INGENIERIA

INDUSTRIA
L

TEORIA DE
DECISIONES

Apuntes: Teora de Decisiones.

Introduccin:
Decisin: significa adoptar una posicin e implica 2 o ms alternativas
para decidir entre ella. (Freemound Kilas).
-

Es una accin que debe tomarse cuando ya no hay ms tiempo para

recoger informacin. (Moody).
Se puede decir que una decisin es una eleccin que se hace entre
varias alternativas. (Leon Blank Buris). Sus componentes son:
1. Informacin. Es un componente de las decisiones prioritarias.
2. Conocimientos. Debe de saber las consecuencias.
3. Experiencia. Habilidad, prctica, etc.
4. Anlisis. Metodologa de las tcnicas.
5. Juicio. Dictamen de los anteriores elementos.

Naturaleza de las Decisiones:

Corrientes.-

Teora de la
Utilidad
Incertidumbre

Probabilidades: Prob, de
Ocurrencia
Ley de adiccin (multiplicacin)

normal)

Inferencia Estadistica
Teora del lmite
Central (curva

Probabilidades subjetivas

Naturaleza de las Decisiones:

Programables: acuerdo con las polticas, problemas rutinarios.
No programables: problemas poco frecuentes. (Decisiones de
momento)
Importancia de las Decisiones:
Variables en la toma de decisiones.
-

Costo
Tiempo
Informacin
Incertidumbre

Optimista, conservador, pesimista

Decisin definiciones:
Adoptar una posicin. Implica dos o ms alternativas bajo
Consideracin y la persona que decide tendr que elegir entre ellas.
Accin que debe tomarse cuando ya no hay ms tiempo para recoger
informacin.
Eleccin que se hace entre varias alternativas.
Fases de la decisin racional:
-

Diagnstico del Problema.

Definicin de alternativas.
Anlisis de alternativas.
Seleccin de alternativas.

Modelo Kepner Trogoe

1. Enunciado. Propsito, relacin de decisiones anteriores y posteriores.
2. Establecimiento de objetivos. Resultados, recursos.
3. Clarificacin de objetivos. Obligatorios, limites deseados, pesos
relativos.
4. Generacin de alternativas. Variedad y amplio riesgo.
5. Comparacin y seleccin. Obligatorios, deseados, consecuencias
adversas.

Caractersticas de los problemas de Teora de Decisiones:

-

Emociones ocultas.
Puntos de vista diferentes.
Impresiones de variables.
Persistencia.

Teora de Decisin Estadstica.

Se divide en dos tcnicas:
-

Cualitativas:
Lluvia de Ideas
Decisiones por consenso
Tcnica Delphai
La pecera
Interaccin didctica
Negociacin colectiva
Metodologa ZOPP

Cuantitativas:
Matriz de resultados
rboles de decisiones
Decisiones Bayesianas
Modelos de tamaos de inventarios
Programacin lineal
Teora de colas
Teora de redes
La simulacin
El anlisis de markov
Programacin entera

Clasificacin de los Procesos de Decisin:

-

Certidumbre.
Riesgo.
Incertidumbre.

Elementos de un Problema de Decisin:

-

Estados de la Naturaleza.
Consecuencias o resultados.
Alternativas.
Decisor.
Criterios.

Tablas de Decisin:

Estado de la Naturaleza: resultados sobre los cuales quien toma las

decisiones tiene poco o ningn control
Acciones o Alternativas: Las opciones de seleccin.
Consecuencias (Resultados): producto de la relacin de la accin con
respecto a los estados de la naturaleza.
Formato General de la Tabla:

Alternativas

Estados de La Naturaleza
e1

e2

en

a1

x11

x12

x1n

a2

x21

x22

x2n

an

xm1

xm2

xmn

Alternativas

Ejemplo de la tortilla con huevo:

Romperlo
dentro del
tazn (a1)
Romperlo en
otro tazn
(a2)

Tirarlo (3)

Estado del 6to Huevo

Bueno (e1)
Malo (e2)
5 huevos
Tortilla de 6
desperdiciado
huevos
s y no hay
tortilla
Tortilla de 6
Tortilla de 5
huevos y un
huevos y un
tazn ms
tazn ms que
que lavar
lavar
Tortilla de 5
huevos y un
Tortilla de 5
huevo bueno huevos
desperdiciado

Valoracin de Resultados:
Aunque los resultados xij no son necesariamente nmeros (como
ocurre en el ejemplo anterior), se puede asignar valores por el decisor
para ponderar el resultado final, es decir, se asumir la existencia de
una funcin V(.) con valores reales tal que:

Alternativas

Estado del 6to Huevo

Bueno (e1)

Malo (e2)

10

Romperlo dentro
del tazn (a1)
Romperlo en otro
tazn (a2)
Tirarlo (3)

Ejemplo:
En una cierta ciudad se va a construir un aeropuerto en una de dos
posibles ubicaciones A o B, que ser elegida el prximo ao. Una
cadena hotelera est interesada en abrir un hotel cerca del nuevo
aeropuerto, para la cual tiene que decir, que terreno tiene que
comprar. La tabla indica el precio de los terrenos, el beneficio
estimado que tendra el hotel en cada posible localizacin si el
aeropuerto se ubica ah, y el valor de venta de cada terreno si
finalmente el aeropuerto no se construye en este lugar.
Tabla de precios y beneficios estimados.
Parcela en A
Parcela en B
Precio del terreno
Beneficio estimado del hotel
Valor de venta del terreno

18
31
6

Alternativas:
Comprar la parcela en A.
Comprar la parcela en B.
Comprar ambas parcelas.
No comprar ninguna parcela.
Estados de la naturaleza.
El aeropuerto se construye en A.
El aeropuerto se construye en B.
Tablas siguientes:
Estados de la Naturaleza
Alternativas

12
23
4

13

- 12

-8

11

AyB

-1

Ninguno
0
Operaciones:
AA ) 31 - 18 = 13
BA) 6 - 18 = -12
AB)
4-12 = -8
AB)
23- 12 = 11
A AyB 4-30= -26 +31 = 5
B AyB
9 6-3 = 24 +23 =-1

Una regla o criterio de decisin es una aplicacin que asocia a cada

alternativa un nmero, que expresa las preferencias del decisor por
los resultados asociados a dicha alternativa.
Tablas de ambiente:
-

Certidumbre. el verdadero estado de la naturaleza es conocido por el

decisor antes de realizar su eleccin
Estado de la Naturaleza
Alternativas

e1

a1

x11

a2

x21

...

...

am

xm1

Conceptualmente, la resolucin de un problema de este tipo es

inmediata: basta elegir la alternativa que proporcione un mejor
resultado, es decir:

Incertidumbre: El decisor conoce cules son los posibles estados de la

naturaleza, aunque no dispone de informacin alguna sobre cul de
ellos ocurrir.

Sus reglas de decisin son:

Criterio Maximax
(Optimista)
Criterio Maximin Wald
(Pesimista)
Criterio Hurwicz
(Realista)
Criterio Savage
Criterio de la Place
(Igualdad de probabilidades)
Criterio maximax

 El criterio maximax consiste en elegir aquella alternativa que

proporcione el mayor nivel de optimismo posible (Mximo Valor
Esperado).
Este criterio corresponde a un pensamiento optimista, ya que el
decisor supone que la naturaleza siempre estar de su parte, por
lo que siempre se presentar el estado ms favorable.
Criterio Maximin:
Bajo la alternativa ai, el peor resultado posible que puede
ocurrir tiene una valor para el decisor dado por:

El valor si se denomina nivel de seguridad de la alternativa ai y

representa la cantidad mnima que el decisor recibir si
selecciona tal alternativa.
En 1950, Wald sugiere que el decisor debe elegir aquella
alternativa que le proporcione el mayor nivel de seguridad
posible, por lo que S(ai)=si. As, la regla de decisin de Wald
resulta ser:

Criterio Hurwicz
Se trata de un criterio intermedio entre el criterio de Wald y el
criterio maximax. Dado que muy pocas personas son tan
extremadamente pesimistas u optimistas como sugieren dichos
criterios
Hurwicz (1951) considera que el decisor debe ordenar las
alternativas de acuerdo con una media ponderada de los
niveles de seguridad y optimismo:
Donde es un valor especfico elegido por el decisor y se conoce
como ndice de optimismo y aplicable a cualquier problema de
decisin abordado por l, por lo que

Los valores de prximos a 0 corresponden a una pensamiento

optimista, obtenindose en el caso extremo a=0 el criterio
maximax.
Los valores de prximos a 1 corresponden a una pensamiento
pesimista, obtenindose en el caso extremo a=1 el criterio de
Wald.

 Para la aplicacin de la regla de Hurwicz es preciso determinar

el valor de a, valor propio de cada decisor. Dado que este valor
es aplicable a todos los problemas en que el decisor interviene
Un valor de entre cero y uno puede ser seleccionado
dependiendo de si el decisor tiende hacia el pesimismo o al
optimismo. En ausencia de una sensacin fuerte de una
circunstancia u otra, un valor de = 1/2 parece ser una
seleccin razonable.
Criterio Savage
En 1951 Savage argumenta que al utilizar los valores xij para
realizar la eleccin, el decisor compara el resultado de una
alternativa bajo un estado de la naturaleza con todos los dems
resultados, independientemente del estado de la naturaleza bajo el
que ocurran. Sin embargo, el estado de la naturaleza no es
controlable por el decisor, por lo que el resultado de una
alternativa slo debera ser comparado con los resultados de las
dems alternativas bajo el mismo estado de la naturaleza.
Con este propsito Savage define el concepto de prdida
relativa o prdida de oportunidad rij asociada a un resultado xij
como la diferencia entre el resultado de la mejor alternativa
dado que ej es el verdadero estado de la naturaleza y el
resultado de la alternativa ai bajo el estado ej:

Savage propone seleccionar la alternativa que proporcione la

menor de las mayores prdidas relativas, es decir, si se define ri
como la mayor prdida que puede obtenerse al seleccionar la
alternativa ai,

el criterio de Savage resulta ser el siguiente:

Criterio Laplace
Este criterio, propuesto por Laplace en 1825, est basado en el
principio de razn insuficiente: como a priori no existe ninguna
razn para suponer que un estado se puede presentar antes
que los dems, podemos considerar que todos los estados
tienen la misma probabilidad de ocurrencia, As, para un
problema de decisin con n posibles estados de la naturaleza,
asignaramos probabilidad 1/n a cada uno de ellos.

 Una vez comentado lo anterior podemos decir que a la

alternativa ai le corresponder un resultado esperado igual a:

La regla de Laplace selecciona como alternativa ptima aquella

que proporciona un mayor resultado esperado:

Conceptos Bsicos de la Teora de la Utilidad.

Con los elementos con los que cuenta el decisor una vez
identificado, definido y clarificado algn problema de decisin en
condiciones de incertidumbre, es posible construir una tabla de
consecuencias o un rbol de decisin. Cualquiera de estos
instrumentos de formalizacin presenta los siguientes elementos
estructuradamente:
Alternativas Consideradas.
Estados de la naturaleza posibles para el o los sucesos
inciertos.
Resultados estimados o previstos para cada combinacin de
alternativas y estados de la naturaleza.
Estimaciones de las probabilidades subjetivas asignadas a cada
estado de la naturaleza.
El decisor se enfrentara al conjunto de alternativas eligiendo
aquella que considere ms adecuada, que ser aquella que
conduzca al resultado ms preferido o que le resulta ms til, se
asume que el decisor racional prefera aquellas alternativas que
daban lugar a un mayor valor esperado.
Entre los factores que se han mencionado, la actitud personal
ante el riesgo ocupa un lugar importante y que ha dado lugar a un
estudio ms detallado por parte de los investigadores que se han
dedicado a trabajar sobre cmo se comportan los decisores.
Sin embargo, y a pesar de este inters, no parece haber un gran
acuerdo a la hora de definir qu es el riesgo.
En palabras de Kirchhoff [FIS1985] la gente discrepa ms acerca
de qu es el riesgo que acerca de su cuantificacin y esto parece
ser la tnica tambin entre los expertos.
Ahora bien, las discrepancias son a veces ms formales que de
fondo.
El riesgo es pues una caracterstica ms, que no la nica, de las
diferentes alternativas que tiene ante s el decisor y que influye
negativamente sobre su valoracin final. A igualdad de condiciones
entre el resto de caractersticas de dos alternativas, los decisores
prefieren aquellas que implican menor riesgo.

Elaboracin de un Diagrama de rbol.

Las fases de desarrollo de esta herramienta son:
1. Seleccionar al equipo.
Es posible que ya est formado el equipo y que aplique el
diagrama de rbol con el fin de determinar qu acciones poner
en marcha para la resolucin de un problema o, en general,
alcanzar un objetivo. Si no es as, hay que considerar que l
debe estar formado por personas con conocimientos sobre el
tema y capacidad analtica, debe contarse con un coordinador y
que un grupo, para ser eficaz, no debe ser muy numeroso (6-8
personas).
2. Definir el objetivo principal.
El equipo de trabajo deber alcanzar un acuerdo respecto a
esta formulacin. Debe estar expresada mediante una frase que
describa con claridad el objetivo, facilitando la identificacin de
niveles subordinados.
3. Identificar los medios primarios o de primer nivel.
Aquellos que conduciran directamente a la meta. Son las
actividades cuya ejecucin har que se alcance el objetivo.
Para llevar a cabo esta fase es necesario promover la
creatividad, dirigindola hacia el objetivo principal.
4. Identificar medios de segundo nivel.
Estos medios los son respecto a los primarios que, desde este
punto de vista, se han convertido en metas. Al identificarse, se
plasmarn en una tercera columna.
5. Identificar niveles adicionales
Se acta modo ya indicado. Generalmente se llega hasta un
tercer o cuarto nivel. Considerar seriamente, no obstante,
detener el anlisis cuando el equipo haya llegado al lmite de su
competencia o aparezcan actividades a las que ya puedan
asignrseles responsables para su ejecucin.
6. Revisar el diagrama de rbol.
Para asegurar que la secuencia medios-metas es la correcta.
7. Asignar responsabilidades
El objetivo final de un diagrama de rbol es determinar
actuaciones especficas que promuevan el logro del objetivo
principal. Las responsabilidades de estas acciones han de estar
necesariamente asignadas de forma que se asegure su
cumplimiento.
Ejemplo:
1/2

P1

100

1/2
1/2

-0.5
200

P2
1/2
1/2

P3

112

-100
20,000
10,000

Resultado:
1
1
1=
( 10000+100 ) +
( 10,0000.5 )=10,049.75
2
2
P
1
1
2=
( 10000+200 )+
(10,000100 )=10,050
2
2
P
1
1
3=
( 10000+20,000 )+
( 10,00010,000 )=15,000
2
2
P
Nodo de decisin

()

()

()

()

()

()

Nodo de incertidumbre.
Ramas
Ejemplo1:

El dueo de un pequeo negocio trata de decidir cul de los 2 contratos que

le ofrecen debe de aceptar, ya que sus recursos le impiden que obtenga
simultneamente los 2.
Existe cierto grado de incertidumbre acerca de los resultados finales, cuales
quiera de los 2 contratos, la incertidumbre se caracteriza por las siguientes
distribuciones de probabilidad:

Contrato A
Resultado
s
$50,000
$20,000
-$20,000
E=
20,000;

Probabilida
d
Contrato B
0.60
Resultado Probabilidad
0.10
s
0.30
$40,000
0.50
(50,000; 40,000; 30,000;
$30,000
0.35
0;-10,000;-20,000)
-$10,000 0.15
Definir los
ndices de utilidad.
E
50,000 40,000 30,000 20,000 0
10,000
M (Ej)
1
0.98
0.95
0.85
0.60
0.40
M A=1 ( 0.60 ) +0.85 ( 0.10 ) + 0 ( 0.30 )=0.685 .
M B=0.98 ( 0.50 ) +0.95 ( 0.35 ) +0.40 ( 0.15 )=0.882.
Ejemplo 2:

20,000
0

2. La propietaria y gerente general del centro de sky llamado snowfun

debe decidir cmo administrar el centro, la prxima temporada. Las
ganancias de este ao dependern de cuantas nevadas haya durante
el invierno. La distribucin de probabilidad de las nevadas de acuerdo
al centro meteorolgico y sus estadsticas se muestra en la siguiente
tabla.
Cantidad
de Probabilidad
$ Ganancia
$
Costo
de
nieve
operacin
+ de 40 pulga
0.40
120,000
10,000
De 20 a 40 pulg 0.20
40,000
50,000
- De 20 pulg 0.40
-40,000
90,000
Se ha recibido la oferta de una cadena de hoteles para crear dicho
centro, garantizndole una ganancia neta de $45,000 por otro lado se
ha estado pensando la rentabilidad de un equipo para la fabricacin
de nieve con un costo de $12,000, garantizndole cooperar toda la
temporada con una ganancia de $120,000 los costos de operacin se
muestran en la tabla anterior.
Solucin:

Ejemplo 3.
Un departamento de ingeniera procesa el funcionamiento de una
aspiradora esa evaluacin consiste en fcil de operar, dificultad media
para operar, muy difcil de operar. Los factores que influyen son: cara,
barata, y como reparacin es costosa, regular o barata. Represntelo
en un diagrama de rbol.
Solucin:

Una compaa de seguros nos ofrece una indemnizacin por $210 y si

no aceptamos la oferta y decidimos ir al juicio podemos obtener $415,
o $580, dependiendo de las alegaciones. Si perder el juicio, debemos
pagar los cost $30. Sabemos que el 70% se ganan, y de estos el
50% menor indemnizacin, en 30% la intermedia y en el 20-5 la ms
alta. Determina la situacin ms aceptada.
Solucin:

Decisiones Bayesianas.
Inferencia estadstica en esta hay inters en muchos, en las cuales
considerados los parmetros como variables aleatorias.
Estos mtodos bayesianos, han recibido un impulso atraves de la
probabilidad subjetiva. Por esta razn quienes son partidarios de este
concepto se le llaman bayesianas.
Existen 3 principios de la teora moderna de las decisiones
bayesianas:
1. Grado de creencia subjetiva. Representados por una funcin de
probabilidad definida en trminos de preferencias sobre las
perspectivas inciertas.
2. Grados esperados. Representados por una funcin de utilidad definida
en trminos de preferencias, sobre las perspectivas inciertas.
3. Agentes racionales. Actan como si trataran de maximizar la utilidad
subjetiva esperada para multiplicar los servicios y las probabilidades
subjetivas.

Estimacin de una media de una poblacin considerando:

-

M como una variables aleatoria cuya distribucin es indicativo de que

tan firmemente se cree que ciertos valores son los que tomara M.

Ejemplo:

Se consideran 80 mediciones de una emisin diaria de (ton) dixido

de azufre de una playa industrial, el jefe en turno de la panta crea
que emisin media de un da podra ser mejor descrita como una
distribucin normal M=17.5 ton y desviacin estndar 2.5 ton. Con
esta informacin que se piensa de la probabilidad de que la emisin
promedio real este entre 18 ton y 19 ton.
Solucin:

Cuando utilicemos los valores definidos subjetivamente se le llama

distribucin a priori.
Ejemplo:
-

Existe la distribucin pospriori y son las creencias previas sobre los

posibles valores de M y combinadas con evidencia mustrales
directas, que en condiciones bastantes generales, puede aproximarse
a una distribucin normal con la cual podemos obtener la media y la
distribucin estndar de la distribucin pospriori.

M 1=

n. X . 2o + o 2
n . 2o+ 2

2 . 2o
1=
n . 2o + 2
Bajo esta condicin y combinado la informacin a priori dada anterior,
basada en la opinin de jefe en turno, el hecho de una muestra
aleatoria de tamao n=80, produjo una media de 18.85 y =5.55.
Solucin:
Teorema de Valles.

Problema.
3 maquina a, b y c producen el 45%, 30%, 25%, el total de las piezas
producidas en una fbrica, los porcentajes de produccin. Defectuosa
de estas mquinas son del 3%, 4%, 5%. Tomamos al zar una pieza y
resulto ser defectuosa, cual es la prob, de ser producida por la
maquina B.
Solucin:

Cul es la maquina con mayor prob, de haber producido la pieza

defectuosa.
Solucin:

Muestreo
Es una herramienta de investigacin cientfica, cuyo objetivo es determinar
que parte de una poblacin debe examinarse, con la finalidad de hacer
inferencias, sobre dicha poblacin.
Tambin se dice que es el procedimiento por el cual se extrae un conjunto
de unidades, que constituyen el objetivo de estudio, llmese poblacin.
Tcnicas de muestreo:
Probabilsticas:

Muestreo aleatorio simple.

Muestreo aleatorio sistemtico.
Muestreo aleatorio estratificado.
Muestreo aleatorio por conglomerados.
Muestreo por estadio mltiple.
Homogeneidad de las poblaciones.
No probabilsticos.
Muestro por cuotas.
Muestreo de bola de nieve.
Muestreo subjetivo y decisin razonada.

Errores de muestreo.
1. Aleatorio. No suele ajustarse a ninguna regla o norma, vara en cada
caso, es por ello que tiende a anularse cuando se trata de un nmero
valor de casos.
2. Sistemtico. Es aquel que se produce de igual modo sentido y
proporcin, en todas las mediciones que se revisan sobre un
parmetro de muestra.
3. Muestral. Cuando se extrae una muestra de una poblacin es
frecuente de los resultados obtenidos no sean exactamente los
valores reales de la poblacin.

Etapas del muestreo:

Precisin de los objetivos: Qu queremos?
Cul ser la poblacin y qu parte de ella tomar?
Qu informacin se desea obtener?
Cul es el motivo o para qu se requiere?
Qu grado de confianza se espera?
Medios y recursos: Con qu contamos?
Diseo de un plan de trabajo: Qu haremos?
Trabajo de campo: Ejecucin del plan
Anlisis de los datos y conclusiones: Qu hicimos?
Muestreo de Aceptacin:
Procedimiento mediante el cual se puede decidir si aceptar o
rechazar un lote de productos, de acuerdo a ciertas
especificaciones de calidad.
Aplicacin: Inspeccin de materias primas, productos semielaborados,
y otros componentes; para determinar si stos cumplen con el nivel
mnimo exigido.
Esquema de un muestreo de aceptacin:

Cero Inspeccin:
Cuando el proceso que fabric el lote ha demostrado cumplir
holgadamente los niveles de calidad acordados entre el cliente
y el proveedor (que sera el caso de procesos estables y con un
buen Cpk, o procesos en los que se han hecho inspeccin
previa).
Tambin se aplica cuando la prdida global causada por las
unidades defectuosas es pequea con el costo del muestreo.
Inspeccin al 100%:
Consiste en revisar todos los artculos del lote y quitar los que
no cumplen con las caractersticas da calidad establecida.
Los que no cumplen podran ser devueltos al proveedor,
reprocesarlos o desecharlos.
Se utiliza en aquellos casos en que los productos son de alto
riesgo y si pasan defectuosos puede causar gran prdida
econmica.
Tambin es til cuando la capacidad del proceso fabricante del
lote es inadecuada para cumplir las especificaciones.
Muestreo de Aceptacin:
Cuando la inspeccin se hace con pruebas destructivas
Cuando el costo de la inspeccin al 100% es demasiado alto
comparado con el costo de pasar unidades defectuosas.
En los casos en los que la inspeccin al 100% no es
tcnicamente posible o se requiere mucho tiempo para llevarlo
a cabo.
Cuando el lote lo forman gran cantidad de artculos que habra
que inspeccionar y la probabilidad de error en la inspeccin es
suficientemente alta, de manera que la inspeccin al 100%

podra dejar pasar ms unidades defectuosas que un plan de

muestreo.
Cuando es necesario asegurar la confiabilidad del producto,
aunque la capacidad del proceso fabricante del lote sea
satisfactoria.
Muestreo de aceptacin vs. Inspeccin al 100%:
Ventajas
Desventajas
Menor costo
Se pueden rechazar lotes buenos
Menos
personal
en
las
y aceptar lotes malos.
Proporciona menos informacin
actividades de inspeccin
El producto sufre menos dao
sobre el nivel de calidad del
producto o de su proceso de
Puede aplicarse cuando las
fabricacin.
pruebas son destructivas

Se requiere una serie de clculos

Menor manejo del producto, se
y documentacin
que no son
reducen daos.
necesarios
en
una
inspeccin
al
El rechazo de lotes completos por
100%
la
existencia
de
artculos
defectuosos
proporciona
una
motivacin al fabricante del lote
para que mejore su calidad.

Por Variables:
Se toma una muestra aleatoria del lote y cada unidad de la
muestra se mide una caracterstica de calidad de tipo continua
(peso, longitud, volumen de llenado, etc.).
Se calcula un estadstico (X, S y las especificaciones).

Tipos de muestreo por variables:

Mtodo M
Consiste en seleccionar una muestra del lote determinado, para luego
medir en cada unidad la variable que se quiere controlar.
Mtodo K
Se aplica cuando la especificacin es unilateral, consiste en estimar la
distancia de la media al lmite de tolerancia, tomando como medida
la desviacin estndar. Al final el lote de muestra se acepta si la
distancia calcula es mayor que un cierto valor k fijado.

Mtodo lot-ptot
Consiste en extraer e inspeccionar una muestra de 50
unidades
independientemente del tamao del lote.
MIL. STD 414.
Norma que estable tamao de valores de K y M en funcin del nivel
de calidad aceptable (AQL) y del tamao del lote

Niveles de Inspeccin:
Normal
Se emplea cuando la calidad del proceso es superior NCA y no hay
porque sospechar que el proceso no tiene un nivel aceptable.

Rigurosa
Es utilizada cuando la inspeccin de lotes anteriores consecutivos
indica que la calidad del proceso es inferior al NCA

Reducida
Se emplea cuando existe evidencia de que la calidad de la produccin
es menor que el NCA en forma consistente, se puede utilizar un plan
de muestreo cuyo tamao de muestra es la 2/5 partes del
correspondiente en la inspeccin normal.

Planes de Muestreo por Atributos:

Cada artculo de la muestra se clasifica en una categora de
aceptacin o de rechazo.
Si el nmero de piezas que se encuentran defectuosas es igual o
menor que un cierto nmero predefinido, entonces el lote es
aceptado; en el caso de que sea mayor, el lote es rechazado.
Algunos planes por atributos son: simple, doble y mltiples.

Plan de muestreo:
Planteamiento que indica el tamao muestral que hay que utilizar y
los criterios de aceptacin o rechazo correspondientes para juzgar el
lote.
Tipos:
1) Simple.
2) Doble.
3) Mltiple.
4) Secuencial.

Simple:
Se toma una muestra de n unidades y se determina el destino
del lote en base a la informacin contenida en la muestra.
Ejemplo: tomar una muestra de tamao 80 y si hay ms de 6 artculos
defectuosos se rechaza el lote.
Doble:
Consiste en tomar una primera muestra de tamao ms
pequeo que el muestreo simple con la finalidad de detectar los
lotes muy buenos y los muy malos, y si en la primera muestra
no se puede tomar la decisin de aceptar o rechazar el lote,
entonces se toma una segunda muestra para decidir tomando
en cuenta las unidades defectuosas encontrada en las 2
muestras.
Mltiple:
Es una extensin de muestreo doble por cuanto se requiere ms
de dos muestras para dictaminar un lote.
ndices de calidad para los planes de muestreo de aceptacin.
Nivel de calidad aceptable o Nivel de Calidad del producto (NCA
o AQL): es el porcentaje mximo de unidades que no cumplen
con la calidad especificada (considera como satisfactorio o
aceptable).
Nivel de calidad lmite (NCL o LQL) o porcentaje defectivo
Tolerado del Lote (PDTL o LTPD): se considera como no
satisfactorio y los lotes deben ser rechazados casi siempre.
Plan de muestreo empleando la Norma Military Standard 105
Pasos:
Determinar el tamao del lote.
Especificar el NCA O AQL.
Escoger el nivel de inspeccin (nivel II)
Encontrar en la tabla de acuerdo al tamao de lote y nivel
de inspeccin la letra cdigo correspondiente al tamao
de la muestra.
De acuerdo con la letra cdigo y el NCA, buscar el plan
simple para inspeccin normal, severa y de inspeccin
reducida.
Cuando alternar entre los muestreos normal, severo y reducido
De inspeccin normal a inspeccin severa: cuando se rechazan
2 de 5 lotes consecutivos.

 De inspeccin severa a inspeccin normal: cuando se aceptan 5

lotes consecutivos.
De inspeccin normal a inspeccin reducida:
10 lotes consecutivos han sido aceptados.
El N total de defectuosos en los 10 lotes anteriores es
menor o igual a los establecido en la tabla. Ejemplo: 10
lotes representan 2000 y el NCA= 0,4 % Entonces el N
limite es 4. Es necesario que las unidades defectuosas
sean <=4.
De inspeccin reducida a inspeccin normal.
Un lote o una serie de lotes son rechazados.
La inspeccin del lote termina si decisin (el N de
defectuosos en el lote es mayor a c pero es menor a Re)
Si la produccin es irregular o retardada.
Si se dan otras condiciones que lo ameriten.
Interrupcin de inspeccin:
En el caso de que 10 lotes consecutivos continen bajo
inspeccin severa y persista la mala calidad de los lotes o
no mejoren.

Muestreo Aleatorio Simple:

Se asigna un nmero a cada individuo de la poblacin y a travs
de algn medio mecnico (bolas dentro de una bolsa, tablas de
nmeros aleatorios, nmeros aleatorios generados con una
calculadora u ordenador, etc.) se eligen tantos sujetos como
sea necesario para completar el tamao de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula
utilidad prctica cuando la poblacin que estamos manejando es muy
grande.

Muestreo Aleatorio Sistemtico

Numerar todos los elementos de la poblacin, pero en lugar de
extraer n nmeros aleatorios slo se extrae uno. Se parte de
ese nmero aleatorio i, que es un nmero elegido al azar, y los
elementos que integran la muestra son los que ocupa los
lugares i, i+k, i+2k, i+3k,...,i+(n-1)k
Es decir se toman los individuos de k en k, siendo k el resultado
de dividir el tamao de la poblacin entre el tamao de la
muestra: k= N/n. El nmero i que empleamos como punto de
partida ser un nmero al azar entre 1 y k.
Muestreo Aleatorio Estratificado:
Consiste en considerar categoras tpicas diferentes entre s
(estratos) que poseen gran homogeneidad respecto a alguna
caracterstica (se puede estratificar, por ejemplo, segn la
profesin, el municipio de residencia, el sexo, el estado civil,
etc.). Lo que se pretende con este tipo de muestreo es
asegurarse de que todos los estratos de inters estarn
representados adecuadamente en la muestra.
Muestreo Aleatorio por Conglomerados:
La unidad muestral es un grupo de elementos de la poblacin
que forman una unidad, a la que llamamos conglomerado. Las
unidades hospitalarias, los departamentos universitarios, una
caja de determinado producto, etc., son conglomerados
naturales. En otras ocasiones se pueden utilizar conglomerados
no naturales como, por ejemplo, las urnas electorales. Cuando
los conglomerados son reas geogrficas suele hablarse de
"muestreo por reas".
El muestreo por conglomerados consiste en seleccionar
aleatoriamente un cierto nmero de conglomerados (el
necesario para alcanzar el tamao muestral establecido) y en
investigar despus todos los elementos pertenecientes a los
conglomerados elegidos.
Muestreo Aleatorio por Estadios Mltiples:
Esta tcnica es la nica opcin cuando no se dispone de lista
completa de la poblacin de referencia o bien cuando por medio
de la tcnica de muestreo simple o estratificado se obtiene una
muestra con unidades distribuidas de tal forma que resultan de
difcil acceso.
En el muestreo a estadios mltiples se subdivide la poblacin en
varios niveles ordenados que se extraen sucesivamente por medio de

un procedimiento de embudo. El muestreo se desarrolla en varias

fases o extracciones sucesivas para cada nivel.
Muestreo aleatorio por Homogeneidad de las poblaciones o
sus subgrupos:
Homogneo significa, en el contexto de la estratificacin, que
no hay mucha variabilidad. Los estratos funcionan mejor cuanto
ms homogneos son cada uno de ellos respecto a la
caracterstica a medir. Por ejemplo, si se estudia la estatura de
una poblacin, es bueno distinguir entre los estratos mujeres y
hombres porque se espera que, dentro de ellos, haya menos
variabilidad, es decir, sean menos heterogneos. Dicho de otro
modo, no hay tantas diferencias entre unas estaturas y otras
dentro del estrato que en la poblacin total.
Determinacin del mejor tamao de muestra.
Etapas para determinar el tamao de muestra.
1) Determinar el nivel de confianza con que se
Certez 95%
94%
93%
92%
91%
a
1.96
1.88
1.81
1.75
1.69
Z

Z2
e

e2

3.89

3.53

3.28

3.06

0.05

0.06

0.07

0.08

0.002
5

0.003
6

0.004
9

0.006
4

desea
90
%
1.6
5
2.86
2.7
2
0.09
0.1
0
0.008 0.0
1
1

trabajar.
80
62.27
%
%
1.2 1
8
1.6 1
4
0.2 0.37
0
0.0 0.136
4
9

50%
0.674
5
0.45
0.50
0.25

Niveles de confianza y error, para el clculo de tamao de muestra.

2) Estudiar la caracterstica del fenmeno investigado donde debemos
investigar la probabilidad de que ocurra el evento P y la que no se
realice q, siempre tomando en consideracin que la suma de P+q=1.
Cuando no se cuente con la informacin suficiente por lo general
asignaremos los valores de 0.5 a P y q respectivamente.
3) Determinar el grado de error mximo aceptable en los resultados de
la investigacin. Esto puede ser hasta del 10%, ya que variaciones
superiores al 10% reducen la validez de la informacin.
4) Aplicar la frmula de acuerdo al tipo de poblacin.

Poblacin finita.

Poblacin infinita.
Ejemplo:

Supngase que se desea determinar la calidad y nivel de confianza

de servicio que ofrece una unidad de informacin archivista por lo
que resulta necesario entrevistar entre los distintos usuarios que
acuden a dicho servicio para as conocer su opinin. Cuantos usuario
debemos encuestar?

Solucin:

Para determinar el tamao de un estudio se debe considerar

diferentes situaciones.

a) Estudio para determinar diferentes situaciones. Es decir pretendemos

hacer inferencias a valores poblacionales a partir de una muestra.
b) Estudios para contrastes de hiptesis. Es decir pretendemos
comparar si las medias o las proporciones de las muestras son
diferentes.

Estimar una proporcin.

Ejemplo:
A cuantas personas tendramos que estudiar para conocer la
prevalencia de diabetes, 95% de seguridad, 3% de precisin, y una
proporcin esperada prox, 5%.
Solucin:

A cuantas personas tendramos que estudiar a una poblacin de

15,000 habitantes para conocer la prevalencia de la diabetes.
Solucin:
Como estimar una media
Si deseamos estimar una media debemos saber el nivel de
confianza o de seguridad.
La precisin con que se desea estimar el parmetro.
Una idea de la varianza o de la distribucin de la variable
cualitativa que se supone existe en la poblacin.
Z 2 S2
n= 2
e
Ejemplo:
Si deseamos conocer la media de la glucosamina basal de una
poblacin de una poblacin, con una seguridad del 95% y una
precisin de 3 miligramos y tenemos informacin por un estudio
=250 miligramos. Cual seria el tamao de muestra. Si la
poblacin es infinita.

Solucin:
( 1.96 )2 (250)
n=
=106.7
2
3
Estudios para contrate de hiptesis
Pretenden comparar si las medias o proporciones de muestras son
diferentes. Habitualmente el investigar pretende comparar dos
tratamientos para lo cual el clculo del tamao de muestra es
necesario conocer.

a) La magnitud de la diferencia a detectar que tenga inters

clnicamente relevante se pueden comparar dos proporciones o 2
medias.
b) Tener una idea aproximada de los parmetros de la variable que se
estudia.
c) Seguridad del estudio.
d) Poder estadstico.
e) Definir si la hiptesis va hacer unilateral o bilateral.

Pruebas de Hiptesis

Hiptesis: es una aseveracin de una poblacin elaborado con el

propsito de poner a prueba, para verificar si la afirmacin es
razonable se usan datos.
En el anlisis estadstico se hace una aseveracin, es decir, se
plantea una hiptesis, despus se hacen las pruebas para verificar la
aseveracin o para determinar que no es verdadera.
Por tanto, la prueba de hiptesis es un procedimiento basado en la
evidencia muestral y la teora de la probabilidad, se emplea para
determinar si la hiptesis es una afirmacin razonable.
Se realiza mediante cinco pasos.
1.
2.
3.
4.
5.

Se
Se
Se
Se
Se

plantea la hiptesis nula y la alternativa.

selecciona el nivel.
identifica el estadstico de prueba.
forma la regla de decisin.
toma una muestra y se decide:

I.
II.

No se rechaza Ho.
O se rechaza y se acepta Hi.

Objetivo: no cuestionar el valor calculado del estadstico (muestral),

sino hacer un juicio con respecto a la diferencia entre estadstico de
muestra y un valor planteado del parmetro.
Paso 1:
Cualquier investigacin estadstica implica la existencia de hiptesis o
afirmaciones acerca de las poblaciones que se estudian.
La hiptesis nula (Ho) se refiere siempre a un valor especificado del
parmetro de poblacin, no a una estadstica de muestra. La letra H
significa hiptesis y el subndice cero no hay diferencia. Por lo general
hay un no en la hiptesis nula que indica que no hay cambio
podemos rechazar o aceptar Ho.
La hiptesis nula es una afirmacin que no se rechaza a menos que
los datos mustrales proporcionen evidencia convincente de que es
falsa. El planteamiento de la hiptesis nula que contiene un signo de
igualdad con respecto al valor especificado del parmetro.
La hiptesis alternativa (H1) es cualquier hiptesis que difiera de la
hiptesis nula. Es una afirmacin que se acepta si los datos
maestrales proporcionan eviten suficiente de que la hiptesis nula es
falsa. Se le conoce tambin como la hiptesis de investigacin. El
planteamiento de la hiptesis alternativa nunca contiene un signo de
igualdad con respecto al valor especificado.
Paso 2:
-

Nivel de significancia: probabilidad de rechazar la hiptesis nula

cuando es verdadera. Se le denota mediante la letra griega ,
tambin es denominada como nivel de tiesgo, este trmino es ms
adecuado ya que se corre el riesgo de rechazar la hiptesis nula,
cuando en realidad es verdadera. Este nivel este bajo control de la
persona que realiza la prueba.

Paso 3:
-

Valor determinado a partir de la informacin muestral, que se utiliza

para determinar si se rechaza la hiptesis nula, existen muchos
estadsticos de prueba para nuestro caso utilizaremos los estadsticos
z y t. la eleccin de uno de estos depende de la cantidad de muestras
que se toman, si las muestras son de la prueba son iguales a 30 o
ms se utiliza al estadstico z, en caso contrario se utiliza el
estadstico t.
Tipos de prueba.
a) Prueba bilateral o de dos extremos: la hiptesis planteada se
formula con la igualdad, ejemplo:

Ho: M =200
H 1 : M 200

b) Pruebas unilateral o de un extremo: la hiptesis planteada se

formula con o
Ho: M 200 Ho: M 200
H1: M < 200 H1: M >200

En las pruebas de hiptesis para la media (M), cuando se conoce la

desviacin estndar poblacional, o cuando el valor de la muestra
es grande (30 o ms), el valor estadstico de prueba es z y se
determina a partir de:

El valor estadstico z, para muestra grande y desviacin estndar

poblacional desconocida se determina por la ecuacin:

En la prueba para una media poblacional con muestra pequea y

desviacin estndar poblacin desconocida se utiliza el valor
estadstico t.

Tipos de Errores
Cualquiera sea la decisin tomada a partir de una prueba de
hiptesis, ya sea de aceptacin del Ho o de la H1, puede incurrirse en
error:
Un error tipo I se presenta si la hiptesis nula Ho es rechazada cuando
es verdadera y deba ser aceptada. La probabilidad de cometer un
error tipo I se denominada alfa.
En cualquiera de los dos casos se comete un error al tomar una
decisin equivocada.
Etapas bsicas en pruebas de hiptesis
Al realizar pruebas de hiptesis, se parte de un valor supuesto 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 solo si el resultado
muestral resulta muy poco probable cuando la hiptesis es cierta.
Etapa 1. Planear la hiptesis nula y la hiptesis alternativa. La
hiptesis nula (Ho) es el valor hipottico del parmetro que se compra
con el resultado muestral resulta muy poco probable cuando la
hiptesis es cierta.
Etapa 2. Especificar el nivel de significancia que se va 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 aleatoriamente con una probabilidad de 1.05 o menos.
Etapa 3. Elegir la estadstica de prueba. La estadstica de prueba
puede ser la estadstica muestral o una versin transformada de esa
estadstica muestral.

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.
Etapa 5. Determinar el valor real de la estadstica de prueba.
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 esta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos.
Pasos de la prueba de Hiptesis.
1.
2.
3.
4.
5.

Expresar la hiptesis nula.

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

Comparaciones de Esquemas de Muestreo.

Un plan en el cual se determina, el nmero de elementos que
deben de tomarse para evaluar o inspeccionar, y el nmero de
elementos no conformes que se requieren en una muestra para
evaluar el grado de cumplimiento de las especificaciones de un
lote.
Muestreo de Aceptacin:
Un muestreo de aceptacin consiste en evaluar un colectivo
homogneo a travs de una muestra aleatoria, para decidir la
aceptacin o el rechazo del colectivo.
Por tanto es necesario tener presente en todo momento que, en
un muestreo, lo que se est evaluando es toda la poblacin y no
slo la muestra, con las caractersticas inferidas a partir de los
datos de la muestra observada, y puede o no ser aceptada.
Aplicaciones:
El concepto de muestreo de aceptacin va asociado a
inspeccin, por lo que acarrea todos los problemas que supone
confiar la calidad en la inspeccin.

La primera cuestin que se plantea ante una inspeccin de

recepcin es si se realiza un muestreo o si es precisa una
inspeccin al 100%. Deming demuestra que la situacin ptima
(mnimo costo esperado) es:
Si p < k1 / k2 Aceptar sin inspeccin.
Si p > k1 / k2 Realizar inspeccin 100%.
Dnde:
p: Peor fraccin defectuosa esperada del lote.
k1: Costo de inspeccionar una pieza.
k2: Costo de aceptar una pieza defectuosa.
De acuerdo con este criterio, el muestreo no tiene sentido. No
obstante hay que tener en cuenta lo siguiente:
1. La inspeccin por medios destructivos no puede ser 100% por
razones obvias.
2. En el caso de lotes muy grandes la inspeccin 100% deja de ser
100% fiable debido a factores como la fatiga, etc. Adems en lotes
grandes la relacin entre el tamao de la muestra requerida y el
tamao del lote decrece, por lo que el empleo de mtodos de
muestreo puede estar justificado.
Clasificacin de los Planes de Muestreo.
-

Lote aislado: produccin nica.

Lote a lote: Produccin uniforme de lotes.
Fabricacin continua: Industria qumica, plantas embotelladoras, etc

Caractersticas de los Lotes:

La formacin de un lote puede influir en la eficacia del plan

de muestreo de aceptacin.
Recomendaciones para formar los lotes,
Los lotes deben ser homogneos. Es decir, las unidades que
forman un lote en particular deben haber sido fabricadas bajo
condiciones similares en cuanto a mquinas, operadores,
materia prima, tiempo (fechas), etctera. Cuando el lote se
forma mezclando unidades de diferentes fuentes, el muestreo
de aceptacin no es tan efectivo como se debe.
Adems la existencia de lotes no homogneos hace ms difcil
tomar acciones correctivas que eliminan la causa de los
productos defectuosos. De esa manera, cuando se forme un
pedido o embarque es mejor inspeccionar cada lote individual y
evitar aplicar la inspeccin a todo el pedido despus de que se
han mezclado lotes.
Los lotes deben ser formados de manera que no compliquen el
manejo de materiales del proveedor y del cliente. Todos los
artculos de los lotes deben ser empaquetados y embarcados

con un mnimo de riesgo y de forma que la seleccin de

unidades de la muestra sea relativamente fcil.
ndices de Calidad para los Planes de Muestreo.
En una relacin cliente-proveedor en la que hay un plan de
muestreo de aceptacin de por medio, hay dos intereses:
Proveedor quiere que todos los lotes que cumplen con un nivel
de calidad aceptable sean aceptados.
Cliente desea que todos los lotes que no tienen un nivel de
calidad aceptable sean rechazados.
En este sentido, los principales ndices de calidad con los que se
disean y caracterizan los planes de muestreo, son los siguientes;
Nivel de calidad aceptable: NCA o AQL (Aceptancing
Quality Level).
El NCA se define como el porcentaje mximo de unidades que
no cumplen con la calidad especificada, que para propsitos de
inspeccin por muestreo se puede considerar como satisfactorio
o aceptable como un promedio para el proceso.
El NCA tambin se lo conoce como nivel de calidad del
productor y se expresa en porcentajes de unidades que no
cumplen con la calidad especificada.
Al ser el NCA el nivel de calidad que se considera satisfactorio,
entonces la probabilidad de aceptar un lote que tenga esa
calidad debe ser alta (0.95).
A la probabilidad de aceptar lotes que tengan un nivel da
calidad aceptable (NCA), se lo designa con 1 a, donde alfa es
por lo general un nmero pequeo (0.05, 0.10).
Ntese que la probabilidad de aceptar lotes de calidad aceptable no
es igual a 1 y por tanto hay un riesgo de no aceptar este tipo de lotes.
A este riesgo que tiene probabilidad igual a se le conoce como riesgo
del productor.

Tareas: Teora de Decisiones

1. Esquema del Modelo de Kepner Tregoe:

Anlisis de la
Situacin
Establecer
objetivos

Generar
Alternativas

Clasificar por
importancia
Evaluar

Hacer la eleccin
Evaluar las
consecuencias
Decisin
final
2. Diagramas de rbol
Un diagrama de rbol es una herramienta que se utiliza para
determinar todos los posibles resultados de un experimento aleatorio.
En el clculo de la probabilidad se requiere conocer el nmero de
objetos que forman parte del espacio muestral, estos se pueden
determinar con la construccin de un diagrama de rbol. Ejemplo: Si
Juan tiene 3 pantalones y 2 camisas basta multiplicar 3x2=6 y son 6
posibilidades de que se pueda vestir.
Ejemplos
Una universidad est formada por tres facultades:

La 1 con el 50% de estudiantes.

La 2 con el 25% de estudiantes.

La 3 con el 25% de estudiantes.

Las mujeres estn repartidas uniformemente, siendo un 60% del total en

cada facultad.

Probabilidad de encontrar una alumna de la primera facultad?

Probabilidad de encontrar un alumno varn?

Pe
ro tambin podra ser lo contrario.
3. Tcnicas de Muestreo Probabilstico y No Probabilstico.
Muestreo Aleatorio Simple

Es el procedimiento probabilstico de seleccin de muestras ms

sencillo y conocido, no obstante, en la prctica es difcil de realizar
debido a que requiere de un marco muestral y en muchos casos no es
posible obtenerlo. Puede ser til cuando las poblaciones son
pequeas y por lo tanto, se cuenta con listados. Cuando las
poblaciones son grandes, se prefiere el muestreo en etapas. Se utiliza
ampliamente en los estudios experimentales, adems, de ser un
procedimiento bsico como componente de mtodos ms complejos
(muestreo estratificado y en etapas).
Se caracteriza por que otorga la misma probabilidad de ser elegidos a
todos los elementos de la poblacin. Para l calculo muestral, se
requiere de: El tamao poblacional, si sta es finita, del error
admisible y de la estimacin de la varianza.

El muestreo sistemtico es una tcnica de muestreo aleatorio que los

investigadores eligen con frecuencia por su sencillez y calidad regular.
En el muestreo aleatorio sistemtico, el investigador primero escoge
aleatoriamente la primera pieza o sujeto de la poblacin. A continuacin, el
investigador seleccionar a cada ensimo sujeto de la lista.
El procedimiento del muestreo aleatorio sistemtico es muy fcil y se puede
hacer manualmente. Los resultados son representativos de la poblacin a

menos que se repitan ciertas caractersticas de la poblacin por cada

ensimo individuo, lo que es muy poco probable.
El proceso de obtencin de la muestra sistemtica es muy similar a una
progresin aritmtica.
1.

Nmero

de

inicio:

El investigador selecciona un nmero entero que debe ser menor al

nmero total de individuos en la poblacin. Este nmero entero
corresponder al primer sujeto.
2.

Intervalo:
El investigador elige otro nmero entero que servir como la diferencia
constante entre dos nmeros consecutivos en la progresin.
El nmero entero se selecciona tpicamente de modo que el investigador
obtenga el tamao de la muestra correcto.

Por ejemplo, el investigador tiene una poblacin total de 100 individuos y

necesita 12 sujetos. Primero elige su nmero de partida, 5.
Luego, el investigador elige su intervalo, 8. Los miembros de su muestra
sern los individuos 5, 13, 21, 29, 37, 45, 53, 61, 69, 77, 85, 93.
Otros investigadores utilizan una tcnica de muestreo aleatorio sistemtico
modificada en donde primero identifican el tamao de la muestra necesario.
A continuacin, dividen el nmero total de la poblacin por el tamao de la
muestra para obtener la fraccin de muestreo. La fraccin de muestreo
luego se utiliza como la diferencia constante entre los sujetos.
Ventajas del muestreo sistemtico

La principal ventaja de utilizar un muestreo sistemtico sobre

un muestreo aleatorio simple es su sencillez. Permite que el investigador
aada un grado de sistema o proceso en la seleccin aleatoria de los
sujetos.

Otra ventaja del muestreo aleatorio sistemtico sobre el muestreo

aleatorio

simple

es

la

garanta

de

que

el

muestreo

se

har

equitativamente sobre la poblacin. Existe una posibilidad de un muestreo

aleatorio simple que permite una seleccin por conglomerados de sujetos.
Esto es eliminado sistemticamente en el muestreo sistemtico.
Desventaja de muestreo sistemtico

El proceso de seleccin puede interactuar con un rasgo peridico

oculto dentro de la poblacin. Si la tcnica de muestreo coincide con la

periodicidad del rasgo, la tcnica de muestreo ya no ser aleatoria y la

representatividad de la muestra se ve comprometida.
Muestreo aleatorio estratificado

Se clasifica la poblacin en grupos (estratos). Se trata de asegurar que

todos los estratos de inters queden correctamente recogidos y, por tanto,
representados en la particin.
Desde un punto de vista probabilstico, se considera que existen
subpoblaciones muy definidas dentro de la poblacin donde la distribucin
de la variable que se analiza experimenta variaciones.
Cada estrato funciona independientemente de los dems. Por tanto, se
elegirn muestras aleatorias simples para cada uno de los estratos.
La distribucin de la muestra en funcin de los distintos estratos se
denomina afijacin.

Tipos de afijacin
Los tipos de afijacin ms utilizados son los siguientes:

Afijacin simple: A cada estrato le corresponde el mismo nmero de

elementos de la muestra.

Afijacin proporcional: El nmero de elementos mustrales de cada

estrato es directamente proporcional al tamao del estrato dentro de
la poblacin.

Muestreo por Conglomerados.

En el muestreo por conglomerados, en lugar de seleccionar a todos
los sujetos de la poblacin inmediatamente, el investigador realiza
varios pasos para reunir su muestra de la poblacin.

En primer lugar, el investigador selecciona grupos o conglomerados y de

cada grupo selecciona a los sujetos individuales, ya sea por muestreo
aleatorio simple o muestreo aleatorio sistemtico. El investigador tambin
puede optar por incluir a todo el conglomerado, no slo a un subconjunto.
El conglomerado ms utilizado en la investigacin es un conglomerado
geogrfico. Por ejemplo, un investigador desea estudiar el rendimiento
acadmico de los estudiantes secundarios en Espaa.
1.

Puede dividir a toda la poblacin (poblacin de Espaa) en diferentes

conglomerados (ciudades).

2.

Luego, el investigador selecciona una serie de conglomerados en

funcin de su investigacin, a travs de un muestreo aleatorio simple o
sistemtico.

3.

Luego, de los conglomerados seleccionados (ciudades seleccionadas

al azar) el investigador puede incluir a todos los estudiantes secundarios
como sujetos o seleccionar un nmero de sujetos de cada conglomerado a
travs de un muestreo aleatorio simple o sistemtico.

Lo ms importante sobre esta tcnica de muestreo es dar a todos los

conglomerados iguales posibilidades de ser seleccionados.
Tipos de muestra por conglomerados

Muestra por conglomerados en una etapa

Recordemos el ejemplo anterior: una muestra por conglomerados en una
etapa ocurre cuando el investigador incluye a todos los estudiantes
secundarios de todos los conglomerados seleccionados al azar como
muestra.
Muestra por conglomerados en dos etapas
En el ejemplo anterior, se obtiene la muestra por conglomerados en dos
etapas cuando el investigador slo selecciona un nmero de estudiantes de
cada conglomerado mediante muestreo aleatorio simple o sistemtico.
Muestreo por conglomerados y muestreo estratificado: diferencias
La diferencia principal entre el muestreo por conglomerados y el muestreo
estratificado es la inclusin de conglomerados o estratos.
En el muestreo aleatorio estratificado, se realiza el muestreo en todos los
estratos de la poblacin, mientras que en el muestreo por conglomerados el
investigador slo selecciona aleatoriamente un nmero de conglomerados
de la coleccin de conglomerados de toda la poblacin. Por lo tanto, slo se
realiza una muestra sobre una cantidad de conglomerados. Los dems
quedan sin representacin.
Ventajas y desventajas del muestreo por conglomerados

Esta tcnica de muestreo es barata, rpida y fcil. En lugar de realizar

un muestreo de todo un pas como en el muestreo aleatorio simple, el
investigador

puede

asignar

sus

recursos

limitados

los

pocos

conglomerados o reas seleccionadas aleatoriamente cuando se usan

muestras por conglomerados.

En relacin con la primera ventaja, el investigador tambin puede

aumentar su tamao de la muestra con esta tcnica. Teniendo en cuenta
que el investigador slo tendr que tomar la muestra de una serie de
reas o conglomerados, puede seleccionar ms sujetos, ya que son ms
accesibles.

De todos los diferentes tipos de muestreo probabilstico, esta tcnica

es la menos representativa de la poblacin. La tendencia de los individuos
dentro de un conglomerado es tener caractersticas similares y con una
muestra por conglomerados, existe la posibilidad de que el investigador
pueda tener un conglomerado sobrerrepresentado o infrarrepresentado
que puede sesgar los resultados del estudio.

sta tambin es una tcnica de muestreo probabilstico con una

posibilidad de error de muestreo alto. Esto se produce por los

conglomerados limitados incluidos en la muestra, dejando una parte

importante de la poblacin sin muestrear.
Muestreo por etapas mltiples
Esta tcnica es la nica opcin cuando no se dispone de lista completa de la
poblacin de referencia o bien cuando por medio de la tcnica de muestreo
simple o estratificado se obtiene una muestra con unidades distribuidas de
tal forma que resultan de difcil acceso. En el muestreo a estadios mltiples
se subdivide la poblacin en varios niveles ordenados que se extraen
sucesivamente por medio de un procedimiento de embudo. El muestreo se
desarrolla en varias fases o extracciones sucesivas para cada nivel.
Por ejemplo, si tenemos que construir una muestra de profesores de
primaria en un pas determinado, stos pueden subdividirse en unidades
primarias

representadas

por

circunscripciones

didcticas

unidades

secundarias que seran los propios profesores. En primer lugar extraemos

una muestra de las unidades primarias (para lo cual debemos tener la lista
completa de estas unidades) y en segundo lugar extraemos aleatoriamente
una muestra de unidades secundarias de cada una de las primarias
seleccionadas en la primera extraccin.
Homogeneidad de las poblaciones o sus subgrupos
Homogneo significa, en el contexto de la estratificacin, que no hay mucha
variabilidad. Los estratos funcionan mejor cuanto ms homogneos son
cada uno de ellos respecto a la caracterstica a medir. Por ejemplo, si se
estudia la estatura de una poblacin, es bueno distinguir entre los estratos
mujeres y hombres porque se espera que, dentro de ellos, haya menos
variabilidad, es decir, sean menos heterogneos. Dicho de otro modo, no
hay tantas diferencias entre unas estaturas y otras dentro del estrato que
en la poblacin total.
Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se
dan las mismas diferencias dentro del estrato que en toda la poblacin, no
hay por qu usar este mtodo de muestreo. En los casos en los que existan
grupos que contengan toda la variabilidad de la poblacin, lo que se
construyen son conglomerados, que ahorran algo del trabajo que supondra
analizar toda la poblacin. En resumen, los estratos y los conglomerados
funcionan bajo principios opuestos: los primeros son mejores cuanto ms
homogneo es el grupo respecto a la caracterstica a estudiar y los
conglomerados, si representan fielmente a la poblacin, esto es, contienen
toda su variabilidad, o sea, son heterogneos.

Muestreo no probabilstico [editar]

Es aqul para el que no se puede calcular la probabilidad de extraccin de
una determinada muestra. Por tal motivo, se busca seleccionar a individuos
que tienen un conocimiento profundo del tema bajo estudio y se considera
que la informacin aportada por esas personas es vital para la toma de
decisiones.
Muestreo por cuotas [editar]
Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos
de opinin. En primer lugar es necesario dividir la poblacin de referencia en
varios estratos definidos por algunas variables de distribucin conocida
(como el gnero o la edad). Posteriormente se calcula el peso proporcional
de cada estrato, es decir, la parte proporcional de poblacin que
representan. Finalmente se multiplica cada peso por el tamao de n de la
muestra para determinar la cuota precisa en cada estrato. Se diferencia del
muestreo estratificado en que una vez determinada la cuota, el investigador
es libre de elegir a los sujetos de la muestra dentro de cada estrato.
Muestreo de bola de nieve
Indicado para estudios de poblaciones clandestinas, minoritarias o muy
dispersas pero en contacto entre s. Consiste en identificar sujetos que se
incluirn en la muestra a partir de los propios entrevistados. Partiendo de
una pequea cantidad de individuos que cumplen los requisitos necesarios,
servirn como localizadores de otros con caractersticas anlogas.
Muestreo subjetivo por decisin razonada
En este caso las unidades de la muestra se eligen en funcin de algunas de
sus caractersticas de manera racional y no casual. Una variante de esta
tcnica es el muestreo compensado o equilibrado, en el que se seleccionan
las unidades de tal forma que la media de la muestra para determinadas
variables se acerque a la media de la poblacin. La cual funciona en base a
referencias o por recomendacin despus se reconoce por medio de la
estadstica ok
4. Conceptos de Bilateral y Unilateral.
El contraste bilateral sita la regin de rechazo en los dos extremos
(colas) de la distribucin muestral. En cambio, el contraste unilateral
sita la regin de rechazo en uno de los dos extremos (colas) de la
distribucin muestral. El contraste bilateral (o de dos colas) se utiliza

cuando la Hiptesis Alternativa asigna al parmetro cualquier valor

diferente al establecido en la Hiptesis Nula.
Ejemplo de contraste bilateral:

La Hiptesis Alternativa establece que, caso de rechazar la Hiptesis

Nula, decidimos que la proporcin de la poblacin a que pertenece la
muestra no es 0.5
Ejemplo de contraste unilateral:

La Hiptesis Alternativa establece que, caso de rechazar la Hiptesis

Nula, decidimos que la proporcin de la poblacin a que pertenece la
muestra es inferior a 0.5
5. Militar Estndar 105
TABLAS DE MUESTREO MIL-STD-105E
Para una mayor facilidad en la utilizacin y aplicacin de los planes de
muestreo de aceptacin, se requiere generalmente que stos se
encuentren tabulados. La norma MIL-STD-105E es un esquema de muestreo
que ide el gobierno de Estados Unidos para sus adquisiciones durante la
Segunda Guerra Mundial.
MIL-STD-105E est diseada para muestreo de atributos lote por lote. Se
usa AQL entre 0,10 a 10%. Los planes AQL tienen eficacia mxima si
rechaza suficientes lotes para que sea conveniente mejorar la calidad del
producto cuando el fabricante produce un nivel de calidad peor que el AQL y
si el plan rechaza muy pocos lotes cuando el fabricante produce un nivel de
calidad mejor que el AQL.
Para utilizar un plan de muestreo indexado segn AQL como la norma MILSTD-105E se deben seguir los siguientes pasos:

Establecer el valor de AQL: decisin de la administracin.

Determinar el tamao del lote: por lo general se establece por

convenio entre el proveedor y el cliente.

Determinar el nivel de inspeccin: generalmente inspeccin

normal.

Determinar el plan de muestreo: muestreo sencillo, doble o

mltiple.

Determinar la clave de tamao de muestra (letra)

Determinar el tamao de muestra y el nmero de aceptacin

Seleccionar la muestra: se debe tomar del lote al azar.

Inspeccionar la muestra: se cuentan los artculos defectuosos. Si el

nmero que resulta no supera el nmero de aceptacin que se
encontr en la tabla se acepta el lote. En caso contrario se rechaza.

Registrar los resultados: se debe llevar registro de las decisiones

de aceptacin o rechazo para que se puedan seguir las reglas de
cambio.

Ejemplo de Aplicacin de la Norma MIL-STD-105E

Una empresa desea aplicar la Norma MIL-STD-105E para el muestreo de
lotes de un determinado producto de tamao N=3.000 y que
histricamente ha presentado un porcentaje de defectuosos de un 2%. Se
ha convenido un nivel de calidad aceptable (AQL) de un 1%. La empresa
utiliza inspeccin normal. Con esta informacin se busca determinar el
tamao de la muestra (n) y el nmero de aceptacin (c).
Paso 1: Dado el tamao del lote y el nivel de inspeccin seleccionado se
buscan la letra que corresponde a dicho plan. En el ejemplo el tamao del
lote est en el rango entre 1.201 y 3.200 y la inspeccin normal
corresponde a la columna II. La letra por tanto a utilizar es K.

Paso 2: Buscamos en la siguiente tabla el cruce entre la letra seleccionada

previamente (en nuestro ejemplo K) y el nivel de AQL definido (en nuestro
ejemplo AQL=1%). Se obtiene n=125 como tamao de muestra, c=3 como
nmero de aceptacin y r=4 como nmero de rechazo.

Finalmente utilizando el procedimiento de Muestreo Simple se puede

determinar
la
probabilidad
de
aceptar
el
lote
con N=3.000, p=2% y (n,c)=(125,3). Se deja al visitante verificar que
dicha probabilidad corresponde a Pa=75,75%.
6. Tablas de tipos de errores.
Error de tipo I y II
El error de tipo I se comete cuando la hiptesis nula
es

verdadera y,

como

consecuencia

del

contraste, se

rechaza.
El error de tipo II se comete cuando la hiptesis nula
es falsa y, como consecuencia del contraste se acepta.
H0

Verdadera

Falsa

Decisn

Decisin

correcta
pro

incorrecta:

Aceptar
Probabilidad

1 -

ERROR DE TIPO II

ERROR DE TIPO
Rechaza
r

I
Probabilidad

Decisin
=

correcta

La
bab

ilidad de

cometer Error

de

tipo

I es

el nivel

de

signifi cacin .
La probabilidad de cometer Error de tipo II depende del
verdadero valor del parmetro. Se hace tanto menor cuanto
mayor sea n.
7. Pruebas Estadisticas
Las pruebas estadsticas
Cuando se analizan datos medidos por una variable cuantitativa continua,
las pruebas estadsticas de estimacin y contraste frecuentemente
empleadas se basan en suponer que se ha obtenido una muestra aleatoria
de una distribucin de probabilidad de tipo normal o de Gauss.
Pero en muchas ocasiones esta suposicin no resulta vlida, y en otras la
sospecha de que no sea adecuada no resulta fcil de comprobar, por
tratarse de muestras pequeas.
En estos casos disponemos de dos posibles mecanismos:

Los datos se pueden transformar de tal manera que sigan una

distribucin normal.

O bien se puede acudir a pruebas estadsticas que no se basan en

ninguna suposicin en cuanto a la distribucin de probabilidad a partir
de la que fueron obtenidos los datos, y por ello se denominan pruebas no
paramtricas (distribucin free), mientras que las pruebas que suponen
una distribucin de probabilidad determinada para los datos se
denominan pruebas paramtricas.

1) PRUEBAS NO PARAMTRICAS:
Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en
determinadas suposiciones, no parten de la base de que los datos
analizados adoptan una distribucin normal.
Tcnica estadstica que no presupone ninguna distribucin de probabilidad
terica de la distribucin de nuestros datos.
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin
como de distribucin libre (distribucin free).
En la mayor parte de ellas los resultados estadsticos se derivan nicamente
a partir de procedimientos de ordenacin y recuento, por lo que su base
lgica es de fcil comprensin.
Cuando trabajamos con muestras pequeas (n < 10) en las que se

desconoce si es vlido suponer la normalidad de los datos, conviene utilizar

pruebas no paramtricas, al menos para corroborar los resultados obtenidos
a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana,
que es aquel punto para el que el valor de X est el 50% de las veces por
debajo y el 50% por encima.
Las pruebas no paramtricas no requieren asumir normalidad de la
poblacin y en su mayora se basan en el ordenamiento de los datos, la
poblacin tiene que ser continua.
El parmetro que se usa para hacer las pruebas estadsticas es la Mediana y
no la Media.
Son tcnicas estadsticas que no presuponen ningn modelo probabilstico
terico.
Son menos potentes que las tcnicas paramtricas, aunque tienen la
ventaja que se pueden aplicar ms fcilmente.

2) PRUEBAS PARAMTRICAS:
Las pruebas estadsticas paramtricas, como la de la t de Student o el
anlisis de la varianza (ANOVA), se basan en que se supone una forma
determinada de la distribucin de valores, generalmente la distribucin
normal, en la poblacin de la que se obtiene la muestra experimental.
En contraposicin de la tcnicas no paramtricas, las tcnicas paramtricas
si presuponen una distribucin terica de probabilidad subyacente para la
distribucin de los datos.
Son ms potentes que las no paramtricas.
Dentro de las pruebas paramtricas, las ms habituales se basan en la
distribucin de probabilidad normal, y al estimar los parmetros del modelo
se supone que los datos constituyen una muestra aleatoria de esa
distribucin, por lo que la eleccin del estimador y el clculo de la precisin
de la estimacin, elementos bsicos para construir intervalos de confianza y
contrastar hiptesis, dependen del modelo probabilstico supuesto.
Cuando un procedimiento estadstico es poco sensible a alteraciones en el
modelo probabilstico supuesto, es decir que los resultados obtenidos son
aproximadamente vlidos cuando ste vara, se dice que es un
procedimiento robusto.

3) ANLISIS DE LA VARIANZA (ANOVA)

ANOVA son siglas para el anlisis de la Variacin (ANalysis Of VAriance).

Un ANOVA segrega diversas fuentes de la variacin vistas en resultados
experimentales.
Conjunto de tcnicas estadsticas para conocer el modo en que el valor
medio de una variable es afectado por diferentes tipos de clasificaciones de
los datos.
Con el anlisis de la varianza se pueden ajustar las estimaciones del efecto
de un tratamiento segn otros factores como sexo, edad, gravedad, etc.
Es una tcnica estadstica que sirve para decidir/determinar si las
diferencias que existen entre las medias de tres o ms grupos (niveles de
clasificacin) son estadsticamente significativas.
Las tcnicas de ANOVA se basan en la particin de la varianza para
establecer si la varianza explicada por los grupos formados es
suficientemente mayor que la varianza residual o no explicada.
El anlisis de la varianza (ANOVA) es una tcnica estadstica de contraste de
hiptesis.
Tradicionalmente estas tcnicas, conjuntamente con las tcnicas de
regresin lineal mltiple, de las que prcticamente son una extensin
natural, marcan el comienzo de las tcnicas multivariantes.
Con estas tcnicas se manejan simultneamente ms de dos variables, y la
complejidad del aparato matemtico se incrementa proporcionalmente con
el nmero de variables en juego.
El anlisis de la varianza de un factor es el modelo ms simple: una nica
variable nominal independiente, con tres o ms niveles, explica una variable
dependiente continua.
Otra alternativa, que aparentemente es ms lgica e intuitiva, consiste en
comparar, en todas las posibles combinaciones de dos en dos, las medias de
todos los subgrupos formados.
En el ANOVA se comparan medias, no varianzas: medias de los subgrupos o
estratos originados por los factores de clasificacin estudiados.
Un ANOVA entonces prueba si la variacin asociada a una fuente explicada
es grande concerniente a la variacin inexplicada.
Si ese cociente (la estadstica de F) es tan grande que la probabilidad que
ocurri por casualidad es baja (por ejemplo, P<=0.05), podemos concluir
(en ese nivel de la probabilidad) que esa fuente de la variacin tena un
efecto significativo.
CONDICIONES GENERALES DE APLICACIN.

A- INDEPENDENCIA DE LOS ERRORES I

Los errores experimentales han de ser independientes Se consigue si los
sujetos son asignados aleatoriamente. Es decir, se consigue esta condicin
si los elementos de los diversos grupos han sido elegidos por muestreo
aleatorio
B- NORMALIDAD
Se supone que los errores experimentales se distribuyen normalmente. Lo
que supone que cada una de las puntuaciones yi.i se distribuir
normalmente.
Para comprobarlo se puede aplicar un test de ajuste a la distribucin normal
como et de Kolmogov-Smirnov.
C- HOMOGENEIDAD DE VARIANZAS (HOMOSCEDASTICIDAD).
La varianza de los subgrupos ha de ser homognea 21 = 22 = .....= 2k
ya que estn debidas al error. Se comprobarn mediante los test de: Razn
de varianzas (mx. /min), C de Cochran, Barlett-Box

4) ANLISIS DE LA COVARIANZA (ANCOVA)

Mtodo de anlisis estadstico que es una extensin del anlisis de la
varianza, que permite ajustar los estimadores del efecto de un tratamiento
segn posibles covariables y factores.
Es una tcnica estadstica que combina ANOVA (pues compara medias entre
grupos) y anlisis de regresin (ajusta las comparaciones de las medias
entres los grupos por variables continuas o covariables)

5) ANLISIS DE REGRESIN
En un conjunto de datos sobre la variable dependiente y sobre una o ms
variables independientes,
, consiste en determinar el modelo
matemtico ms ajustado que describa y como una funcin de las x o para
predecir y a partir de las x.
Los tipos ms corrientes son el modelo lineal y el modelo logstico.

6) ANLISIS POR PROTOCOLO

En un ensayo clnico, anlisis de los datos segn el tratamiento tomado, en

contraposicin al anlisis por intencin de tratar, que se realiza segn el
tratamiento asignado en el proceso de asignacin aleatoria. El anlisis por
protocolo tiende a medir la eficacia de la intervencin, para cuya evaluacin
conviene incluir slo a los pacientes que han estado realmente expuestos a
los tratamientos planificados.

EXAMENES