UNIVERSIDAD AUTONOMA SAN FRANCISCO

CARRERA PROFESIONAL DE INGENIERIA INDUSTRIAL

ASIGNATURA

TEMA

ESTADISTICA APLICADA A LA INGENIERIA

PRUEBAS DE HIPTESIS EN EL CONTROL

DE LA CALIDAD

AUTOR

JORGE CARDENAS VALENCIA

SEMESTRE

IV

CICLO ACADMICO :

2014-I

AREQUIPA PER
2014

PRUEBAS DE HIPTESIS EN EL
CONTROL DE LA CALIDAD

INDICE GENERAL
INDICE .....................................................................Error! Bookmark not defined.
RESUMEN .............................................................................................................. 5
INTRODUCCION .................................................................................................... 8
PRUEBA DE HIPOTESIS EN EL CONTROL DE CALIDAD ................................... 9
2. ETAPAS BSICAS EN PRUEBAS DE HIPTESIS. ....................................... 9
2.1.

ETAPA 1 ....................................................................................................................... 9

2.2.

Etapa 2 .......................................................................................................................... 9

2.3.

Etapa 3 .......................................................................................................................... 9

2.4.

Etapa 4 ........................................................................................................................ 10

2.5.

Etapa 5 ........................................................................................................................ 10

2.6.

Etapa 6 ........................................................................................................................ 10

3. PASOS DE LA PRUEBA DE HIPTESIS ................................................... 11

4. CONCEPTOS BSICOS PARA EL PROCEDIMIENTO DE PRUEBAS DE
HIPTESIS ........................................................................................................ 11
4.1.

HIPTESIS ESTADSTICA .................................................................................. 11

4.2.

HIPTESIS NULA................................................................................................... 12

4.3.

HIPTESIS ALTERNATIVA ................................................................................. 14

5. NIVELES DE SIGNIFICACIN.................................................................... 23
5.1.

PRUEBA DE UNO Y DOS EXTREMOS. ......................................................... 23

5.2.

CURVA CARACTERSTICA OPERATIVA Y CURVA DE POTENCIA ... 24

5.3.

PRUEBAS DE HIPTESIS PARA LA MEDIA Y PROPORCIONES ....... 24

5.4.

PRUEBA DE HIPTESIS PARA PROPORCIONES ................................... 27

5.5.

PRUEBAS DE HIPTESIS ESTADISTICA ..................................................... 28

6. PRUEBAS DE HIPTESIS SPC (STATISTICAL PROCESS CONTROL) .. 35

6.1.

PRUEBAS DE HIPTESIS .................................................................................. 36

6.2.

QU ES UNA GRFICA DE CONTROL? ..................................................... 37

6.3.

CAUSAS COMUNES VS. CAUSAS ESPECIALES DE VARIACIN. .... 37

7. GRAFICAS DE CONTROL DE ATRIBUTOS .............................................. 39

7.1.

GRFICAS DE CONTROL Y PRUEBAS DE HIPTESIS ......................... 40

7.2.

MODELO GENERAL PARA UNA GRFICA DE CONTROL .................... 41

7.3.

APLICACIN DE LAS GRFICAS DE CONTROL ....................................... 41

7.4.

DISEO DE LA GRFICA DE CONTROL ...................................................... 41

7.5.

POR QU UTILIZAR GRFICAS DE CONTROL? .................................... 42

8. TAMAO DE LA MUESTRA Y FRECUENCIA DE MUESTREO................. 42

8.1.

TAMAO DE LA MUESTRA ................................................................................ 42

8.2.

FRECUENCIA DE MUESTREO ......................................................................... 42

8.3.

LONGITUD DE LA CORRIDA PROMEDIO (ARL) ........................................ 42

8.4.

LONGITUD DE LA CORRIDA PROMEDIO .................................................... 43

8.5.

TIEMPO PROMEDIO ENTRE SEALES ........................................................ 43

8.6.

SUBGRUPOS RACIONALES .............................................................................. 43

9. REGLAS DE SENSIBILIZACIN PARA LAS GRFICAS DE CONTROL .. 44

10.

IMPLEMENTACIN DEL CONTROL ESTADSTICO DEL PROCESO ... 44

LISTA DE TABLAS
CONSECUENCIAS DECISIONES (tabla 01)

ANALISIS DE CONSECUENCIAS (tabla 02)

20

LISTA DE FIGURAS
FIGURA 01COMPARANDO DISTRIBUCIONES

16

FIGURA 04UTILIDAD HIPOTESIS

34

FIGURA 05GRAFICA DE CONTROL

39

FIGURA 06APLICACIN DE GRAFICAS

40

FIGURA 07LONGITUD DE LA CORRIDA

42

RESUMEN
PRUEBA DE HIPTESIS: La estadstica inferencial es el proceso de usar la
informacin de una muestra para describir el estado de una poblacin. sin
embargo es frecuente que usemos la informacin de una muestra para probar un
reclamo o conjetura sobre la poblacin. el reclamo o conjetura se refiere a una
hiptesis. el proceso que corrobora si la informacin de una muestra sostiene o
refuta el reclamo se llama prueba de hiptesis.
Hiptesis y Niveles de Significancia
En la prueba de hiptesis se pone a prueba un reclamo hecho sobra la naturaleza
de una poblacin a base de la informacin de una muestra. El reclamo se llama
hiptesis estadstica.
Hiptesis Estadstica: Una hiptesis estadstica es un reclamo hecho sobre la
naturaleza de una poblacin.
Por ejemplo, la premisa formulada por un productor de bateras para autos de que
su batera dura en promedio 48 meses, es una hiptesis estadstica porque el
manufacturero no inspecciona la vida de cada batera que l produce.
Si surgieran quejas de parte de los clientes, entonces se pone a prueba el reclamo
del manufacturero. La hiptesis estadstica sometida a prueba se llama la
hiptesis nula, y se denota como H0.
Hiptesis Nula (H0):Es una Premisa, reclamo, o conjetura que se pronuncia sobre
la naturaleza de una o varias poblaciones.
Por ejemplo, para probar o desaprobar el reclamo pronunciado por el productor de
bateras debemos probar la hiptesis estadstica de que 48. Por lo tanto, la
hiptesis nula es:

H0 : m 48.

Luego se procede a tomar una muestra aleatoria de bateras y medir su vida

media.

Si la informacin obtenida de la muestra no apoya el reclamo en la

hiptesis nula (H0), entonces otra cosa es cierta. La premisa alterna a la hiptesis
nula se llama hiptesis alterna y se representa por H1.
Hiptesis Alterna: Una premisa que es cierta cuando la hiptesis nula es falsa.
Por ejemplo, para el productor de bateras

H0 :

m 48 y

H1 :

m < 48

Para probar si la hiptesis nula es cierta, se toma una muestra aleatoria y se

calcula la informacin, como el promedio, la proporcin, etc. Esta informacin
muestral se llama estadstica de prueba.
Estadstica de Prueba: Una estadstica de prueba se basa en la informacin de la
muestra como la media o la proporcin.
ERROR TIPO 1 Y ERROR TIPO 2
A base de la informacin de una muestra nosotros podemos cometer dos tipos de
errores en nuestra decisin.
1.

Podemos rechazar un H0 que es cierto.

2.

Podemos aceptar un H0 que es falso.

El primero se llama error Tipo 1

Error Tipo 1: Cuando rechazamos una Hiptesis Nula que es cierta cometemos
error tipo 1.
Y el segundo error se llama error Tipo 2.
Error Tipo 2: Cuando aceptamos una Hiptesis Nula que es falsa cometemos
error tipo 2.
NIVEL DE SIGNIFICANCIA (); Para ser muy cuidadosos en no cometer el error tipo 1,
debemos especificar la probabilidad de rechazar H0, denotada por a. A sta se le
llama nivel de significancia.
Nivel de Significancia:

La probabilidad (a) ms alta de rechazar H0 cuando H0

es cierto se llama nivel de significancia.

Comentario: Para mantener la probabilidad de cometer el error tipo 1 baja,
debemos escoger un valor pequeo de a.
Usando un valor preasignado de a se construye una regin de rechazo o regin
crtica en la curva normal estndar o en la curva t que indica si debemos rechazar
H0.
Regin Crtica o de Rechazo: Una regin crtica o de rechazo es una parte de
la curva de z o de la curva t donde se rechaza H0.

La regin puede ser de una cola o de dos dependiendo de la hiptesis alterna.

Ejemplo 1: Determine si la regin de rechazo es de la cola derecha, de la cola

izquierda o de dos colas.
a.

H0 : m = 15,

H1 : m 15, =.05

b.

H0 : p 0.7,

H1 : p > 0.7, =.02

Solucin:

La forma de la regin de rechazo est determinada por la

hiptesis alterna.
a.

H1 : m 15 significa que la regin est en ambas colas.

.05/2

b.

H1 : p > 7 significa que la regin est en la cola derecha.

.02

INTRODUCCION
La competitividad de una empresa cualquiera est relacionada con su buen
desempeo y a su vez, el buen desempeo, est vinculado con la calidad del
producto o bien que elabora, el precio y la calidad del servicio que ofrece. Ahora
bien, cmo podemos conocer el desempeo, la marcha de una organizacin?,
las mediciones son un medio para conocer como marcha una organizacin, ya que
permite transformar la ideas en actividades.
En la bsqueda de conocer y mejorar la competitividad de una empresa, es
necesario cuantificar el funcionamiento de los procesos y sus resultados. Se dice
que medir es comprender, comprender es conocer y conocer es poder, es decir,
podemos observar, medir, analizar, y utilizar la informacin obtenida para generar
cambios, por ejemplo, la vida se mide en aos, das, horas, el mdico cuantifican
la presin sangunea, la frecuencia cardiaca, los profesores califican el
desempeo del aprendizaje, etc. Las organizaciones tambin miden su
desempeo.
El Control de la Calidad se posesiona como una estrategia para asegurar el
mejoramiento continuo de la calidad. Programa para asegurar la continua
satisfaccin de los clientes externos e internos mediante el desarrollo permanente
de la calidad del producto y sus servicios.
Concepto que involucra la orientacin de la organizacin a la calidad
manifestada en la calidad de sus productos, servicios, desarrollo de su personal y
contribucin al bienestar general.
La definicin de una estrategia asegura que la organizacin est haciendo
las cosas que debe hacer para lograr sus objetivos.
La definicin de su sistema determinar si est haciendo estas cosas
correctamente.
La calidad de los procesos se mide por el grado de adecuacin de estos a
lograr la satisfaccin de sus clientes (internos o externos). Esto implica la
definicin de requerimientos del cliente o consumidor, los mtodos de medicin y
estndares contra que comparar la calidad.

PRUEBA DE HIPOTESIS EN EL CONTROL DE CALIDAD

1. CONCEPTO
Afirmacin acerca de los parmetros de la poblacin.
2. ETAPAS BSICAS EN PRUEBAS DE HIPTESIS.
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en
parmetro poblacional. Despus de recolectar una muestra aleatoria, se compara
la estadstica muestral, as como la media (x), con el parmetro hipottico, se
compara con una supuesta media poblacional (). Despus se acepta o se rechaza
el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el
resultado muestral resulta muy poco probable cuando la hiptesis es cierta.

2.1.

ETAPA 1.- Planear la hiptesis nula y la hiptesis alternativa. La

hiptesis nula (H0) es el valor hipottico del parmetro que se compra
con el resultado muestral resulta muy poco probable cuando la
hiptesis es cierta.

2.2.

Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El

nivel de significancia del 5%, entonces se rechaza la hiptesis nula
solamente si el resultado muestral es tan diferente del valor hipottico
que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria
mente con una probabilidad de 1.05 o menos.

2.3.

Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba

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

 CONSECUENCIAS DE LAS DECISIONES EN PRUEBAS DE HIPTESIS.

Decisiones Posibles

Aceptar la Hiptesis Nula

Rechazar la Hiptesis
Nula

2.4.

Situaciones Posibles

Se acepta
correctamente
Error tipo I

La hiptesis nula es
verdadera
Error tipo II

La hiptesis
nula es falsa

Se rechaza
correctamente

Etapa 4.- Establecer el valor o valores crticos de la estadstica de

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

2.5.

Etapa 5.- Determinar el valor real de la estadstica de prueba. Por

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

2.6.

Etapa 6.- Tomar la decisin. Se compara el valor observado de la

estadstica muestral con el valor (o valores) crticos de la estadstica de
prueba. Despus se acepta o se rechaza la hiptesis nula. Si se
rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos, como
por ejemplo, mantener o no un estndar de desempeo o cul de dos
estrategias de mercadotecnia utilizar.

La distribucin apropiada de la prueba estadstica se divide en dos regiones: una

regin de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima
regin no se puede rechazar la hiptesis nula y se llega a la conclusin de que el
proceso funciona correctamente.

10

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

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

3. PASOS DE LA PRUEBA DE HIPTESIS

Expresar la hiptesis nula
Expresar la hiptesis alternativa
Especificar el nivel de significanca
Determinar el tamao de la muestra
Establecer los valores crticos que establecen las regiones de rechazo de
las de no rechazo.
Determinar la prueba estadstica.
Coleccionar los datos y calcular el valor de la muestra de la prueba
estadstica apropiada.
Determinar si la prueba estadstica ha sido en la zona de rechazo a una de
no rechazo.
Determinar la decisin estadstica.
Expresar la decisin estadstica en trminos del problema.

4. CONCEPTOS BSICOS PARA EL PROCEDIMIENTO DE PRUEBAS DE

HIPTESIS.

4.1.

HIPTESIS ESTADSTICA:

Al intentar alcanzar una decisin, es til hacer hiptesis (o conjeturas) sobre

la poblacin aplicada.
Tales hiptesis, que pueden ser o no ciertas, se llaman hiptesis estadsticas.
Son, en general, enunciados acerca de las distribuciones de probabilidad de las
poblaciones.

11

4.2.

HIPTESIS NULA.

En muchos casos formulamos una hiptesis estadstica con el nico propsito de

rechazarla o invalidarla. As, si queremos decidir si una moneda est trucada,
formulamos la hiptesis de que la moneda es buena (o sea p = 0,5, donde p es la
probabilidad de cara).
Analgicamente, si deseamos decidir si un procedimiento es mejor que otro,
formulamos la hiptesis de que no hay diferencia entre ellos (o sea. Que cualquier
diferencia observada se debe simplemente a fluctuaciones en el muestreo de la
misma poblacin). Tales hiptesis se suelen llamar hiptesis nula y se denotan por
Ho.
Para todo tipo de investigacin en la que tenemos dos o ms grupos, se
establecer una hiptesis nula. La hiptesis nula es aquella que nos dice que no
existen diferencias significativas entre los grupos.
Por ejemplo, supongamos que un investigador cree que si un grupo de jvenes se
somete a un entrenamiento intensivo de natacin, stos sern mejores nadadores
que aquellos que no recibieron entrenamiento. Para demostrar su hiptesis toma
al azar una muestra de jvenes, y tambin al azar los distribuye en dos grupos:
uno que llamaremos experimental, el cual recibir entrenamiento, y otro que no
recibir entrenamiento alguno, al que llamaremos control. La hiptesis nula
sealar que no hay diferencia en el desempeo de la natacin entre el grupo de
jvenes que recibi el entrenamiento y el que no lo recibi.
Al plantear una hiptesis debe considerarse que se est haciendo una pregunta a
la naturaleza, quin va a responder.
Al valorar la hiptesis mediante los resultados experimentales el investigador
aceptar o rechazar la hiptesis. Conclusiones que pueden estar o no acordes a
lo qu sucede en la naturaleza. En esta prueba pueden surgir cuatro situaciones:
1.- Aceptar una hiptesis nula acorde al estado natural del material
experimentado;
2.- Aceptar una hiptesis nula diferente al estado natural;
3.- Rechazar una hiptesis nula acorde al estado natural;
4.- Rechazar una hiptesis nula diferente al estado natural.

12

Cuyos efectos deben ser concienzudamente estudiados antes de iniciar la

experiencia.

Una hiptesis nula es importante por varias razones:

Es una hiptesis que se acepta o se rechaza segn el resultado de la
investigacin.
El hecho de contar con una hiptesis nula ayuda a determinar si existe una
diferencia entre los grupos, si esta diferencia es significativa, y si no se
debi al azar.
No toda investigacin precisa de formular hiptesis nula. Recordemos que
la hiptesis nula es aquella por la cual indicamos que la informacin a
obtener es contraria a la hiptesis de trabajo.
Al formular esta hiptesis, se pretende negar la variable independiente. Es
decir, se enuncia que la causa determinada como origen del problema
flucta, por tanto, debe rechazarse como tal.
Otro ejemplo:
Hiptesis: el aprendizaje de los nios se relaciona directamente con su edad.
Ejemplo 1. Del Oftalmlogo
Un doctor especialista en oftalmologa estudia el efecto de dos tcnicas de ciruga
para remover cataratas con respecto a la opacidad de la cpsula del cristalino que
se llega a presentar despus de la ciruga. Estas tcnicas se denominarn A y B
con proporciones o porcentajes P1 y P2 de casos de ojos sanos y Q1 y Q2 de casos
de ojos con opalescencia que son o seran reales. Estos parmetros sern
estimados mediante las proporciones o porcentajes

p1 y p2 resultantes de la

exploracin de casos mediante un muestreo interesan los casos sin opacidad o

positivos.

13

El Objetivo del Cirujano

Consideraciones. El doctor piensa que cuando se operan cataratas con la tcnica

B la proporcin de ojos que presentan opalescencia despus de la ciruga es
menor que cuando se operan con la Tcnica A. Las tcnicas la ha sealado de
acuerdo a su aparicin en la ciruga de ojos, esto es, apareci primero la tcnica A
y posteriormente la tcnica B.

Costo: La tcnica B es ms cara para el paciente pues requiere equipo especial.

El Objetivo del cirujano es probar sin lugar a dudas que los pacientes que se
operan con la Tcnica B tienen menos probabilidades de presentar opalescencia
que cuando se operan con la Tcnica A.
Las Hiptesis del ejemplo del oftalmlogo
Para simplificarse los clculos el cirujano estableci la hiptesis en trmino del
problema como qu:
La Tcnica A = Tcnica B.
El siguiente paso consisti en determinar que sus datos eran de tipo Cualitativo.
Pues los pacientes operados presentaban o no, la opalescencia.
En seguida debi elegir el parmetro que le indicara sin dudas las diferencias
entre las tcnicas. Puedo optar por estudiar el nmero de individuos, la proporcin
o el porcentaje que presentaban opalescencia. Opt por usar las proporciones. De
manera resumida usando la forma simplificada:
Ho; PA = PB; contra Ha; PA < PB
4.3.

HIPTESIS ALTERNATIVA.

Toda hiptesis que difiere de una dada se llamar una hiptesis alternativa. Por
ejemplo: Si una hiptesis es p = 0,5, hiptesis alternativa podran ser p = 0,7, p "
0,5 p > 0,5.
Una hiptesis alternativa a la hiptesis nula se denotar por H1.
Al responder a un problema, es muy conveniente proponer otras hiptesis en que
aparezcan variables independientes distintas de las primeras que formulamos.

14

Por tanto, para no perder tiempo en bsquedas intiles, es necesario hallar

diferentes hiptesis alternativas como respuesta a un mismo problema y elegir
entre ellas cules y en qu orden vamos a tratar su comprobacin.
Las hiptesis, naturalmente, sern diferentes segn el tipo de investigacin que se
est realizando. En los estudios exploratorios, a veces, el objetivo de la
investigacin podr ser simplemente el de obtener los mnimos conocimientos que
permitan formular una hiptesis.
Tambin es aceptable que, en este caso, resulten poco precisas, como cuando
afirmamos que "existe algn tipo de problema social en tal grupo", o que los
planetas poseen algn tipo de atmsfera, sin especificar de qu elementos est
compuesto.
Los trabajos de ndole descriptiva generalmente presentan hiptesis del tipo "todos
los X poseen, en alguna medida, las caracterstica Y". Por ejemplo, podemos decir
que todas las naciones poseen algn comercio internacional, y dedicarnos a
describir, cuantificando, las relaciones comerciales entre ellas. Tambin podemos
hacer afirmaciones del tipo "X pertenece al tipo Y", como cuando decimos que una
tecnologa es capital - intensiva. En estos casos, describimos, clasificndolo, el
objeto de nuestro inters, incluyndolo en un tipo ideal complejo de orden
superior.
Por ltimo, podemos construir hiptesis del tipo "X produce (o afecta) a Y", donde
estaremos en presencia de una relacin entre variables.

Errores de tipo I y de tipo II.

Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha
cometido un error de tipo I.
Por otra parte, si aceptamos una hiptesis que debiera ser rechazada, diremos
que se cometi un error de tipo II.
En ambos casos, se ha producido un juicio errneo.

15

Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una cuestin
sencilla, porque para cualquier tamao de la muestra, un intento de disminuir un
tipo de error suele ir acompaado de un crecimiento del otro tipo.
En la prctica, un tipo de error puede ser ms grave que el otro, y debe alcanzarse
un compromiso que disminuya el error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra
que no siempre es posible.

La Herramienta Para Controlar los Errores

Nuevamente, a partir del intervalo de confianza y de poblaciones con distribucin
normal se ha deducido la herramienta para controlar el error II llegando a:

z 2 pq
n 2
d
En donde z controla el error I, o error de significacin y d2 es el diferencial de
aproximacin que controla el error II.
El cirujano quiere estar seguro que con un nivel de confianza de 99%, las
proporciones que representan los ojos sin opacidad no difieran ms de 0,005 o
0,5%. La respuesta a:
Qu cantidad de ojos intervenidos para retirar la catarata de los ojos se deben
considerar?.

- 2,57582 (0,5 0,5)

n
2.654
2
0.025
Prueba de Hiptesis en Variables Continuas
Usualmente, el tema de Prueba de Hiptesis se hace basndose en variables
continuas con distribucin normal usualmente distribucin de promedios
soportndose en el Teorema Central del Lmite, generalmente en problemas de
muestreo haciendo uso, como en el problema anterior, del Intervalo de Confianza.

16

En las siguientes diapositivas se abordarn dos circunstancias muy relacionadas

con la Prueba de Hiptesis:
Los errores de decisin en las variables continuas que poco diferirn de lo hasta
aqu tratado;
Y los errores de decisin en un Muestreo Completo al Azar.
Comparando Distribuciones
En este caso es notorio que la distribucin desarrollada con la informacin de la
muestra est por debajo de la distribucin real de los datos.
En estas condiciones el error II se mostrar sobre los promedios a la derecha.
La diferencia de -27 kilos o 1,06% de error de estimacin. En condiciones de
inferencia, en donde no es posible obtener el valor paramtrico, esta cantidad es
el error II tambin llamado error del consumidor, es adems mucho ms difcil de
controlar.
Distribuciones de Promedios de un Muestreo
0,60

Probablidades

0,50

Muestra

Poblacin

0,40
0,30
0,20

2.378 kg / Ha

B=
27
Kg

Datos no
considerados o
error II =2,96%

2.686 kg / Ha

0,10

2.
37
9
2.
40
9
2.
43
9
2.
46
9
2.
49
9
2.
52
9
2.
55
9
2.
58
9
2.
61
9
2.
64
9
2.
67
9
2.
70
9
2.
73
9

0,00

Kilos de guisante / Ha
Poblacin

Muestra

FIGURA 01

Prueba de Hiptesis en Experimentos Planificados

En las experiencias planificadas las inferencias que pueden hacerse de los
resultados dependen de la manera como se ha realizado el experimento. Por esto,
la prospectiva de una experiencia debe incluir una descripcin detallada de los
propsitos del mismo.

17

Los Objetivos del Experimento. Debe definirse claramente el propsito del

experimento en trminos de las cuestiones que se desea resolver, las hiptesis
que se desea probar, los detalles que se desean estudiar o los efectos que se
desean estimar. El plan debe considerar en qu extensin se aplicarn las
inferencias deducidas de los datos.
Esto implica un anlisis exhaustivo de las hiptesis para estimar las
consecuencias de las recomendaciones emanadas de los resultados, tanto para el
investigador como para el usuario

El Problema de Experimentacin
Una empresa que fabrica recipientes de hoja de lata quiere homogenizar el equipo
de troquelado y rolado que ha venido usando. Tiene la oferta de 5 empresas que
fabrican troqueladoras y roladoras.
En la actualidad tiene 4 troqueladoras de diferentes marcas que operan cuatro
cuadrillas. La gerencia de la empresa COENLA, S.A., consigue que las empresas
oferentes faciliten la operacin de equipos similares a los que ofrecen, para qu
las cuatro cuadrillas pueden operar los equipos.
Puesto que las cuadrillas de operarios son un factor operativo necesario para que
el trabajo se lleve a cabo, se planifica una experimentacin con un diseo en
Bloques Incompletos. Una de las variables analizadas es el consumo de las
toneladas de hoja de lata en la fabricacin de envases de ms demanda.

El Nivel de Seguridad
El objetivo de la experimentacin ser:
Determinar la mquina que ofrezca mayor rentabilidad para la empresa.
En Experimentacin, usualmente se elige entre niveles de seguridad de 0,05 o 5%
y 0,01 o 1%.
Debe recordarse que el nivel de confianza y la precisin son inversos. Si se quiere
mucha confiabilidad la precisin baja, fenmeno que puede contrarrestarse
aumentando el nmero de observaciones.

18

En este experimento no es posible puesto que el nmero de repeticiones por

tratamiento es de 4, una por cada cuadrilla, situacin que orienta a usar
confiabilidad de 5%.
Considerando los estudios de costo de equipo, mantenimiento y operacin,
durabilidad, capacidad de operacin etc., la posibilidad de que la empresa haga
una eleccin equivocada es baja, esto tambin encamina a usar un nivel de
confianza de 5%.
Prueba de Hiptesis en Control de Procesos
Cuando se habla de procesos industriales los errores estadsticos suelen
nombrarse de manera diferente. As, el Error I se conoce como el error para el
fabricante y el error II el error para el consumidor.
En la mercadotecnia globalizada, estos errores suelen estar determinados
mediante estndares de uso universal. Por ejemplo, para exportar a o producir en
Europa las empresas deben sujetarse a los estndares que fija la Comunidad
Econmica Europea.
Estos estndares obligan al fabricante a utilizar en sus procesos de control de
calidad un nivel de confiabilidad como probabilidad permisible al fabricante y un
nivel como probabilidad de que el producto llegue al consumidor en un rango
determinado.

La Herramienta para Control

Una herramienta que ha demostrado ser til en el control de los procesos y la
calidad es la conocida CARTA DE CONTROL. Un grfico que se interpreta
fcilmente fundamentado en: un muestreo acucioso, un intervalo de confianza
permanente y el proceso aleatorio que debe mantener la fabricacin.
El grfico se divide en seis zonas que permiten apreciar si el sistema se mantiene
bajo control aleatorio. Esto significa que los promedios de los muestreos son
independientes entre s. Cuando aparece algn factor que altere ese devenir
errtico de los promedios, el sistema sale del control aleatorio para entra a una
fase en que se puede determinar l o los factores que hacen que el sistema deje
de ser totalmente aleatorio.

19

El Ejemplo de Control de Calidad.

La empresa Gloria S.A. que se dedica a procesar lcteos y otros productos quiere
cambiar exportar a Centro Amrica y otros pases. Para esto ha establecido un
control de calidad basado en las exigencias de los estndares de Panam, los
ms restrictivos de la zona.
Tienen dudas en cuanto a cumplir los estndares para productos envasados en
cartn emplasticado como son los lcteos fluidos y jugos de frutas.
Por norma, el departamento de control de la calidad hace un muestreo de cinco
envases cada determinado tiempo para cada una de las envasadoras (ver
muestreo sistemtico con iniciacin aleatoria) en donde una de las variables que
se analiza es el volumen del lquido.
Se toma un promedio de las cinco muestras y se elabora una carta de control de
las ltimas 30 muestras que inmediatamente es entregada al supervisor de
produccin para que la analice.

Elaborando la Carta de Control

1.- Determinar el inicio del muestreo;
2.- Obtener la muestra, valorar y registrar en la HE por unidad;
3.- Obtener estadsticos descriptivos de las ltimas 30 muestras = 30 5 = 150
observaciones;
4.- Crear los valores percentiles z(2,5), z(25), z(50), z(75), z(95);
5.- Obtener los valores que demarcan las zonas.

s
xo X z( p)
n
Los valores P(2,5) y P(95) definen El Lmite Inferior de Control y

El

Lmite

Superior de Control.
6.- Acomodar los datos de manera apropiada para graficar;
7.- Graficar y detallar el grfico.

20

Anlisis de las Consecuencias

Hiptesis: Ho; PA = PB

Respuesta de la Naturaleza

Conclusin del cirujano.

Aceptar Ho: pA = pB..
Recomendar
que
tcnicas son iguales.

Tcnica A = Tcnica B

Tcnica A < Tcnica B

No hay Consecuencias

Los pacientes no se
beneficiarn con la nueva
tcnica y el cirujano ser
criticado cuando otros
investigadores reviertan la
conclusin, pues seguramente
se seguir investigando.

Los pacientes estarn pagando

ms por una tcnica que en
realidad no los beneficia
(usualmente no se dan cuenta).
El mdico ser criticado por
hacer una recomendacin
errada, siempre que haya
nuevos experimentos, de otra
forma, la tcnica B nunca se
usar por el hecho de ser ms
costosa.

No hay Consecuencias.

las

Rechazar Ho: pA = pB
Recomienda la tcnica B
basndose en las pruebas.

Probabilidad para los Errores

Despus de prever las consecuencias de formular recomendaciones que no van a
estar de acuerdo a lo que ocurrir en la prctica el investigador, en este caso el
doctor oftalmlogo, debe acotar la probabilidad con la que est dispuesto a
aceptar errores.
Debe tomar en cuenta que entre ms estricto sea con la probabilidad de cometer
errores ms costoso ser el experimento.
El error de aceptar una hiptesis nula que es falsa o error I se controla con
probabilidad , conocido tambin como probabilidad se significacin, e indicar la
proporcin o porcentaje de fallas que el investigador est dispuesto a aceptar.
El error de rechazar una hiptesis nula que es cierta o error II se controla con
probabilidad , tambin conocido como precisin e indica la proporcin o
porcentaje de aproximacin al parmetro que se estima.
Ambas probabilidades se aprecian perfectamente en el Intervalo de Confianza.

21

El Error Tpico de la Proporcin

El intervalo de confianza es una herramienta de la estadstica inferencial que
permite estimar un parmetro dentro de ciertos lmites y bajo una probabilidad de
acertar. Se puede usar si la distribucin de los estimadores es normal o se est
trabajando con promedios ver teorema central del lmite y con una cantidad
suficiente de datos.
En este problema los parmetros son proporciones cuyos estimadores se
distribuyen normal alrededor del parmetro si la cantidad de datos es grande. El
estimador del promedio es p El error tpico de las proporciones se define por:

pq
n

Sp
La Probabilidad

En el intervalo de confianza es evidente que los elementos dentro del parntesis

estn sujetos a la probabilidad .
Esta la define el investigador, usualmente es un valor inferior a 0,05 o 5%. Entre
menor sea este valor, la probabilidad de cometer error I se reduce.
Y esta probabilidad define el valor de la variable estandarizada z para una
distribucin normal estndar. Puesto que los estimadores p pueden ser menores,
iguales o mayores que P el intervalo de confianza es una prueba de dos colas, en
donde se estima una probabilidad /2 para cada cola de la distribucin Normal
Estndar.
Por ejemplo para un nivel de significacin del 5%, el valor z(0,025) = 1,96
La Probabilidad
La probabilidad define el grado de aproximacin del estimador al parmetro. En
el intervalo de confianza este valor depende de n y de la magnitud de p en la
siguiente ecuacin:

d z

pq
n

22

La nica aproximacin del parmetro es p. Para tener una medida porcentual de

la aproximacin del intervalo de confianza, bastara obtener el estimado:

d
p

Como estimacin de la probabilidad

5. NIVELES DE SIGNIFICACIN.
Al contrastar una cierta hiptesis, la mxima probabilidad con la que estamos
dispuesto a correr el riesgo de cometern error de tipo I, se llama nivel de
significacin.
Esta probabilidad, denota a menudo por se, suele especificar antes de tomar la
muestra, de manera que los resultados obtenidos no influyan en nuestra eleccin.
En la prctica, es frecuente un nivel de significacin de 0,05 0,01, si bien
se une otros valores. Si por ejemplo se escoge el nivel de significacin 0,05
( 5%) al disear una regla de decisin, entonces hay unas cinco (05)
oportunidades entre 100 de rechazar la hiptesis cuando debiera haberse
aceptado; Es decir, tenemos un 95% de confianza de que hemos adoptado
la decisin correcta. En tal caso decimos que la hiptesis ha sido rechazada
al nivel de significacin 0,05, lo cual quiere decir que tal hiptesis tiene una
probabilidad 0,05 de ser falsa.
5.1. PRUEBA DE UNO Y DOS EXTREMOS.
Cuando estudiamos ambos valores estadsticos es decir, ambos lados de la media
lo llamamos prueba de uno y dos extremos o contraste de una y dos colas.
Con frecuencia no obstante, estaremos interesados tan slo en valores extremos a
un lado de la media (o sea, en uno de los extremos de la distribucin), tal como
sucede cuando se contrasta la hiptesis de que un proceso es mejor que otro (lo
cual no es lo mismo que contrastar si un proceso es mejor o peor que el otro) tales
contrastes se llaman unilaterales, o de un extremo. En tales situaciones, la regin
crtica es una regin situada a un lado de la distribucin, con rea igual al nivel de
significacin.

23

5.2. CURVA CARACTERSTICA OPERATIVA Y CURVA DE POTENCIA

Podemos limitar un error de tipo I eligiendo adecuadamente el nivel de
significancia. Es posible evitar el riesgo de cometer el error tipo II simplemente no
aceptando nunca la hiptesis, pero en muchas aplicaciones prcticas esto es
inviable. En tales casos, se suele recurrir a curvas caractersticas de operacin o
curvas de potencia que son grficos que muestran las probabilidades de error de
tipo II bajo diversas hiptesis. Proporcionan indicaciones de hasta que punto un
test dado nos permitir evitar un error de tipo II; es decir, nos indicarn la potencia
de un test a la hora de prevenir decisiones errneas. Son tiles en el diseo de
experimentos por que sugieren entre otras cosas el tamao de muestra a manejar.

5.3. PRUEBAS DE HIPTESIS PARA LA MEDIA Y PROPORCIONES

Debido a la dificultad de explicar este tema se enfocar un problema basado en un
estudio en una fbrica de llantas.
En este problema la fbrica de llantas tiene dos turnos de operarios, turno de da y
turno mixto. Se selecciona una muestra aleatoria de 100 llantas producidas por
cada turno para ayudar al gerente a sacar conclusiones de cada una de las
siguientes preguntas:
1.- Es la duracin promedio de las llantas producidas en el turno de da igual a 25
000 millas?
2.- Es la duracin promedio de las llantas producidas en el turno mixto menor de
25 000 millas?
3.- Se revienta ms de un 8% de las llantas producidas por el turno de da antes
de las 10 000 millas?
Prueba De Hiptesis Para La Media
En la fbrica de llantas la hiptesis nula y alternativa para el problema se
plantearon como sigue:
Ho: = 25 000
H1: 25 000

24

Si se considera la desviacin estndar las llantas producidas en el turno de da,

entonces, con base en el teorema de limite central, la distribucin en el muestreo
de la media seguira la distribucin normal, y la prueba estadstica que esta
basada en la diferencia entre la media

de la muestra y la media hipottica se

encontrara como sigue:

Si el tamao de la regin de rechazo se estableciera en 5% entonces se podran
determinar los valores crticos de la distribucin. Dado que la regin de rechazo
esta dividida en las dos colas de la distribucin, el 5% se divide en dos partes
iguales de 2.5%.
Dado que ya se tiene la distribucin normal, los valores crticos se pueden
expresar en unidades de desviacin. Una regin de rechazo de 0.25 en cada cola
de la distribucin normal, da por resultado un rea de .475 entre la media
hipottica y el valor crtico. Si se busca est rea en la distribucin normal, se
encuentra que los valores crticos que dividen las regiones de rechazo y no
rechazo son + 1.96 y - 1.96

FIGURA 02
Por tanto, la regla para decisin sera:
Rechazar Ho si Z > + 1.96
O si Z < - 1.96
De lo contrario, no rechazar Ho
No obstante, en la mayor parte de los casos se desconoce la desviacin estndar
de la poblacin. La desviacin estndar se estima al calcular S, la desviacin
estndar de la muestra. Si se supone que la poblacin es normal la distribucin en
el muestreo de la media seguira una distribucin t con n-1 grados de libertad.

25

En la prctica, se ha encontrado que siempre y cuando el tamao de la muestra

no sea muy pequeo y la poblacin no este muy sesgada, la distribucin t da una
buena aproximacin a la distribucin de muestra de la media. La prueba
estadstica para determinar la diferencia entre la media

de la muestra y la media

de la poblacin cuando se utiliza la desviacin estndar S de la muestra, se

expresa con:

Para una muestra de 100, si se selecciona un nivel de significanca

de .05, los

valores crticos de la distribucin t con 100-1= 99 grados de libertad se puede

obtener como se indica en la siguiente tabla:
Como esta prueba de dos colas, la regin de rechazo de .05 se vuelve a dividir en
dos partes iguales de .025 cada una. Con el uso de las tablas para t, los valores
crticos son 1.984 y +1.984. la regla para la decisin es:
Rechazar Ho si
O si

>+1.984

- 1.984

De lo contrario, no rechazar Ho

FIGURA 03
Los resultados de la muestra para el turno de da fueron
000 millas y

=25 430 millas,

=4

= 100. Puesto que se esta probando si la media es diferente a 25

000 millas, se tiene con la ecuacin

Para ver el grfico seleccione la opcin "Descargar" del men superior

26

Dado que

= 1.075, se ve que -1.984 < +1.075 < + 1.984, entonces no se rechaza

Ho.
Por ello, la de cisin de no rechazar la hiptesis nula Ho. En conclusin es que la
duracin promedio de las llantas es 25 000 millas. A fin de tener en cuenta la
posibilidad de un error de tipo II, este enunciado se puede redactar como "no hay
pruebas de que la duracin promedio de las llantas sea diferente a 25 000 millas
en las llantas producidas en el turno de da".

5.4. PRUEBA DE HIPTESIS PARA PROPORCIONES

El concepto de prueba de hiptesis se puede utilizar para probar hiptesis en
relacin con datos cualitativos. Por ejemplo, en el problema anterior el gerente de
la fbrica de llantas quera determinar la proporcin de llantas que se reventaban
antes de 10,000 millas. Este es un ejemplo de una variable cualitativa, dado que
se desea llegar a conclusiones en cuanto a la proporcin de los valores que tienen
una caracterstica particular.
El gerente de la fbrica de llantas quiere que la calidad de llantas producidas, sea
lo bastante alta para que muy pocas se revienten antes de las 10,000 millas. Si
ms de un 8% de las llantas se revientan antes de las 10,000 millas, se llegara a
concluir que el proceso no funciona correctamente. La hiptesis nula y alternativa
se pueden expresar como sigue:
Ho: p

.08 (funciona correctamente)

H1: p > .08 (no funciona correctamente)

La prueba estadstica se puede expresar en trminos de la proporcin de xitos

como sigue:
En donde
p = proporcin de xitos de la hiptesis nula

27

Ahora se determinar si el proceso funciona correctamente para las llantas

producidas para el turno de da. Los resultados del turno de da ndican que cinco
llantas en una muestra de 100 se reventaron antes de 10,000 millas para este
problema, si se selecciona un nivel de significanca

de .05, las regiones de

rechazo y no rechazo se estableceran como a continuacin se muestra:

Para ver el grfico seleccione la opcin "Descargar" del men superior
Y la regla de decisin sera:
Rechazar Ho si

> + 1.645; de lo contrario no rechazar Ho.

Con los datos que se tienen,

Y entonces,

-1.107 < + 1.645; por tanto no rechazar Ho.

La hiptesis nula no se rechazara por que la prueba estadstica no ha cado en la

regin de rechazo. Se llegara a la conclusin de que no hay pruebas de que ms
del 8% de las llantas producidas en el turno de da se revienten antes de 10,000
millas. El gerente no ha encontrado ninguna prueba de que ocurra un nmero
excesivo de reventones en las llantas producidas en el turno de da.
5.5. PRUEBAS DE HIPTESIS ESTADISTICA
Una hiptesis estadstica es una suposicin hecha con respecto a la funcin de
distribucin de una variable aleatoria.
Para establecer la verdad o falsedad de una hiptesis estadstica con certeza total,
ser necesario examinar toda la poblacin. En la mayora de las situaciones reales
no es posible o practico efectuar este examen, y el camino mas aconsejable es
tomar una muestra aleatoria de la poblacin y en base a ella, decidir si la hiptesis
es verdadera o falsa.
En la prueba de una hiptesis estadstica, es costumbre declarar la hiptesis como
verdadera si la probabilidad calculada excede el valor tabular llamado el nivel de
significacin y se declara falsa si la probabilidad calculada es menor que el valor
tabular. La prueba a realizar depender del tamao de las muestras, de la
homogeneidad de las varianzas y de la dependencia o no de las variables.

28

Si las muestras a probar involucran a ms de 30 observaciones, se aplicar la

prueba de Z, si las muestras a evaluar involucran un nmero de observaciones
menor o igual que 30 se emplea la prueba de t de student. La frmula de clculo
depende de si las varianzas son homogneas o heterogneas, si el nmero de
observaciones es igual o diferente, o si son variables dependientes.
Para determinar la homogeneidad de las varianzas se toma la varianza mayor y se
divide por la menor, este resultado es un estimado de la F de Fisher. Luego se
busca en la tabla de F usando como numerador los grados de libertad (n-1) de la
varianza mayor y como denominador (n-1) de la varianza menor para encontrar la
F de Fisher tabular. Si la F estimada es menor que la F tabular se declara que las
varianzas son homogneas. Si por el contrario, se declaran las varianzas
heterogneas. Cuando son variables dependientes (el valor de una depende del
valor de la otra), se emplea la tcnica de pruebas pareadas.
Como en general estas pruebas se aplican a dos muestras, se denominarn a y b
para referirse a ellas, as entenderemos por:
na al nmero de elementos de la muestra a
nb al nmero de elementos de la muestra b
xb al promedio de la muestra b
s2a la varianza de la muestra a
Y as sucesivamente
Entonces se pueden distinguir 6 casos a saber:
Caso de muestras grandes (n>30)
Caso de na = nb y s2a = s2b
Caso de na = nb y s2a <> s2b
Caso de na <> nb y s2a = s2b
Caso de na <> nb y s2a <> s2b
Caso de variables dependientes
1.-Cuando las muestras a probar involucran a ms de 30 observaciones.

29

Ejemplo 01:
La altura promedio de 50 palmas que tomaron parte de un ensayo es de 78 cm.
con una desviacin estndar de 2.5 cm.; mientras que
otras 50 palmas que no forman parte del ensayo tienen
media y desviacin estndar igual a 77.3 y 2.8 cm.

Se desea probar la hiptesis de que las palmas que participan en el ensayo son
ms altas que las otras.
Consultando el valor z de la tabla a 95% de probabilidad se tiene que es 1.96, por
lo consiguiente, el valor z calculado no fue mayor al valor de la tabla y entonces se
declara la prueba no significativa.
Conclusin: Las alturas promedio de los 2 grupos de
palmas son iguales y la pequea diferencia observada
en favor al primer grupo se debe al azar.
2.-Caso de nmero igual de observaciones y varianzas
homogneas.

Ejemplo 02:
Se plant cierto experimento en 24 parcelas con dos clases de semillas: semilla
mezclada y semilla DxP seleccionada. Se desea saber si el rendimiento observado
por la semilla seleccionada difiere a la otra.
Produccin de palma: TM/ha/ao

s2a = 1748.61 - (144.5)2/12 = 0.78

11
s2b = 4001.14 - (216.2)2/12 = 9.63
11

30

Consultando la tabla de t con n-1 grados de libertad (11) se encuentra un valor de

2.201, por lo tanto, la diferencia se declara significativa.
Conclusin: El rendimiento observado por las plantas de semilla seleccionada fue
significativamente superior a las otras.
4.-Caso de diferente nmero de observaciones y varianzas homogneas

Ejemplo 03:
Se tom una rea de terreno distribuida en 22 parcelas y a 13 de ellas se les
aplic un fertilizante nitrogenado para medir el efecto del N en el crecimiento.
rea foliar de la hoja # 17 en m2

s2a = 968.93 - (112.1)2/13 = 0.19 =12

s2b = 390.84 - (59.2)2/9 = 0.18 = 8
s2c = 12(0.19) + 8(0.18) = 0.19 = 20
Consultando la tabla de t con n-1 grados de libertad (11) se encuentra un valor de
2.201, por lo tanto, la diferencia se declara significativa.
Conclusin: El rendimiento observado por las plantas de semilla seleccionada fue
significativamente superior a las otras.

31

Ejemplo 04:
Se tom una rea de terreno distribuida en 22 parcelas y a 13 de ellas se les
aplic un fertilizante nitrogenado para medir el efecto del N en el crecimiento.
rea foliar de la hoja # 17 en m2

s2a = 968.93 - (112.1)2/13 = 0.19

12
s2b = 390.84 - (59.2)2/9 = 0.18
8
s2c = 12(0.19) + 8(0.18) = 0.19
20
Consultando la tabla con (na-1) + (nb-1) o sea (20) grados de libertad, se obtiene
el valor tabular de 2.086, el cual es menor que la t calculada, por lo tanto la
diferencia se declara significativa.
Conclusin: La diferencia detectada en estas dos muestras es atribuible a la
aplicacin del fertilizante nitrogenado.
5.- Caso de diferente nmero de observaciones y varianzas heterogneas.

En este caso, la tc es comparada con la tg (t generada), que a diferencia de los

casos anteriores, hay que calcularla.

Donde: ta y tb son los valores de la tabla con n-1 grados de libertad para a y b
respectivamente.

32

Ejemplo 05:
Se tomaron 2 muestras de palma comercial de orgenes diferentes y se midi el
porcentaje de almendra en el racimo en ambas muestras, el objeto es probar si las
muestras son diferentes genticamente o no.
Porcentaje de almendra
s2a = 225.02 - (53)2/14 = 1.88
13

s2b = 192.26 - (43.80)2/10 = 0.05

9

En este caso la t generada (tg), reemplaza la t de la tabla y como la tc es menor

que la tg, la diferencia se declara No significativa.
Conclusin: La diferencia observada entre promedios es atribuible nicamente a
errores de muestreo o variabilidad natural, y no a diferencias genticas.
6.-Caso de muestras pareadas(de variables dependientes)
En este caso, se asume que las muestras han sido distribuidas por pares.

Ejemplo: Se tomaron 12 foliolos de palma joven y a cada uno se le trat la mitad

con Benlate para medir la inhibicin del crecimiento de hongos.
Magnitud del dao Sin Con n Benlate Benlate D = X - Y D2

33

Consultando la tabla con n-1 grados de libertad se obtiene el valor tabular de

2.201, por lo tanto, la diferencia se declara significativa.
Conclusin: De la prueba se desprende que el tratamiento con benlate redujo
significativamente la incidencia de hongos.

5.6.

UTILIDAD DE LAS HIPTESIS:

El uso y formulacin correcta de las hiptesis le permiten al investigador poner a

prueba aspectos de la realidad, disminuyendo la distorsin que pudieran producir
sus propios deseos o gustos. Pueden ser sometidas a prueba y demostrarse como
probablemente correctas o incorrectas sin que interfieran los valores o creencias
del individuo.

34

FIGURA 04

6. PRUEBAS DE HIPTESIS SPC (STATISTICAL PROCESS CONTROL)

La Hiptesis Nula (Ho) se supone que es cierta. Esto es como el acusado que se
presume "No culpable". Usted es el fiscal. Usted debe de proporcionar evidencia
de que, esta creencia probablemente no es razonable...
En Seis Sigma, usted tiene un proceso que necesita mejora. Sin embargo, es muy
probable que haya estado operando de esta manera por algn tiempo y "todo
mundo" esta acostumbrado al comportamiento actual. Por lo tanto usted debe dar
evidencia fuerte que compruebe que la "condicin cambiada", es mejor que la
pocisin actual; de esta manera se minimiza el riesgo de cambiar el proceso y
"echarlo a perder".
Generalmente:
Nos gustara que hubiera menos del 10% de probabilidad de que estas
observaciones hubieran ocurrido al azar ( = .10).
Cinco por ciento es mucho ms confortable ( = .05).
Con uno por ciento, uno se siente muy bien ( = .01).
Este nivel de alfa se basa en nuestro supuesto de "no existe diferencia" y en
alguna distribucin de referencia.
Pero, depende de intereses y consecuencias es el " Valor P " Critico
Despus de recolectados los datos, calculamos una prueba estadstica.
El "valor de p" es la suerte, la probabilidad de que los resultados ocurran cuando
Ho es verdadera:

35

Si Ho es verdadera (no hay diferencia) entonces Minitab calcula un "valor p" alto.
Si Ho es falsa (si hay diferencia), entonces Minitab calcula un "valor p" pequeo.
El valor p est basado en la prueba estadstica calculada de sus datos en
comparacin con una distribucin de referencia actual o supuesta (normal,
distribucin t, chi cuadrada, distribucin f, etc.).

6.1.

PRUEBAS DE HIPTESIS

Ejemplo:
Los siguientes datos representan un conjunto de 10 muestras tomadas de 1
Maquina haciendo la misma parte. La especificacin para la Longitud es de 20
mm. La hiptesis nula Ho dice que si cumple con la especificacion, y la alternativa
dice que es diferente a 20mm.
Donde en representacin matemtica es:
Ho= maquina = 20 Ho: maquina 20
Debemos realizar el estudio de prueba de hiptesis para saber la verdad.
(Ver pasos siguientes para determinar la hiptesis Ho).
E(S)= "Estadstico" La aplicacin de tcnicas estadsticas (matemticas) para
medir y analizar la variacin o cambios en los procesos a travs del uso de
nmeros y datos.
P = "Proceso" Cualquier combinacin de mquinas, herramientas, mtodos,
materiales y/o personal empleado para realizar treas especficas en un producto
o servicio. Algunos procesos son de manufactura, algunos son procesos de
servicio, mientras que otros son operaciones de soporte comunes a ambos.
C = "Control" Controlando un proceso usando el ciclo de retroalimentacin a travs
del cual medimos el desempeo real, lo comparamos con un estndar y actuamos
sobre la diferencia o el cambio. Mientras ms pronto respondamos al cambio
respecto del estndar, ms uniforme ser la calidad en el producto o servicio.

36

SPC: Es un mtodo eficiente de recoleccin y anlisis de datos. Se puede aplicar

a cualquier cosa expresada en nmeros. Su aplicacin va ms allde
manufactura, incluyendo compras, control de produccin, personal, contabilidad,
ventas, etc.

6.2. QU ES UNA GRFICA DE CONTROL?

Es la representacin grfica de una caracterstica

de

un

proceso.

Representa a un proceso mostrando si solo estn presentes causas comunes de

variacin.
Le dice si algo est cambiando en su proceso y en que momento est sucediendo
tal cambio.
No le dice que est causando el cambio y si este es "bueno" o "malo".
6.3. CAUSAS COMUNES VS. CAUSAS ESPECIALES DE VARIACIN.
Por qu invertir tiempo identificando si la variacin en un proceso es debida a
causas
comunes o especiales?
Prueba para detectar causas especiales...
1) Recolecte, grafique, y clasifique cuando menos 30 datos y asegrese de
que pasan las pruebas de normalidad y calcule los lmites de control.
Tpicamente, esto incluye calcular la media, la desviacin estndar, y
entonces ir "arriba y abajo"3 desviaciones estndar de la media.
2) Aplique las siguientes pruebas: (si alguna pasa, la variacin se dice que es
causa especial por naturaleza).
2.1) Cualquier punto que caiga fuera de los lmites de control.
2.2)

puntos

consecutivamente

incrementando

decreciendo.

2.3) 7 puntos consecutivos en un lado de la media (no la meta).

2.4) 14 puntos consecutivos en forma de "serrucho".
Causas Comunes vs. Causas Especiales de Variacin

37

1) Estratificacin - examinando las diferentes caractersticas respecto la salida

del proceso, tales como que da de la semana ocurri la variacin ms alta
o cual estilo/parte gener la mayor variacin. Tpicamente, las grficas de
Pareto son muy tiles cuando se estratifican los datos.

2) Disgregacin - dividir un proceso en sus componentes y estudiar la

variacin en cada paso del proceso. Se relaciona muy seguido con estudios
de capacidad y de rendimiento. Los Diagramas de Flujo, los histogramas, y
las grficas de pareto son muy tiles al desintegrar los datos.

3) Experimentacin - cambiando algunos factores en diferentes niveles y

analizando los resultados y los efectos. La Experimentacin puede resultar
costosa y lo comn es que se intente nicamente despus de haber hecho
la estratificacin y/o la disgregacin.

4) Estratificacin
Los puntos graficados tienen la tendencia a agruparse cerca de la lnea
central.
Una causa potencial de la estratificacin es el clculo incorrecto de los
lmites de control. Tambin puede ser que el proceso ha mejorado y su
distribucin ya es ms angosta. De cualquier forma, se deben recalcular los
lmites

de

control.

Grficas de Control para Datos Variables

X-barra
- Mide el objetivo o el centro del proceso
- Verifica el cambio en la Media de la variable a travs del tiempo
Individuales
- Similar a la X-barra
- Grafica puntos individuales en lugar de la Media
Mediana

38

- Similar a la X-barra
- Grafica todos los puntos en la muestra y el punto de en medio seencierra
en un crculo
5) Rango
- Se usa con la grfica X-barra
- Verifica la variabilidad del proceso a travs del tiempo
- Mide la ganancia o prdida de uniformidad Sigma
- Similar a la grfica de Rango
- Usa la estimacin de Sigma de la muestra

6) Rango Mvil
- Similar a la grfica de Rango
- Se grafica un rango nuevo con cada punto consecutivo
- Se usa con la grfica individual 11
7. GRAFICAS DE CONTROL DE ATRIBUTOS
Estn basadas en decisiones de acepto/no-acepto.
Se pueden aplicar en casi cualquier operacin donde se recolectan datos.
Se utilizan en caractersticas de calidad que no pueden ser medidas o que son
costosas o difciles de medir.
A diferencia de las grficas de control por variables, las grficas de atributos se
pueden establecer para una caracterstica de calidad o para muchas.
Un defectuoso es una unidad en una muestra que tiene una o ms noconformanca (s) respecto al criterio especificado.
Un defecto es cada no-conformancia respecto al criterio de aceptacin
especificado.

39

7.1.

GRFICAS DE CONTROL Y PRUEBAS DE HIPTESIS

Suponga que en la grfica de control el eje vertical representa el estadstico

muestral x . Si el valor de

cae dentro de los lmites de control, concluimos que la

media del proceso est bajo control. x

0
Por otra parte, si

excede cualquiera de los lmites de control, concluimos que la

media del proceso est fuera de control.

0
La prueba de hiptesis quedara de la siguiente manera:

H 0 : 0
H1 : 0
Regin de rechazo
x LIC x LSC

FIGURA 05

40

7.2.

MODELO GENERAL PARA UNA GRFICA DE CONTROL

Sea w un estadstico muestral que mide cierta caracterstica de calidad y sean

la media y la desviacin estndar de w, respectivamente. Entonces, LC,
LSC y LIC son:

7.3. APLICACIN DE LAS GRFICAS DE CONTROL

El uso ms importante es mejorar el desempeo del proceso.

FIGURA 06
Instrumento de estimacin de ciertos parmetros del proceso como la
media, la desviacin estndar, fraccin de defectuosos, etc.
Realizacin de estudios de capacidad del proceso.

7.4.

DISEO DE LA GRFICA DE CONTROL

En la mayora de los problemas de control es comn apoyarse principalmente en

consideraciones estadsticas para disear las grficas de control, asumiendo los
factores de costo implcitamente.
Recientemente se ha iniciado a examinar el diseo de las grficas de control
desde un enfoque econmico, considerando el costo de muestreo, de producir
artculos defectuosos, de investigar falsas alarmas, etc.

41

7.5.
POR QU UTILIZAR GRFICAS DE CONTROL?
Son una tcnica comprobada para mejorar la productividad
Son efectivas para la prevencin de defectos
Previenen ajustes innecesarios del proceso
Proporcionan informacin de diagnstico
Proporcionan informacin sobre la capacidad del proceso
8. TAMAO DE LA MUESTRA Y FRECUENCIA DE MUESTREO

8.1.

TAMAO DE LA MUESTRA

Al disear una grfica de control se debe especificar tanto el tamao de la muestra

como la frecuencia de muestreo.
n= tamao de la muestra
h= intervalo de tiempo entre muestras
La capacidad de la grfica de control para detectar cierto tipo de cambios en el
proceso depende del tamao de la muestra.
Si deseamos detectar cambios pequeos se deben utilizar muestras grandes.
Si deseamos detectar cambios grandes es mejor utilizar muestras pequeas.

8.2.

FRECUENCIA DE MUESTREO

La situacin ms deseable para detectar los cambios es tomar muestras grandes

de manera frecuente.
Se presenta el problema econmico.
Opciones:
Muestras pequeas en intervalos cortos de tiempo
Muestras grandes en intervalos largos de tiempo.
8.3. LONGITUD DE LA CORRIDA PROMEDIO (ARL)
Otra forma de enfrentar el problema de decidir sobre el tamao de muestra y la
frecuencia de muestreo es mediante La Longitud de la Corrida Promedio (ARL)
de la GC.
La ARL es el nmero promedio de puntos que deben graficarse antes de que un
punto indique una condicin fuera de control.

42

FIGURA 07
8.4.

LONGITUD DE LA CORRIDA PROMEDIO

La ARL se calcula mediante:

donde p es la probabilidad de que cualquier punto exceda los lmites de
control.
La longitud de la corrida promedio cuando el proceso est bajo control se llama
ARL0 y se calcula mediante:

La longitud de la corrida promedio cuando el proceso est fuera de control se

llama ARL1 y se calcula mediante:

8.5. TIEMPO PROMEDIO ENTRE SEALES

El Tiempo Promedio de Seal (ATS) es el tiempo que debe transcurrir en
promedio entre una seal de fuera de contro y otra. Si se toma una muestra cada
h unidades de tiempo, entonces el ATS se calcula mediante:

ATS = ARL h

8.6.

SUBGRUPOS RACIONALES

Una idea fundamental al momento de utilizar GC es la recoleccin de los datos

muestrales de acuerdo a lo que Shewhart llam el concepto de Subgrpos
Racionales.

43

Cuando se aplican las GC a procesos productivos, frecuentemente se utiliza el

orden del tiempo de produccin, ya que permite detectar causas asignables que
ocurren sobre el tiempo.

9. REGLAS DE SENSIBILIZACIN PARA LAS GRFICAS DE CONTROL

Uno o ms puntos fuera de los lmites de control
Dos de tres puntos consecutivos fuera de los lmites de advertencia 2-sigma
pero dentro de los lmites de control.
Cuatro de cinco puntos consecutivos ms all de los lmites 1-sigma.
Una corrida de ocho puntos consecutivos sobre un lado de la lnea central.
Seis puntos en una corrida estable creciente o decreciente
Quince puntos en una corrida en la zona C (por arriba y por abajo de la
lnea central).
Catorce puntos en una corrida que se alterna arriba y abajo.
Ocho puntos en una corrida en ambos lados de la lnea central sin niguno
en la zona C.
Un patron inusual o no aleatorio en los datos
Uno o ms puntos cerca de un lmite de control o de advertencia.

10. IMPLEMENTACIN DEL CONTROL ESTADSTICO DEL PROCESO

Elementos de un programa de CEP exitoso:
Liderazgo administrativo
Un enfoque de equipo
Educacin de los empleados a todos los niveles
Enfasis en la mejora continua
Un mecanismo para reconocer el xito y comunicarlo a toda la
organizacin

44

CONCLUSIONES
Un proceso se dice que se encuentra bajo control estadstico si slo se ve
afectado por un conjunto de causas aleatorias de variacin estadstica, y
agentes de datos que estn inmersos dentro de una cantidad de datos.
Si el proceso se encuentra afectado por causas asignables de variacin, se
dice que est fuera de control.
El control externo y la amenaza de sanciones no son los nicos medios para
obtener el esfuerzo necesario para la realizacin de los objetivos de la
empresa. Aplicamos estndares de regulacin nacional para el control de
calidad, analizando datos histricos para la mejora de los productos.
El

compromiso

se

efecta

en

la

medida

que

los

resultados

son

recompensados, y la mas importante de estas recompensas es la satisfaccin

del ego, que puede ser la consecuencia de los esfuerzos consagrados a la
empresa.
El individuo medio, en las condiciones deseadas, aprende no slo a aceptar
responsabilidades sino a buscarlas, debido a la busca continua de crecimiento
personal y posteriormente grupal.
La

capacidad

de

exhibir

cualidades

relativamente

desarrolladas

de

imaginacin, inventiva y de creatividad en la solucin de los problemas de la

organizacin est ampliamente extendida en la gente y no es escasa.
Segn el control de la calidad, la Evaluacin objetiva de todas las funciones y
elementos requeridos para garantizar la calidad de los productos y servicios
de la organizacin.
La organizacin de la calidad usa data y el mtodo cientfico para planear el
trabajo, resolver problemas, hacer decisiones y lograr el mejoramiento.

45

BIBLIOGRAFIA

http://www.monografias.com/trabajos17/pruebas-de-hipotesis/pruebas-dehipotesis.shtml

http://www.slideshare.net/alerioz/prueba-de-hiptesis-12584062

http://www.gestiopolis.com/finanzas-contaduria/estadisticas-de-apoyopruebas-de-hipotesis.htm

http://www.monografias.com/trabajos-pdf/control-estadistico-proceso/controlestadistico-proceso.pdf

http://es.scribd.com/doc/31173076/pruebas-de-hipotesis

http://books.google.com.pe/books?id=jH8Nu0yVXq0C&pg=PA241&lpg=PA241
&dq=pruebas+de+hip%C3%B3tesis+en+el+control+de+la+calidad&source=bl
&ots=V4nOcCp2Td&sig=RtIg5bkQGAhE3q8plJMu9bl11Rg&hl=es&sa=X&ei=z
Kt1Uev0OaLi0gHfw4CABg&ved=0CC4Q6AEwAQ

http://books.google.com.pe/books?id=ehmBzuuZdzUC&pg=PA341&lpg=PA34
1&dq=prueba+de+hipotesis+control+de+calidad&source=bl&ots=-dDx0Lpr0&sig=0Cvuqe6XDSY77k4oxhV54oV3vB8&hl=es&sa=X&ei=47B1UZ3
HLqb64AOL94GoBQ&ved=0CEYQ6AEwBQ#v=onepage&q=prueba%20de%2
0hipotesis%20control%20de%20calidad&f=false

http://es.wikipedia.org/wiki/Control_de_calidad

http://www.gestiopolis.com/finanzas-contaduria/estadisticas-de-apoyopruebas-de-hipotesis.htm

http://www.estadistica.ucr.ac.cr/pdf/xs-0277/xs277-2.pdf

46