Control Estadístico de Procesos (SPC) para NO estadísticos.
|
|
- Alfonso Méndez Reyes
- hace 7 años
- Vistas:
Transcripción
1 Control Estadístico de Procesos (SPC) para NO estadísticos. - Sesión 3ª de 4 - Impartido por: Jaume Ramonet Fernández Ingeniero Industrial Superior PMP (PMI ) Consultoría y Formación
2 Actitud requerida para recibir formación... y obtener conocimiento: "Quien establece una diferencia entre educación y entretenimiento, no sabe nada ni de una cosa ni de la otra" Marshall McLuhan. 2 / 56
3 Temario de la sesión: Gráficos de Control: Reglas de verificación de proceso bajo control. Clasificación de los G. C. Gráficos para Variables: Gráficos para Atributos: X, R, S, indiv, MR y MA. P, np, C y U. Anexo: Tabla de Constantes. Aviso legal: Dado el carácter y la finalidad exclusivamente docente y eminentemente ilustrativa de las explicaciones en clase de esta presentación, el autor se acoge al artículo 32 de la ley de propiedad intelectual vigente respecto al uso parcial de obras ajenas como imágenes, gráficos u otro material contenidos en las diferentes transparencias. 3 / 56
4 Recordemos... 4 / 56
5 Reglas de Proceso bajo control : Zonas del Gráfico de Control Fuera de Control LCS 1 sigma Zona A Zona B 1 sigma Zona C 1 sigma LC Zona C 1 sigma 1 sigma 1 sigma Zona B Zona A LCI Fuera de Control 5 / 56
6 Reglas de Proceso FUERA de control: Regla 1: 8 puntos consecutivos caen por encima o por debajo de la media. 5 puntos consecutivos son ascendentes o descendentes. 14 puntos consecutivos se alternan arriba / abajo (sierra). 4 puntos de un grupo de 5 consecutivos en la zona A o B. Regla 7: 2 puntos consecutivos en la misma zona A. Regla 6: Regla 4: Regla 5: Regla 3: Un solo valor cae fuera de los límites de control. Regla 2: 15 puntos consecutivos en la zona C. Regla 8: 8 puntos consecutivos ninguno en la zona C. Debate (ustedes): Justificar cada regla... 6 / 56
7 Reglas para Proceso FUERA de Control Gráfico de Medias (Ẍ) Para ± (3 σ) Probabilidad Notas: Regla 1 0,27% Si gráfico R/S es Ok, posible desplazamiento de la media. Regla 2 0,39% Si gráfico R/S es Ok, posible desplazamiento de la media. Regla 3? Si gráfico R/S es Ok, posible desplazamiento de la media. Regla 4? Proceso inestable (diente de sierra). Regla 5 0,05% Si gráfico R/S es Ok, posible desplazamiento de la media. Regla 6 0,27% Si gráfico R/S es Ok, posible desplazamiento de la media. Regla 7 0,30% Síntoma de reducción de la variabilidad. Ver gráfico R/S. Regla 8? Síntoma de aumento de la variabilidad. Si gráfico R/S es Ok.: posible mezcla de 2 poblaciones. 7 / 56
8 Uso de los Gráficos de Control (I) PRIMERO de TODO: Análisis del Proceso a controlar. Identificar, determinar y clasificar las posibles causas de variación conocidas y el/los parámetro/s (factor/es clave) a controlar del proceso. Seleccionar, para cada uno de los parámetros, el tipo de gráfico a utilizar (ver esquema siguiente). Obtener el Límite Central -LC- (Atención: LC # VN). Hay 2 posibilidades: A) Datos de la población SI conocidos: LC = Media de la población. B) Datos de la población NO conocidos: Calcular el valor del -LC- mediante inferencia estadística, a partir de un conjunto de muestras grande (>20, mejor de 30 a 50) y con el proceso estable (sin causas conocidas de variación). Calcular (a partir de las formulas correspondientes) los valores de los límites de control (LC superior -LCs- y LC inferior -LCi-). Nota: En los gráficos de atributos con tamaño de muestra variable, estos límites son función del tamaño de la muestra, por lo que solo se pueden calcular en el momento de realizar el control. 8 / 56
9 Uso de los Gráficos de Control (II) Con los datos anteriores, crear el/los Gráfico/s o Carta/s de Control (originalmente en papel, actualmente prepararemos una hoja de cálculo) Elaborar el Procedimiento o Instrucción operativa para la toma de datos que incluya: Tipo de muestreo: todos los individuos, a intervalos (de tiempo o de individuos), todos los individuos. Tamaño de la muestra («subgrupo racional») (n= 4 o 5 para distribución Normal, n >= 20 para otras distribuciones) Valor a controlar y registrar (unidades). Métodos e instrumentos de medición a utilizar (mantenimiento, calibración, etc.) Cálculos a realizar (Cada punto en el gráfico representa el valor medio del parámetro calculado sobre la muestra). Responsabilidades de recolección, realización de los cálculos, registro e interpretación de los resultados (8 reglas!) y decisión de la realización de las acciones correctivas, si procede. 9 / 56
10 Uso de los Gráficos de Control (III) Determinar la periodicidad de la toma de muestras: Mayor cuanto menor sea el Cpk o más inestable sea el proceso. Tener en cuenta las posibles pérdidas económicas si el proceso esté fuera de control sin que lo advirtamos (Error tipo II). A mayores perdidas mayor frecuencia ;-) Impartir la formación adecuada al personal implicado. Poner en marcha la realización del Gráfico de Control. Cada vez que el proceso este fuera de control, registrar el caso, analizar la posible causa especial y implementar las acciones correctoras que la eviten en el futuro, si procede. Revisar periódicamente la consistencia de los parámetros utilizados (-LC- LCs-LCi-) en la construcción del Gráfico de Control. p.e. Si se producen muchos falsos positivos (Error tipo I - Falsas alarmas ). 10 / 56
11 GC. para parámetros Variables Contínuas n = tamaño de cada muestra. No No n >= 10 Gráficos X y R Inicio n=1 Si Si Gráficos X y S - Grs. Valores Individuales y Rangos Móviles (MR). - Grs. Medias Móviles (MA) y Rangos Móviles (MR). 11 / 56
12 Gráficos para VARIABLES Continuas: Gráficos de Control de la Tendencia Central del proceso: Gráfico de Medias muestrales X Gráfico de Valores Individuales. Gráfico de Media Móvil MA. Gráficos de Control de la Variabilidad del proceso: Gráfico de Rangos de recorrido R Gráfico de Desviaciones S. Gráfico de Rango Móvil MR. Nota: Para el control efectivo de las variables continuas debemos tener dos gráficos de cada parámetro: un gráfico que controla la tendencia central (media) y otro gráfico para la variabilidad (dispersión o desviación) (R o S). 12 / 56
13 Variables: Resumen de formulas Consultar valores A, A2, A3, B3, B4, B5, B6, D1, D2, D3 y D4 en tabla última transparencia. 13 / 56
14 Variables: Gráfico de Medias X Valor representado: Media de cada muestra (media muestral). Cálculo de los Límites de Control del gráfico: Si conocemos (μ; σ) de la población: LCS = μ + ( 3 σ / n ) = μ + A σ ; (siendo A = 3 / n ). LC = μ LCI = μ - ( 3 σ / n ) = μ - A σ X Si no conocemos los datos de la población, hay que calcularlos por inferencia estadística: x = media de las medias muestrales, Rmedio = la media de los rangos (Válido para muestras pequeñas n < 10) o Smedia = media de las desviaciones muestrales: LCS = x + A2 Rmedio o utilizando S: LCS = x + A3 Smedia LC = x LCI = x - A2 Rmedio o utilizando S: LCS = x - A3 Smedia Consultar valores A2, D3 y D4 en tabla Factores para los Gráficos de Control 14 / 56
15 Gráfico de Rangos R Valor representado: Rango de dispersión de cada muestra. Límites de Control: Si conocemos (μ; σ) de la población (Nota: A2 = 3 / n): LCS = D2 σ LC = d2 σ LCI = D1 σ Si no los conocemos, calculamos la media (ẍ) y la media de los rangos (Rmedio). Válido para muestras pequeñas ( n < 10): LCS = Rmedio D4 LC = Rmedio LCI = Rmedio D3 Consultar valores A2, D3 y D4 en tabla Constantes para los Gráficos de Control 15 / 56
16 Gráfico de Desviación S Valor representado: Valor de la desviación de cada muestra. Límites de Control: Si conocemos (μ; σ) de la población (Nota: A2 = 3 / n): LCS = B2 σ - Mejor con estimador insesgado: LCS = B6 σ X LC = c2 σ LCI = B1 σ - Mejor con estimador insesgado: LCS = B5 σ Si no los conocemos, calculamos la media (ẍ) y la media de las desviaciones muestrales (Smedia): LCS = B4 * Smedia LC = Smedia LCI = B3 * Smedia Consultar valores A2, D3 y D4 en tabla Factores para los Gráficos de Control 16 / 56
17 Obtener los parámetros del proceso (cuando no conocemos los datos de la población) Tomar k (>= 20) muestras homogéneas de tamaño n (entre 2 y 6) a intervalos regulares y de forma consecutiva. Calcular la media, el rango y/o la desviación de cada muestra. Calcular la media de las k medias muestrales, la media de los k rangos y/o la media de las desviaciones. Calcular los límites de control mediante las formulas correspondientes (según las transparencias anteriores). Construir los gráficos con los datos de las k muestras y verificar que no hay comportamientos anómalos (es decir que el proceso ha estado bajo control durante la toma de muestras y que no hay ninguna muestra fuera de control). En otro caso, eliminar la muestra y calcular de nuevo o estabilizar el proceso y proceder de nuevo desde el principio ;-( 17 / 56
18 Ejemplo X R: (población NO conocida) Gráfico X: LCS = ẍ + A2 * Rmedio LCS = 200, ,577 * 1,934 = 201,144 LC = Media LC = 200,028 LCI = ẍ - A2 * Rmedio LCI = 200,028-0,577 * 1,934 = 198,912 Gráfico R: LCS = Rmedio D4 LCS = 1,934 * 2,114 = 4,088 LC = Rmedio LC = 1,934 LCI = Rmedio D3 LCS = 1,934 * 0 = 0 18 / 56
19 Ejemplo X-R: Gráfico de Medias X que hacer? 19 / 56
20 Ejemplo X-R: Gráfico de Rangos R 20 / 56
21 Ejemplo X-R: Eliminar muestra nº 4 por fuera de límites y recalcular... Límite CS = 201, / 56
22 Ejemplo X-R: Nuevos cálculos Gráfico Ẍ: LC = Media LC = 199,980 LCS = ẍ + A2 * R LCS = 199, ,577 * 1,899 = 201,076 LCI = ẍ - A2 * R LCS = 199,980-0,577 * 1,899 = 198, / 56
23 Ejemplo X-R: Nueva gráfica de Medias Ẍ AC!!! O D A T EP Nota: Ahora habria que verificar que el gráfico R también está dentro de límites / 56
24 Ejemplo: Gráficos X-S Una nueva máquina automática de producción ha de ser validada antes de su instalación en las dependencias del cliente. Su especificación dice que producirá piezas con un diámetro medio de 0,574 mm con una desviación típica de 0,008 mm. Para determinar su validez, se ha diseñado un plan de muestreo según el siguiente esquema: Tamaño de muestra: 6 unidades. Parámetro a obtener: media muestral del diámetro, en mm. Frecuencia de muestreo: una muestra cada hora, a lo largo de un ciclo de 24 h. (total: 24 muestras). Diseñar el Gráfico de Control adecuado para esta verificación con un índice de confianza del 99,97%. 24 / 56
25 Ejemplo: Gráficos X S (Cálculos) Conocemos los datos (teóricos) de la población: Media μ = 0,5740 mm. Desviación σ = 0,008 mm. Límites de Control para el Gráfico de medias Ẍ : LCS = μ + 3 σ / n (= μ + A σ) = 0, * 0,008 / 6 = 0,5838 mm. LC = μ = 0,5740 mm. LCI = μ - 3 σ / n (= μ - A σ) = 0,574-3 * 0,008 / 6 = 0,5642 mm. Límites de Control para el Gráfico de Desviaciones S : LCS = B6 σ = 1,874 * 0,008 = 0,0150 mm LC = σ = 0,008 mm LCI = B5 σ = 0,029 * 0,008 = 0,0002 mm 25 / 56
26 Ejemplo: Gráfico para las medias X 26 / 56
27 Ejemplo: Gráfico para las Desviaciones S 27 / 56
28 Datos de las muestras caso anterior / 56
29 Gráficos para Valores Individuales Tamaño de muestra n = 1. Por ejemplo: Inspección automática. Ensayo destructivo sobre elemento de precio elevado. Proceso químico continuo ( batch ). Producción de elementos espaciada en el tiempo (p.e. Uno cada día). Estimador de la medida central del proceso: la propia medida de cada elemento (Gráfico de valores individuales). Estimador de la variabilidad del proceso: Rango de recorrido entre dos o + observaciones sucesivas homogéneas ( w ). El gráfico se obtiene mediante el calculo del recorrido o rango móvil (MR). Alternativa: Gráfico CUSUM (en siguiente sesión). 29 / 56
30 Gráficos de Rango Móvil ( RM ) Se obtiene el rango de cada conjunto de n observaciones sucesivas, añadiendo un nuevo elemento al conjunto por cada observación y quitando el elemento + antiguo. Rmedio = Ri / (k w + 1); Siendo k el número de observaciones total y w el número de elementos en cada conjunto de cálculo del rango móvil. Gráfico de la tendencia central del proceso - Límites de Control: LCS = ẍ + 3 Rmedio / d2 LC = ẍ LCI = ẍ - 3 Rmedio / d2 Gráfico de la Dispersión del proceso Límites de Control (ídem que en Gráfico R ): LCS = Rmedio D4 ; LC = Rmedio ; LCI = Rmedio D3 (NOTA: Se considera n = w para la consulta de d2, D3 y D4 en la tabla de constantes) 30 / 56
31 Ejemplo: Rango Móvil Gráfico de la Tendencia Central: LCS = ẍ + 3 Rmedio / d2 LCS = 10, * 0,02387 / 1,693 = 10,0423 LC = x = 10,00 LCI = ẍ - 3 Rmedio / d2 LCS = 10,00-3 * 0,02387 / 1,693 = 9,9577 Gráfico de la Dispersión: LCS = Rmedio D4 = 0,02387 * 2,575 = 0,0615 LC = Rmedio = 0,02387 LCI = Rmedio D3= 0,02387 * 0 = 0 31 / 56
32 Rango móvil: Gráfico Tendencia Central 32 / 56
33 Rango móvil: Dispersión 33 / 56
34 Gráfico de Medias Móviles MA Control de la Tendencia Central mediante media de entre w observaciones consecutivas (ídem que en el caso de Rangos Móviles MR ). Adecuado para observaciones individuales. Mayor sensibilidad al desplazamiento de la media del proceso que el gráfico de valores individuales. Los picos se suavizan y muestra mejor la tendencia del proceso. Ídem que en el Gráfico de Rangos Móviles, los valores representados no son independientes, lo que provoca cierta dificultad de interpretación de los puntos fuera de control. Cálculo de los Límites de Control con las mismas formulas que para el Gráfico de Medias Ẍ, tomando n = k. 34 / 56
35 Ejemplo: Media Móvil (mismos datos) 35 / 56
36 GC. para parámetros de Atributo n = tamaño de la muestra unidad = unidad de muestreo El individuo (Si / No) posee el atributo. No n cte. Gráfico p Si Gráfico np Inicio Hay x atributos / unidad de tiempo; peso; volumen; superficie Si unidad cte. Gráfico C No Gráfico U 36 / 56
37 Gráficos para ATRIBUTOS: Gráfico p. Gráfico np. Gráfico C. Gráfico U. Notas: - Para el control gráfico de un atributo solo es necesario un gráfico. - Los gráficos P y np están basados en la distribución Bonomial. - Los gráficos C y U están basados en la distribución de Poisson. - En los gráficos p y U el tamaño de muestra es variables, por ello los límites de control superior e inferior son variables, función del tamaño de muestra. Son + exigentes (menor amplitud) cuanto mayor es el tamaño de la muestra. 37 / 56
38 Tributos: Resumen de fórmulas 38 / 56
39 Gráfico de Control p (I) Atributo (Resultado del proceso a controlar) con dos posibilidades: p y No p (por ejemplo: Conforme; No Conforme). Se controla la proporción de individuos con el atributo p en cada muestra. Los límites de control se basan en la Ley Binomial. Habitualmente se eligen para una probabilidad α = 0,3 %. Los límites LCS y LCI serán prácticamente simétricos respecto a LC para muestras suficientemente grandes (np > 5). Para muestras pequeñas no. El tamaño de muestra n ha de ser suficiente para que aparezcan un número significativo (> 4) de ocurrencias de p. P.e. Si la probabilidad de p es del 4%, deberíamos establecer un tamaño de muestra n >= 100. Nota: n no tiene que ser necesariamente fijo dado que el parámetro es la proporción de p en n individuos. 39 / 56
40 Gráfico de Control p (II) Tomar k (>= 20) muestras de tamaño n, homogéneas y con el proceso estable. Obtener la proporción de individuos con el atributo buscado en cada muestra pi = nº de individuos con el atributo / ni (para i = 1...k). Calcular la estimación global: Pm = (Total individuos defectuosos) / (Total individuos de las muestras). Pm es la estimación de la proporción de p : LC = Pm LCS = Pm + 3 sqrt( Pm ( 1 - Pm ) / ni ) LCI = Pm - 3 sqrt( Pm ( 1 - Pm ) / ni ) Nota 1: LCS y LCI son variables en función del tamaño de la muestra n i Nota 2: Si la proporción de p se mide en < 1%, hay que utilizar la Ley de Poisson. 40 / 56
41 Ejemplo: Gráfico P LCS = 6, * sqrt(6,39 * ( 100 6,39) / ni ) LCS = 13,22% (promedio para n = 115,333) LC = 6,39% LCI = 6,39-3 * sqrt(6,39 * ( 100 6,39) / ni ) LCI = 0 (promedio para n = 115,333) Nota: Los límites LCS y LCI son variables en función del tamaño de la muestra. 41 / 56
42 Ejemplo: Gráfico P 42 / 56
43 Ejemplo: Gráfico P LCS = 6, * sqrt(6,39 * ( 100 6,39) / ni ) LCS = 13,22% (promedio para n = 115,333) LC = 6,39% LCI = 6,39-3 * sqrt(6,39 * ( 100 6,39) / ni ) LCI = 0 (promedio para n = 115,333) Nota: Los límites LCS y LCI son variables en función del tamaño de la muestra. 43 / 56
44 Gráfico de Control NP Ídem que gráfico P pero para tamaño de muestra fijo. Parámetro a controlar: número de individuos con el atributo p en cada muestra. Distribución de referencia: Ley Binomial (n,p). El Límite Central viene dado por (n p) y la varianza = n p (1 p). Límites de Control: LCS = n p + 3 sqrt( n p (1 p)) LC = n p LCI = n p - 3 sqrt( n p (1 p)) Si no se conoce p, estimar su valor con k (>=20) muestras. En cada muestra deberían aparecer + de 4 individuos con el atributo. 44 / 56
45 Gráfico de Control np (II) Tomar k (>= 20) muestras de tamaño n, homogéneas y con el proceso estable. Obtener la proporción de individuos con el atributo buscado en cada muestra pi = nº de individuos con el atributo / ni (para i = 1...k). Calcular la estimación global: Pm = (Total individuos defectuosos) / (Total individuos de las muestras). Pm es la estimación de la proporción de p : LC = Pm LCS = Pm + 3 sqrt( Pm ( 1 - Pm ) / ni ) LCI = Pm - 3 sqrt( Pm ( 1 - Pm ) / ni ) Nota 1: LCS y LCI son variables en función del tamaño de la muestra n i Nota 2: Si la proporción de p se mide en < 1%, hay que utilizar la Ley de Poisson. 45 / 56
46 Ejemplo: Gráfico NP LCS = 7, * sqrt( 7,07 * (1 0,0707) LCS = 14,75 LC = 7,07 LCI = 7,07-3 * sqrt( 7,07 * (1 0,0707) LCI = 0 (resultado < 0) 46 / 56
47 Gráfico NP 47 / 56
48 Gráfico de Control C (I) Valor a controlar es el número de apariciones del atributo en un solo individuo o unidad de control. p.e. Número de defectos en una sola pieza analizada. Se puede definir también como: numero de apariciones del atributo por unidad de medida (tiempo, superficie, volumen, etc). p.e. Camas ocupadas en un hospital, por semana o número de clientes de un cajero automático por día. La distribución de referencia es la Ley de Poisson (λ). λ es el número medio de ocurrencias por unidad de medida. En cada unidad de medida deberían aparecer un mínimo de 10 ocurrencias del atributo. p.e. En un día deberían estar ocuparse al menos 10 camas. O en una hora deberían llegar al menos 10 clientes al cajero. Si no se conoce, hay que estimarlo con k (>=20) inspecciones a una unidad de control. 48 / 56
49 Gráfico de Control C (II) Evaluar λ como el promedio de en las k observaciones. Limites de Control: LCS = λ + 3 sqrt( λ ) LC = λ LCI = λ + 3 sqrt( λ ) (si es negativo, se hace = 0) Para λ grande tiende a la Distribución Normal. 49 / 56
50 Ejemplo: Gráfico C LCS = 14, * sqrt( 14,80 ) = 26,34 LC = 14,80 LCI = 14,80-3 * sqrt( 14,80 ) = 3,26 50 / 56
51 Ejemplo: Gráfico C 51 / 56
52 Gráfico de Control U Ídem que Gráfico C pero para casos en que no se puede establecer una unidad de control fija. P.e. Defectos por lote, con lotes de distinto tamaño. ci = Número de apariciones del atributo en la observación i. ni = Unidades inspeccionadas en la observación i ui = ci / ni = Apariciones del atributo por unidad de muestra i. La ley de Poisson tendrá λ = ci / ni = ü ; (Media de ui). Límites de Control: LCS = ü + 3 sqrt( ü / ni ); LC = ü LCI = ü - 3 sqrt( ü / ni ) Nota: Los valores LCS y LCI son variables en función de ni 52 / 56
53 Caso: Gráfico U LCS = 0, * sqrt( 0,1258 / ni ) Obtenemos un valor para cada muestra. LC = 0,1258 LCI = 0, * sqrt( 0,1258 / ni ) Obtenemos un valor para cada muestra. Si es < 0 lo hacemos / 56
54 Caso: Gráfico U 54 / 56
55 Ver Norma ISO :2013, tabla2 (pg.9) Tabla: Constantes Gráficos de Control 55 / 56
56 Gracias por su atención... Turno abierto... Preguntas? Otros casos / cosas que ustedes conozcan? Comentarios? 56 / 56
GRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesAprender a construir gráficos X-S y conocer sus limitaciones.
Objetivos Aprender a construir gráficos X-R y conocer sus limitaciones. Aprender a construir gráficos X-S y conocer sus limitaciones. Comprender la relación entre los Gráficos de Control y el intervalo
Más detallesControl Estadístico de la Calidad. Gráficos de Control. Estadistica Básica
Control Estadístico de la Calidad Gráficos de Control Estadistica Básica Control de Calidad Calidad significa idoneidad de uso, Es la interacción de la calidad: Del diseño Nivel de desempeño, de confiabilidad
Más detallesUnidad V. Control Estadístico de la Calidad
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE - SEDE REGIONAL ESTELÍ Unidad V. Control Estadístico de la Calidad Objetivos Reconocer los principios estadísticos del control de calidad. Explicar la forma
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesTema: Control Estadístico de Procesos (SPC)
Grado en Ingeniería Asignatura: Estadística Tema: Control Estadístico de Procesos (SPC) Control Estadístico de Procesos (SPC) Introducción. Variabilidad de un proceso de fabricación. Causas asignables.
Más detallesCONTROL ESTADISTICO DE LA CALIDAD
CICLO 2012-II Módulo: Unidad: 4 Semana: 4 CONTROL ESTADISTICO DE LA CALIDAD Ing. Enrique Montenegro Marcelo GRAFICOS DE CONTROL ORIENTACIONES Al finalizar este capitulo el alumno deberá poder construir
Más detalles07/12/2009 CARACTERÍSTICAS PRINCIPALES GRAFICOS DE CONTROL POR ATRIBUTOS DEFINICIÓN
GRAFICOS DE CONTROL POR ATRIBUTOS DEFINICIÓN Son Gráficos de Control basados en la observación de la presencia o ausencia de una determinada característica, o de cualquier tipo de defecto en el producto,
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesIND-LAB-CAL Gráficos de Control Variables CONTROL DE PROCESOS - GRAFICOS DE CONTROL - CARACTERÍSTICAS TIPO VARIABLES
CONTROL DE PROCESOS - GRAFICOS DE CONTROL - CARACTERÍSTICAS TIPO VARIABLES 1.- OBJETIVO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesDistribuciones. Distribución binomial
Distribuciones Distribuciones - discretas (binomial, Poisson). - continua (normal) Distribución binomial Considérese un proceso que consiste en una sucesión de n pruebas independientes, donde el resultado
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 12
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 12 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesAplicaciones de la Probabilidad en la Industria
Tercera parte Aplicaciones de la Probabilidad en la Industria Dr Enrique Villa Diharce CIMAT, Guanajuato, México Verano de probabilidad y estadística CIMAT Guanajuato,Gto Julio 2010 Cartas de control Carta
Más detallesApellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva:
Cátedra: Probabilidad y Estadística Apellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva: Atención! Para aprobar el examen se debe alcanzar
Más detallesTEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesEconomía de la Producción, Control de Calidad PRACTICA DE GRAFICAS DE CONTROL
PRACTICA DE GRAFICAS DE CONTROL 1.-(1VUNIV) Los valores de x observados en muestras de n=4 ítems están en la tabla siguiente. Construya un grafico de la media x, empleando una amplitud R para el calculo
Más detallesTEMA 3: Control Estadístico de la Calidad
TEMA 3: Control Estadístico de la Calidad 1. Introducción al control de la calidad. 2. Métodos de mejora de la calidad 3. Gráficos de control de Shewhart: Gráficos c Gráficos np Gráficos X y R 4. Interpretación
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesCONTROL ESTADÍSTICO DE LA CALIDAD GRÁFICOS DE CONTROL
CONTROL ESTADÍSTICO DE LA CALIDAD GRÁFICOS DE CONTROL CONTROL DE CALIDAD Calidad significa idoneidad de uso, está determinada por la interacción de la calidad del diseño y la calidad de conformidad Reducción
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
Más detallesClaves esenciales de la Calidad en la Gestión de Proyectos
Sesión de formación: Claves esenciales de la Calidad en la Gestión de Proyectos JAIME RAMONET FERNÁNDEZ Ingeniero Industrial PMP -PMI Consultor y Formador. www.jramonet.com 1 La Calidad en la Gestión de
Más detalles«La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno».
«La estadística es una ciencia que demuestra que si mi vecino tiene dos coches y yo ninguno, los dos tenemos uno». George Bernard Shaw (1856-1950) Escritor irlandés. Para empezar: Primera parte: Estadística
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesPorcentaje de defectos
Porcentaje de defectos por Felipe de la Rosa Los gráficos de control por variable empleados para monitorear la media y la variabilidad de los procesos (x R y x s), son herramientas de apoyo que permiten
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 8) TEMA Nº 8 ESTIMACIÓN
OBJETIVOS DE APRENDIZAJE: TEMA Nº 8 ESTIMACIÓN Conocer las relaciones entre muestra, análisis estadístico descriptivo y análisis estadístico inferencial. Conocer los conceptos de muestra aleatoria y muestra
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesINTRODUCCIÓN...13 CAPÍTULO 1. DEFINICIÓN DE CONTROL DE CALIDAD, NOTAS HISTÓRICAS Y HERRAMIENTAS...17
ÍNDICE INTRODUCCIÓN...13 CAPÍTULO 1. DEFINICIÓN DE CONTROL DE CALIDAD, NOTAS HISTÓRICAS Y HERRAMIENTAS...17 1.1 DEFINICIÓN DE CONTROL DE CALIDAD...17 1.2 HISTORIA DEL CONTROL DE CALIDAD...18 1.3 MEDICIÓN
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Intervalos de confianza Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesControl de Calidad. Gráficos de Control. Prof. Douglas Rivas
Control de Calidad Gráficos de Control Prof. Douglas Rivas Definición Básicamente, un Gráfico de Control es un gráfico en el cual se representan los valores de algún tipo de medición realizada durante
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesCOMPLEMENTO C Las Siete Herramientas para el Mejoramiento Continuo
COMPLEMENTO C Las Siete Herramientas para el Mejoramiento Continuo ADMINISTRACIÓN DE LAS OPERACIONES PRODUCTIVAS Un Enfoque en Procesos para la Gerencia Fernando A. D Alessio Ipinza 1 Contenido 1. Diagrama
Más detallesLos Gráficos de Control de Shewart
Los Gráficos de Control de Shewart La idea tradicional de inspeccionar el producto final y eliminar las unidades que no cumplen con las especificaciones una vez terminado el proceso, se reemplaza por una
Más detallesLOS GRÁFICOS DE CONTROL
CAPÍTULO IX LOS GRÁFICOS DE CONTROL 9.1 INTRODUCCIÓN En cualquier proceso de generación de productos o servicios, sin importar su buen diseño y/o mantenimiento cuidadoso, siempre existirá cierto grado
Más detallesGRAFICOS DE CONTROL. Es una importante herramienta utilizada en control de la calidad de los procesos.
Es un gráfico en el cual se representan los valores de algún tipo de medición realizada durante el funcionamiento de un proceso continuo y que sirve para controlar dicho proceso. Es una importante herramienta
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
Más detallesAPLICACIÓN DE LAS REDES NEURONALES ARTIFICIALES AL CONTROL ESTADÍSTICO DE LA PRODUCCIÓN PARTE I CONTROL ESTADÍSTICO DE LA PRODUCCIÓN
VERSIDAD NACIONAL DE INGENIERÍA FACULTAD DE INGENIERÍA CIVIL VERSIDAD POLITÉCNICA DE MADRID ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE MONTES DEPARTAMENTO DE INGENIERÍA FORESTAL APLICACIÓN DE LAS REDES
Más detallesObjetivos. Epígrafes 8-1. Francisco José García Álvarez
Objetivos Entender los fundamentos estadísticos del muestreo de aceptación por variables. Aprender los procedimientos más usados del muestreo de aceptación por variables: Norma militar 414 Epígrafes Introducción
Más detallesIND-LAB-CAL CONTROL DE PROCESOS - GRAFICOS DE CONTROL VARIABLES TIPO ATRIBUTOS
CONTROL DE PROCESOS - GRAFICOS DE CONTROL VARIABLES TIPO ATRIBUTOS 1.- OBJETIVO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control,
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesPráctica de Control Estadístico de Procesos Control por Variables
Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar
Más detallesPROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesTEMA 3: MUESTREO Y ESTIMACIÓN. Estimación de la Media
TEMA 3: MUESTREO Y ESTIMACIÓN Estimación de la Media INTRODUCIÓN Supongamos que queremos estudiar una determinada característica de una población. Como vimos en el anterior power point, es muy complejo
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detalles(12249) TITULACIÓN LICENCIATURA EN A.D.E. TÉCNICAS ESTADÍSTICAS DE CONTROL DE CALIDAD. Mª Isabel López Rodríguez Dpto.
TITULACIÓN LICENCIATURA EN A.D.E. TÉCNICAS ESTADÍSTICAS DE CONTROL DE CALIDAD (149) Mª Isabel López Rodríguez Dpto. Economía Aplicada CURSO ACADÉMICO 013/014 TEMA 5: CONTROL DE PROCESOS POR VARIABLES.
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 5 Distribución de la Media Muestral Pedro Elosegui 1 2 Métodos y Distribuciones de Muestreo En estadística nos gustaría contar con los parámetros
Más detalles1.2 Medidas de variación: Rango, desviación estándar y coeficiente de variación
1.2 Medidas de variación: Rango, desviación estándar y coeficiente de variación Medidas de Variación Amplitud Coeficiente variación Desviación estándar Rango Valor Z Varianza de Diferencia entre los valores
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesAnálisis Estadístico en Simulaciones. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Análisis Estadístico en Simulaciones UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En una simulación las variables aleatorias son la entrada para
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com)
ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS (por jmd matetam.com) ESTADÍSTICA DESCRIPTIVA EN POCAS PALABRAS... 1 DEFINICIONES BÁSICAS... 1 Estadística... 1 Estadística descriptiva... 1 Estadística inferencial...
Más detallesIntroducción a la inferencia estadística
M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución
Más detallesDeterminación del número de Repeticiones
Determinación del número de Repeticiones Introducción (Región de estabilidad) Cuando se modela un sistema mediante un programa de computadora los resultados que se obtengan se deberán analizar de manera
Más detallesControl Estadístico de Procesos (SPC).
Control Estadístico de Procesos (SPC). - Sesión 4ª de 4 - JAIME RAMONET FERNÁNDEZ Ingeniero Industrial Superior. PMP (PMI ). Formador y Consultor. Actitud requerida para recibir formación... y obtener
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detalles1. Los datos siguientes dan el número de ensambles de rodamiento y sello
3 2 EJERCICIOS 55 3 2 Ejercicios 1. Los datos siguientes dan el número de ensambles de rodamiento y sello disconformes en muestras de tamaño 100. Construir una carta de control para la fracción disconforme
Más detallesUnidad 15 Estadística inferencial. Estimación por intervalos. Pruebas de hipótesis
Unidad 15 Estadística inferencial. Estimación por intervalos. Pruebas de hipótesis PÁGINA 353 SOLUCIONES 1. El peso de azúcar por confitura se distribuye según la normal N (465;30). Veamos el porcentaje
Más detallesGráficos de Control para Atributos. Prof. Luis Nava Puente Marzo 2006
Gráficos de Control para Atributos Prof. Luis Nava Puente Marzo 2006 Introducción No siempre se puede medir las características de calidad en una escala continua o numérica. Se verifica entonces el cumplimiento
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesResp x = 72.73, S 2 = 225,8574 => S = 15,0286. Lcdo Eliezer Montoya Estadística III UNEFA -Barinas 1
REPÚBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DE LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA NACIONAL NÚCLEO BARINAS UNEFA Estadística III Licenciatura en Economía Social.
Más detallesSIGMA LA INFERENCIA ESTADÍSTICA Y LAS TIC (2ª PARTE). ESTIMACIÓN POR INTERVALOS DE CONFIANZA. Rosana Álvarez García (*) y Abel Martín (**)
LA INFERENCIA ESTADÍSTICA Y LAS TIC (2ª PARTE). ESTIMACIÓN POR INTERVALOS DE CONFIANZA SIGMA 31 Rosana Álvarez García (*) y Abel Martín (**) El objetivo en muchos estudios estadísticos es conocer parámetros
Más detallesEstadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos
Estadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos Contextualización. Se denomina estadístico a un estimador insesgado de un parámetro poblacional si la media o la esperanza del
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesJuan José Hernández Ocaña
En la mayoría de los casos el muestreo se realiza sin reemplazo, por lo tanto si el tamaño de la población es reducido, la probabilidad de cada observación cambiará Como la probabilidad de éxito no es
Más detallesTeorema Central del Límite
Teorema Central del Límite TCL: indica que, en condiciones muy generales, la distribución de la suma de v.a. tiende a una distribución normal cuando la cantidad de variables es muy grande. 156 Sea X 1,
Más detallesLJMM ITAt CARTAS (Gráficos) DE CONTROL
CARTAS (Gráficos) DE CONTROL GRÁFICAS X - R Se toman alrededor de 25 a 30 Muestras Tamaño de muestras de 3 a 10 Calculamos: La media ( xi) y el rango (Ri) para cada muestra (i) La media general ( xi )
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesEstadística Inga Patricia Juárez, 2017 MEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Las medidas de tendencia central nos proporcionan la descripción significativa de un conjunto de observaciones. Como su nombre lo indica, son datos de una variable que tienden
Más detallesPRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD
UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30 31 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2006 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 006 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesTERMINOLOGÍA ANALÍTICA - PROCESO ANALÍTICO - TÉCNICA ANALÍTICA - MÉTODO ANALÍTICO - PROCEDIMIENTO ANALÍTICO - PROTOCOLO ANALÍTICO
TERMINOLOGÍA ANALÍTICA - PROCESO ANALÍTICO - TÉCNICA ANALÍTICA - MÉTODO ANALÍTICO - PROCEDIMIENTO ANALÍTICO - PROTOCOLO ANALÍTICO PROCESO ANALÍTICO Conjunto de operaciones analíticas intercaladas que se
Más detallesMuestreo y distribuciones muestrales.
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Introducción 2 La media muestral Esperanza y varianza de la media muestral La
Más detallesTema 6: Introducción a la inferencia estadística Parte 1
Tema 6: Introducción a la inferencia estadística Parte 1 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos Lecturas recomendadas:
Más detallesESTADÍSTICA. 2.- Halla las siguientes probabilidades en una distribución N (0, 1): Página 1 de 8
ESTADÍSTICA 1.- En determinada provincia hay cuatro comarcas, C1, C2, C3 y C4, con un total de 1 500 000 personas censadas. De ellas, 300 000 residen en C1, 450 000 en C2 y 550 000 en C3. Se quiere realizar
Más detalles