR VARIABLES Y POR ATRIBUTOS

La mayora de las veces los procesos industriales (o de otro tipo) puede
beneficiarse con un programa de diagramas de control. Para implementar
diagramas de control ser necesario tener en cuenta directrices esenciales como
elegir el tipo adecuado de diagramas de control, determinar que caracterstica del
proceso habr que controlar y definir en que lugar del proceso habrn de
incorporar los diagramas de control.
Se puede aplicar las directrices anteriores tanto a los diagramas de control
por variables como de atributos. Recordemos que los diagramas de control no
solamente se usan para vigilar los procesos, y que habra que usarlos como un
mtodo activo, en lnea, para reducir la variabilidad del proceso.
46

Una caracterstica de calidad medible, como dimensin, peso volumen, es

una variable cuantitativa. Los diagramas de control para variables se usan para
contrastar las caractersticas de calidad cuantitativas. Suelen permitir el uso de
procedimientos de control ms eficientes y proporciona ms informacin respecto
al rendimiento del proceso que los diagramas de control de atributos, que son
utilizados para contrastar caractersticas cualitativas, esto es, caractersticas no
cuantificables numricamente.
Entre los diagramas de control por variables ms importantes tenemos los
siguientes:

Grficos de medias X

Grficos de rangos R

Grficos de desviaciones tpicas S

Grficos de medianas X

Grficos de individuos X

En muchos casos sera necesario utilizar simultneamente los graficos de

x y R, Oo tambien los graficos de x y s.
Entre los diagramas de control por atributos mas importantes tenemos los
siguientes:

Grfico de la proporcin de unidades de grafico p

Grfico del numero de unidades defectuosas o grfico np

Grfico del nmero de defectos c

Grfico del nmero de defectos por unidad u

En muchas aplicaciones, el analista tandra que elegir entre un diagramas

de control de variables, como los de X (media) y R (recorrido), y en uno de control
de atributos como el de p (proporcin de unidades defectuosas). En algunos
casos, la seleccin estara bien definida. Por ejemplo, si la caracteristica de calidad
es el color del articulo, como puede serlo en la produccin de alfombras o telas, se
preferira frecuentemente la inspeccion de atributos en vez de tratar de cuantificar
la caracteristica de la calidad color. En otros casos, la seleccin no sera tan
evidente, y el analista tendra que tomar en cuenta varios factores para poder elegir
entre diagramas de control de atributos y de variables.

47

Los diagramas de control de atributos tienen la ventaja de que hacen

posible considerar varias caracteristicas de calidad al mismo tiempo y clasificar el
articulo como disconforme si no satisface la especificacin de cualquier
caracteristica. Por otra parte, si se manejan las diversas caracteristicas de calidad
como variables , entonces habra que medir cada una de ellas y utilizar
separadamente un diagrama X y R para cada una, o bien alguna tecnica de
control multivariante en la que se consideren simultneamente todas las
caracteristicas. Hay una evidente sencillez asociada al diagrama de atributos en
este caso. Adems mediante la inspeccuin por atributos pueden evitarse
mediciones costosas en recursos y tiempo.
En constraste los diagramas de control de variables, proporcionan mucha
ms informacin til respecto al funcionamiento del proceso que los atributos. Se
obtiene directamente informacin especfica acerca de la media del proceso y su
variabilidad. Asimismo, cuando hay puntos que caen fuera de control en los
diagramas por variables, suele haber mucha mas informacin sobre la causa
potencial de esta seal de fuera de control. Para un estudio de la capacidad de un
proceso, se prefieren casi siempre los diagramas de control por variables en vez
de los de atributos. Las excepciones son los estudios sobre las disconformidades
producidas pro maquinas u operadores, en los cuales hay un nmero ms limitado
de fuentes de disconformidad, o bien los estudios relacionados directamente con
el rendimiento y el rechazo del proceso.
Quiza la ventaja mas importante de los diagramas de control X y R o X y
S, (que son los diagramas de control por variables mas importantes) es que a
menudo proporciona una indicacion de problemas inminentes y permiten al
personal operativo tomar acciones correctivas antes de que ocurra la produccin
real de articulos defectuosos. Asi, dichos diagramas son indicadores anticipados
de problemas, mientras que los diagramas de p y np o los de c y u (que son los
diagramas de control de atributos mas importantes) no reaccionaran a menos que
el proceso haya cambiado tanto que se produzcan mas articulos disconformes.
Para un nivel especifico de proteccion contra cambios en el proceso, los
diagramas de control de variables necesitan un tamao muestral mucho ms
pequeo que el diagrama de control por atributos correspondientes. De esta
manera, mientras que el control de variables es normalmente mas costos y lento
por unidad que el control por atributos, se tendran que controlar menos unidades.
Esta es una consideracin muy importante, sobre todo en los casos en los que la
inspeccin es destructiva (como abrir una lata para medir el volumen del contenido
o probar las propiedades quimicas del producto).
ELECCION DEL TIPO DE DIAGRAMAS DE CONTROL
En cuanto a la eleccion del tipo adecuado de diagrama de control, los
diagramas de control por variables de X y R (o de X y S) son apropiados en los
casos siguientes:
48

Se introduce un nuevo proceso, o bien se fabrica un nuevo

producto mediante un proceso ya existente.

El proceso ha estado funcionando durante algun tiempo, pero

tiene problemas crnicos o no puede cumplir con las tolerancias
especificadas.

El proceso tiene problemas, y el diagrama de control puede

ser util para fines de diagnostico (localizacion de averias).

Se necesitan pruebas destructivas (u otros procedimientos de

prueba costosos).

Es conveniente reducir al minimo el muestreo para aceptacin

u otras pruebas cuando el proceso se pueda manejar bajo control.

Se han utilizado graficas de control por atributos, pero el

proceso esta fuera de control o bajo control pero con produccin
inaceptable.

Procesos con especificaciones muy estrechas, tolerancias de

montaje traslapadas, u otros problemas de manufactura difciles.

Situaciones en las que el operario debe decidir si ajusta o no

el proceso, o bien cuando se tiene que evaluar una configuracin.

Se requiere un cambio en las especificaciones del proceso.

Se debe demostrar continuamente la estabilidad y capacidad

del proceso, por ejemplo en industrias no reguladas.

Los diagramas de control por variables relativos al numero de

individuos son apropiados en los siguientes casos:

Procesos en los que es inconveniente o imposible obtener

mas de una medicion por muestra, o cuando mediciones repetidas difieren
solo por errores de laboratorio o de analisis. Esto ocurre a menudo en
procesos quimicos.

Procesos en los que la tecnologa de pruebas de inspeccin

automatizadas permite medir todas las unidades producidas. En estos
casos, se consideran tambien el diagrama de control de la suma
acumulativa CUSUM y el control de promedios mviles ponderados
exponencialmente EWMA.

49

Situaciones en las que los datos se obtiene muy despacio y no

sera practico esperar un muestra mayor, lo que adems hara el
procedimiento de control demasiado lento para reaccuonar a los problemas.
Esto sucede a menudo en situaciones no industriales, por ejemplo se
dispone de datos sobre la contabilidad solo una vez al mes.

50