CURSO DE SEIS SIGMA P. REYES / FEB.

2006
Ejemplo:
Un proceso produce flecha cilíndrica, con un diámetro especificado de 0.0250”
± 0.001”. Sin embargo un estudio de capacidad muestra un Cp = 0.8 y una
dispersión natural de 0.0025” (6s ) contra la permitida de 0.0002”. Se tiene
pensado comprar un torno nuevo de US$70,000 para tolerancia de ± 0.0008”,
i.e. Cpk = 1.25. Se sugirió un estudio Multi Vari previo.

Se tomaron cuatro lecturas en cada flecha, dos a cada lado. Estas muestran
una disminución gradual desde el lado izquierdo al lado derecho de las
flechas, además de excentricidad en cada lado de la flecha.

8 AM 9 AM 10 AM 11 AM 12 AM

0.2510”

0.2500”

0.2490”
Izquierda

Máximo
Derecha

Mínimo

Un análisis rápido revela que la mayor variación es temporal con un cambio

mayor entre las 10 AM y las 11 AM.

A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con

lecturas similares a las de las 8 AM. Conforme pasa el tiempo las lecturas
tienden a decrecer más y más, hasta que se invierten a las 10 A.M. en forma
drástica.

Página 130
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se investigó y se encontró que la temperatura tenía influencia en la variación.

La variación en temperatura era causada por que la cantidad de refrigerante

no era la adecuada, lo cual se notaba más cuando se paraba el equipo y se
volvía a arrancar. Se adicionó, reduciendo la variación en 50%
aproximadamente..

También se encontró que el acabado cónico era causado por que la

herramienta de corte estaba mal alineada. Se ajustó, contribuyendo a otra
reducción del 10% de la variabilidad.

La excentricidad de las flechas se corrigió al cambiar un rodamiento

excéntrico por desgaste en el torno. Se instaló un nuevo rodamiento
eliminándose otro 30% de la variabilidad.

4.5 Correlación

Establece si existe una relación entre las variables y responde a la pregunta,

”¿Qué tan evidente es esta relación?"

Los Diagramas de Correlación se utilizan para estudiar las relaciones y

“posibles dependencias” entre dos variables.

Página 131
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Tipos de Correlaciones:

1 3 5

Fuerte Correlación Negativa Sin Correlación

Fuerte Correlación Positiva

2 4 6

Correlación Positiva Correlación Negativa Otros patrones

Figura 4.3 Tipos de Correlaciones

La Correlación:
? Mide la fuerza de la asociación lineal entre dos variables
? No mide las relaciones fuertes no lineales
? No mide causa y efecto
? Puede ser utilizada como un primer paso para la regresión
? Debe ser utilizada en conjunto con técnicas gráficas

La medición de la fuerza de la asociación lineal en un análisis de correlación

es “R” (el coeficiente de correlación.) que dependiendo del valor “nos dice”
que tan bien se ajuntan los datos a la ecuación.

Propiedades de R

? -1<R<1
? R > 0 indica una relación positiva lineal
? R < 0 indica una relación negativa lineal

Página 132
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
2
R la proporción de la variabilidad total de los valores de “y” que pueden ser
explicados por la variable independiente x.

Si el valor de R esta entre:

? 0.9 = R = 1 Muy buen ajuste

? 0.8 = R < 0.9 Buen ajuste, requiere de más pruebas
? 0.6 = R < 0.8 Regular, requiere revisión

4.6 Análisis de Regresión

El análisis de regresión es un método estandarizado para localizar la
correlación entre dos grupos de datos, y, quizá más importante, crear un
modelo de predicción.

Puede ser usado para analizar las relaciones entre:

? Una sola “X” predictora y una sola “Y”
? Múltiples predictores “X” y una sola “Y”
? Varios predictores “X” entre sí

Regresión lineal simple

La Regresión lineal se refiere a la predicción del valor de una variable a partir

de una o más variables. En ocasiones se denomina a la variable dependiente
(y) variable de respuesta y a la variable independiente (x) variable de
predicción.

Usamos un modelo probabilístico para explicar el comportamiento de la

variable independiente vs la variable dependiente, llamado modelo de
regresión lineal, y se expresa de acuerdo a la siguiente ecuación:

Página 133
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Modelo de regresión lineal

y ? ? 0 ? ? 1x ? ?

Donde:
y = variable dependiente

?0 = ordenada al origen

?1 = pendiente

x = variable independiente
e = Error aleatorio

La expresión ? 0 + ? 1 X se denomina componente determinístico del modelo de

regresión lineal. La muestra de pares de datos se usará para estimar los

parámetros ?0 y ? 1

Supuestos para el modelo de regresión lineal29

1. Para cada valor de x, la variable aleatoria ? se distribuye normalmente.

2. Para cada valor de x, la media o valor esperado de ? es 0; esto es,
E ?? ? ? ? ? ? 0 .

3. Para cada valor de x, la varianza de ? es la constante s 2 (llamada varianza

del error).
4. Los valores del término de error ? son independientes.
5. Para un valor fijo de x, la distribución muestral de y es normal, porque sus
valores dependen de los de ?.
6. Para un valor fijo x, es posible predecir el valor de y.
7. Para un valor fijo x, es posible estimar el valor promedio de y

29
Richard Weimer “Estadística”

Página 134
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

Ejemplo 30:
Se tiene que predecir las ventas mensuales en función del costo de publicidad
de los siguientes datos:

Mes Publicidad Ventas

1 1.20 101
2 0.80 92
3 1.00 100
4 1.30 110
5 0.70 90
6 0.80 82
7 0.90 95
8 0.60 80
9 0.90 91
10 1.10 105
11 0.90 93
12 0.70 91
13 0.70 83

Utilizando el Minitab:
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
OK

Fit ted Li ne Pl ot
Ventas = 58.86 + 38.60 Publicidad

110 S 3.90857
R- Sq 82.4%
R- Sq( a dj) 80.8%
105

100
Ventas

95

90

85

80

0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3

Pub licida d

30
Ramírez Eduardo Tomado de los Apuntes de la Clase “Análisis de Regresión”

Página 135
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La ecuación sería: Y = 58.86 + 36.6*Publicidad

De acuerdo al valor de R2 (82.46%) tenemos que el 82.46% de los datos se

ajustan al modelo de regresión, es un buen ajuste, pero requiere de más
pruebas para hacerlo estadísticamente más representativo.

Regresión lineal múltiple

En ocasiones la información de una variable independiente no es suficiente,

Cuando se usa más de una variable independiente para predecir los valores de
una variable dependiente, el proceso se llama análisis de regresión múltiple; y
se expresa de acuerdo a la siguiente ecuación:

Modelo de regresión múltiple

Y = ? 0 + ? 1 x1 + ? 2 x2 +.... + ?n
Donde:
y = variable dependiente

? 0 = ordenada al origen

? 1, ? 2 = coeficiente de cada variable.

x1, x2 = variables independientes

? = Error aleatorio

La estimación de los coeficientes de una regresión múltiple es un cálculo

bastante complicado y laborioso, por lo que se requiere del empleo de
programas de computación especializados. Sin embargo, la interpretación de
los coeficientes es similar al caso de la regresión simple: el coeficiente de
cada variable independiente mide el efecto separado que esta variable tiene

Página 136
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
sobre la variable dependiente. El coeficiente de determinación, por otro lado,
mide el porcentaje de la variación total en Y que es explicado por la variación
conjunta de las variables independientes.

Ejemplo:

Una de las características importantes del alambre para amarres es su

resistencia a la tracción. La tabla de a continuación proporciona información
sobre la resistencia a la tracción(y), la altura del dado (X1), la altura del poste
(X2); la altura del amarre (X3), La longitud del alambre (X 4), el ancho del
amarre sobre el dado (X5).

y x1 x2 x3 x4 x5
8.0 5.2 19.6 29.6 94.9 2.1
8.3 5.2 19.8 32.4 89.7 2.1
8.5 5.8 19.6 31.0 96.2 2.0
8.8 6.4 19.4 32.4 95.6 2.2
9.0 5.8 18.6 28.6 86.5 2.0
9.3 5.2 18.8 30.6 84.5 2.4
9.3 5.6 20.4 32.4 88.8 2.2
9.5 6.0 19.0 32.6 85.7 2.1
9.8 5.2 20.8 32.2 93.6 2.3
10.0 5.8 19.9 31.8 86.0 2.1
10.3 6.4 18.0 32.6 87.1 2.0
10.5 6.0 20.6 33.4 93.1 2.1
10.8 6.2 20.2 31.8 83.4 2.2
11.0 6.2 20.2 32.4 94.5 2.1
11.3 6.2 19.2 31.4 83.4 1.9
11.5 5.6 17.0 33.2 85.1 2.1
11.8 6.0 19.8 35.4 84.1 2.0
12.3 5.8 18.8 34.0 86.9 2.1
12.5 5.6 18.6 34.2 83.0 1.9

Página 137
 CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Utilizando el excel empleamos las siguientes instrucciones:
>Tools
>Data Análisis
>Regresión
>Input Y: Las variable de predicción
> Input X: Las variables de predictoras
>Conficence Level al 95% OK

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.829840383
Coeficiente de determinación R^2 0.688635061
R^2 ajustado 0.568879315
Error típico 0.892010307
Observaciones 19

ANÁLISIS DE VARIANZA
Grados de libertadSuma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 5 22.8771816 4.5754363 5.7503300 0.0051466
Residuos 13 10.3438710 0.7956824
Total 18 33.2210526

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción 6.2272909 8.4501126 0.7369477 0.4742451 -12.0280640 24.4826458
Variable X 1 0.3951351 0.5791396 0.6822796 0.5070376 -0.8560196 1.6462899
Variable X 2 -0.0488255 0.2580863 -0.1891830 0.8528711 -0.6063870 0.5087359
Variable X 3 0.4772919 0.1417064 3.3681736 0.0050414 0.1711538 0.7834300
Variable X 4 -0.1122814 0.0525337 -2.1373204 0.0521490 -0.2257735 0.0012108
Variable X 5 -1.3687757 1.9205352 -0.7127054 0.4886239 -5.5178389 2.7802875

a) Ajuste el modelo de regresión múltiple

Y = 6.22 + 0.395 X1 – 0.048X2 + 0.477X3 - 0.112X4 – 1.368 X5

Página 138
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

TABLA ANOVA ? de Cuadrados Grados de libertad ? de cuadrados Fo

SS R p-1 MSR Fo = MSR/MSE
Fuente de Regresión 22.871 5 4.574 5.7178
SSE n-p MSE
Error 10.400 13 0.800
SS T n-1
Total 33.271 18

Ho : ? i = 0 Vi

H1 : ? i = 0 al menos para una i = 0

El modelo se rechaza si:

Fo > F??? ,p-1,n-p El valor de F ??? ,p-1,n-p se obtiene de la tabla V pág, A-13 de
Fo > F0.025,5,13 Douglas Montgomery
5.717 > 3.77

Por lo tanto se rechaza la Ho y se acepa la Hi que acepta que el modelo de regresión Si es significativo.
b) Realizar la tabla de ANOVA para el modelo anterior:

SS E
^2
Ra = 1
- (n-p)
SST
n-1

10.400
^2
Ra = 1 13
-
33.271
18

^2
Ra = 0.567 R = 0.753
c) Obtener los valores de R y R 2:

De acuerdo al valor de la R se denota que el modelo es “Regular” y

requiere revisión.

Página 139
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
d) Realizar la gráfica de Residuos:

Gráfica de Residuos
1.5

1.0

0.5

0.0
0 5 10 15 20
-0.5

-1.0

-1.5

-2.0

En la gráfica se puede apreciar que no se “ve” que existe una correlación

alguna.

4.7 Pruebas de Hipótesis:

Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en

parámetro poblacional. Después de recolectar una muestra aleatoria, se
compara la estadística muestral, así como la media (x), con el parámetro
hipotético, se compara con una supuesta media poblacional (). Después se
acepta o se rechaza el valor hipotético, según proceda. Se rechaza el valor
hipotético sólo si el resultado muestral resulta muy poco probable cuando la
hipótesis es cierta.

Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula

(H0) es el valor hipotético del parámetro que se compra con el resultado
muestral resulta muy poco probable cuando la hipótesis es cierta.

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

significancia del 5%, entonces se rechaza la hipótesis nula solamente si el

Página 140
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
resultado muestral es tan diferente del valor hipotético que una diferencia de
esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad
de 1.05 o menos.

Etapa 3.- Elegir la estadística de prueba. La estadística de prueba puede ser la

estadística muestral (el estimador no segado del parámetro que se prueba) o
una versión transformada de esa estadística muestral. Por ejemplo, para
probar el valor hipotético de una media poblacional, se toma la media de una
muestra aleatoria de esa distribución normal, entonces es común que se
transforme la media en un valor z el cual, a su vez, sirve como estadística de
prueba.

Etapa 4.- Establecer el valor o valores críticos de la estadística de prueba.

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

Etapa 5.- Determinar el va lor real de la estadística de prueba. Por ejemplo, al

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

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

muestral con el valor (o valores) críticos de la estadística de prueba. Después
se acepta o se rechaza la hipótesis nula. Si se rechaza és ta, se acepta la
alternativa; a su vez, esta decisión tendrá efecto sobre otras decisiones de los
administradores operativos, como por ejemplo, mantener o no un estándar de
desempeño o cuál de dos estrategias de mercadotecnia utilizar.

Página 141
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

La distribución apropiada de la prueba estadística se divide en dos regiones:

una región de rechazo y una de no rechazo. Si la prueba estadística cae en
esta última región no se puede rechazar la hipótesis nula y se llega a la
conclusión de que el proceso funciona correctamente.

Al tomar la decisión con respecto a la hipótesis nula, se debe determinar el

valor crítico en la distribución estadística que divide la región del rechazo (en
la cual la hipótesis nula no se puede rechazar) de la región de rechazo. A hora
bien el valor crítico depende del tamaño de la región de rechazo.

Pasos de la prueba de hipótesis:

1. Definir el Problema ( Problema Práctico).

2. Señalar los Objetivos ( Problema Estadístico).
3. Determinar tipo de datos: Atributo o Variable.
4. Si son datos Variables: Prueba de Normalidad.
5. Establecer las Hipótesis: Hipótesis Nula (Ho),Hipótesis Alterna (Ha).
6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%).
7. Establecer el tamaño de la muestra, ? 10 .
8. Desarrollar el Plan de Muestreo.
9. Seleccionar Muestras y Obtener Datos.
10. Decidir la prueba estadística apropiada y calcular el estadístico de

prueba (Z, t, X2 o F) a partir de los datos.

11. Obtener el estadístico correspondiente de tablas o Excel.
12. Determinar la probabilidad de que el estadístico de prueba
calculado ocurra al azar.
13. Comparar el estadístico calculado con el de tablas y ver si cae en
la región de rechazo o ver si la probabilidad es menor a alfa, rechace
Ho y acepte Ha. En caso contrario no rechace Ho.

Página 142
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
14. Con los resultados interprete una conclusión estadística para la
solución práctica.

Pruebas de hipótesis para una población

Se trata de probar una afirmación sobre parámetros de la población (media ? ;

varianza s2 o proporción ? ) en base a datos de estadísticos de una muestra
(X media, s2 o p respectivamente):

4 ELEMENTOS DE UNA PRUEBA:

? Prueba Estadística: Procedimiento para decidir aceptar o rechazar

hipótesis.
? Hipótesis: Es una afirmación acerca de una o más poblaciones.
? Hipótesis Nula (Ho): Usualmente es una afirmación representando una
situación “status quo”. Generalmente deseamos rechazar la hipótesis nula.

o Es la hipótesis o afirmación a ser probada

o Puede ser por ejemplo ? =, s , o ? a constante

o Sólo puede ser rechazada o no rechazada

? Hipótesis Alterna (Ha): Es lo que aceptamos si podemos rechazar la

hipótesis nula. Ha es lo que queremos probar.

Página 143
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
o Es la hipótesis que se acepta como verdadera cuando se rechaza Ho, es
su complemento

o Puede ser por ejemplo ? ? 7 para prueba de dos colas

? < 7 para prueba de cola izquierda

? > 7 para prueba de cola derecha

? Estadístico de prueba: Calculado con datos de la muestra.

? Región de Rechazo: Indica los valores de la prueba estadística para que

podamos rechazar la Hipótesis nula (Ho). Esta región esta basada en un
riesgo a deseado, normalmente 0.05 o 5%.

? Estadístico de prueba(Z, t, X2 o F): Para probar la hipótesis nula se calcula

un estadístico de prueba con la información de la muestra el cual se
compara a un valor crítico apropiado. De esta forma se toma una decisión
sobre rechazar o no rechazar la Ho.

? Error tipo I (alfa = nivel de significancia, normal=0.05): Se comete al rechazar la

Ho cuando en realidad es verdadera. También se denomina riesgo del
productor

? Error tipo II (beta): Se comete cuando no se rechaza la hipótesis nula

siendo en realidad falsa. Es el riesgo del consumidor

Las pruebas de hipótesis pueden ser de dos colas, de cola derecha o de cola
izquierda, a continuación se esquematizan cada una de ellas.

Página 144
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

Pruebas de Hipótesis de dos colas:

Ho: a = b Región de Región de
Ha: a ? b Rechazo Rechazo

-Z??? 0 Z???
Pruebas de Hipótesis de cola derecha:
Ho: a ? b
Ha: a > b Región de
Rechazo

0 Z???
Pruebas de Hipótesis cola izquierda:
Ho: a ? b
Ha: a < b Región de
Rechazo

- Z??? 0 Z???

Prueba de hipótesis Estadística

Para una muestra grande (n >30) probar la hipótesis de una media ?

Ho: ? ? ?o

Ha: ? ? ?0

Calcular el estadístico de prueba

? ? ?0
Z calc ?
s
n
Establecer la región de rechazo, para prueba de 2 colas: ? Z ? 2 ? Z? 2

Página 145
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

Si el valor del estadístico de

Región de Región de
prueba cae en la región de
Rechazo Rechazo
rechazo rechazaremos Ho de
0
otra manera no podemos
-Z??? Z???
rechazar Ho.

Ejemplo:

Supongamos que tenemos muestras de dos reactores que producen el mismo

artículo. Se desea ver si hay diferencia significativa en el rendimiento de
“Reactor a Reactor” .

Reactor A Reactor B
89.7 84.7 Estadísticas Descriptivas
81.4 86.1 Variable Reactor N Media Desv.Std
84.5 83.2
84.8 91.9 Rendimiento A 10 84.24 2.90
87.3 86.3
79.7 79.3
B 10 85.54 3.65
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5

Pregunta Práctica: ¿Existe diferencia entre los reactores?

Pregunta Estadística ¿La media del Reactor B (85.54) es significativamente

diferente de la media del Reactor A (84.24)? o, su diferencia se da por
casualidad en una variación de día a día.

Ho: No existe diferencia entre los Reactores.

Ha: Las medias de los Reactores son diferentes.
H0 : ? a ? ?b
Ha : ? a ? ? b

Página 146
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Se busca demostrar que los valores observados al parecer no corresponden al
mismo proceso, se trata de rechazar Ho.
Reactor A Reactor B

B B B B B BB BB B
A AA AAAA A A

¿Representan los reactores dos procesos diferentes?

¿Representan los reactores un proceso básico?

Página 147
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Pruebas de Hipótesis sobre la Igualdad de dos Medias.

A) Varianzas conocidas

Supóngase que hay dos poblaciones de interés X1 y X2, Suponemos que X1

tiene media desconocida ? 1 y varianza conocida ? 1 y que X2 tiene media

2

desconocida ? 2 y varianza conocida. Estaremos interesados en la prueba de la

hipótesis de que las medias ? 1 y ? 2 sean iguales.

Considérense primero las hipótesis alternativas de dos lados:

H0 : ? 1 ? ? 2 H1 : ? 1 ? ? 2

donde:

H0 = Hipótesis nula
H1 = Hipótesis alternativa.
? 1 = media de la población 1

? 2 = media de la población 2

El procedimiento para probar H 0 : ? 1 ? ? 2 consiste en calcular la estadística de

prueba Z0 mediante la siguiente fórmula:

X1 ? X 2
Z0 ? donde:
X 1 = media de la muestra 1
? 21 ? 2 2
? X 2 = media de la muestra 2
n1 n2
? 21 = varianza de la población 1
? 22 = varianza de la población 2
n1 = tamaño de la muestra 1
n2 = tamaño de la muestra 2

Página 148
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
La hipótesis nula H0 se Rechaza si:
Z 0 ? Z? 2 o Z 0 ? ? Z? 2

donde:
Z0 = Valor calculado del estadístico de prueba
Z ? 2 = Valor obtenido de las tablas.

Las hipótesis alternativa de un lado se analizan de manera similar. Para

probar

H0 : ? 1 ? ? 2 H1 : ? 1 ? ? 2

Se calcula la estadística de prueba Z0 , y se rechaza H 0 : ? 1 ? ? 2 si Z 0 ? Z? .

Para probar las otras hipótesis alternativas de un lado

H0 : ? 1 ? ? 2 H1 : ? 1 ? ? 2

Se utiliza la estadística de prueba Z0 y se rechaza H 0 : ? 1 ? ? 2 si Z 0 ? ? Z ?

Ejemplo:

Se emplean dos máquinas para llenar botellas de plástico con un volumen

neto de 16 onzas. El proceso de llenado puede suponerse normal, con
desviaciones estándar de ? 1 ? .015 y ? 2 ? .018 . Ingeniería de calidad sospecha
que ambas máquinas llenan hasta el mismo volumen neto, sin importar que
este volumen sea o no de 16 onzas. Se toma una muestra aleatoria de la
salida de cada máquina. ¿Piensa usted que ingeniería de calidad está en lo
correcto? Utilizando ? ? .05 .

Página 149
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

Se toman muestras con cada máquina, mostradas en la siguiente tabla:

máquina 1 máquina 2
16.03 16.02
16.04 15.97
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16

Se establecen las hipótesis:

H0 : ? 1 ? ? 2

H1 : ? 1 ? ? 2

Calculando las medias de cada máquina obtenemos: X1 ? 16.015, X 2 ? 16.005 .

X1 ? X 2 16.015 ? 16 .005
Z0 ? = ? 1.34
? 2
? 2 2
.015 2 .018 2
? ?
1

n1 n2 10 10

Z ? 2 = Z .025 = 1.96 ( De tablas)

Utilizando el criterio de decisión Z 0 ? Z? 2 para rechazar la hipótesis nula H0,

entonces tenemos que:

1.34 > 1.96 ? por lo tanto NO rechazamos H0.

Página 150
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
No existe suficiente evidencia estadística para pensar que las medias son
diferentes.

Cuando rechazamos la hipótesis nula se considera que la prueba es potente,

si aceptáramos la hipótesis nula el criterio de decisión es débil, ya que
generalmente se busca rechazar H 0.

Pruebas de hipótesis para dos poblaciones

Pruebas de igualdad de dos varianzas

Presentaremos ahora pruebas para comparar dos varianzas. Supóngase que

son dos las poblaciones de interés, por ejemplo X 1 y X 2, donde ? 1,? 12 , ? 2 , ? 22 , se

desconocen. Deseamos probar hipótesis relativas a la igualdad de las dos

varianzas, H 0 : ? 12 ? ? 22 . Considérese que se disponen dos muestras aleatorias

de tamaño n1 de la población 1 y de tamaño n2 de la población 2, y sean

S12 yS22 las varianzas de muestra. Para probar la alternativa de dos lados

H 0 : ? 12 ? ? 2
2 H 1 : ? 12 ? ? 2
2

Utilizamos el hecho de que la estadística

S12
F0 ?
S22
Se distribuye como F, con n1-1 y n 2 –1 grados de libertad.

Rechazaríamos H0 si

Página 151
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
F0 ? F? 2, n1 ? 1, n2 ? 1

o si

F0 ? F1? ? 2 , n1 ?1, n 2 ?1

Donde F? 2 , n1 ?1, n2 ?1 y F1?? 2 ,n1 ? 1,n 2 ? 1 son los puntos porcentuales ? 2 superior e inferior

de la distribución F con n1-1 y n 2-2 grados de libertad. La tabla F proporciona

sólo los puntos de la cola superior de F, por lo que para determinar F1?? 2 ,n1 ? 1,n 2 ? 1

debemos emplear

1
F1?? 2 ,n1 ? 1,n 2 ? 1 =
F? 2 , n1 ? 1,n 2 ?1

La misma estadística de prueba puede utilizarse para probar hipótesis

alternativas de un lado. La hipótesis alternativa de un lado es:

H 0 : ? 12 ? ? 2
2

H 1 : ? 12 ? ? 2
2

Si F0 ? F? ,n1 ?1,n2 ? 1 , rechazaríamos H 0 : ? 12 ? ? 22 .

Página 152
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Ejemplo:

Los siguientes son tiempos de quemado (en minutos) de señales luminosas de

dos tipos diferentes; Y pruebe la hipótesis de que las dos varianzas sean
iguales. Use ? ? .05

Tipo 1 Tipo 2
H 0 : ? 12 ? ? 2
2 H1 : ? 12 ? ? 2
2 63 64
81 72
57 83
66 59
X 1 ? 70.6 82 65
X 2 ? 70 82 56
68 63
S12 ? 88.71 59 74
75 82
S 22 ? 100.44 73 82

S12 88 .71
F0 ? 2 = ? 0.877
S2 100 .44

F? 2 ,n1 ?1, n 2 ?1 = F.025,9,9 = 4.03 F1?? 2 ,n1 ? 1,n 2 ? 1 = 0.248

Como 0.877 no es mayor que 4.03, por lo cual No se Rechaza la hipótesis

nula y tenemos que :
H 0 : ? 12 ? ? 22 .

Prueba de dos poblaciones cuando las varianzas son iguales

Sean X1 y X2 dos poblaciones normales independientes con medias

desconocidas ? 1 y ? 2 , y varianzas conocidas pero iguales ? 12 ? ? 2
2 ?? 2.

Deseamos probar:

H0 : ?1 ? ? 2

H1 : ? 1 ? ? 2

Página 153
CURSO DE SEIS SIGMA P. REYES / FEB. 2006

Sean X1, X2, S12 , S 22 , las medias y las varianzas de las muestras,

respectivamente. Puesto que tanto S12 como S 22 estiman la varianza común ? 2 ,

podemos combinarlas para producir una sola estimación, mediante la

siguiente fórmula:

?n1 ? 1?S12 ? ?n2 ? 1?S22

Sp ?
n1 ? n2 ? 2

Para probar H 0 : ? 1 ? ? 2 calcúlese la estadística de prueba

X1 ? X 2
t0 ?
1 1
Sp ?
n1 n2

Si t 0 ? t? 2, n1 ? n2 ? 2 o si t 0 ? ? t? 2 ,n1 ? n 2 ? 2 , rechazamos H 0 : ? 1 ? ? 2

Las alternativas de un lado se tratan de modo similar. Para probar:

H0 : ?1 ? ? 2
H1 : ? 1 ? ? 2

Calcúlese la estadística de prueba t0 y rechácese H 0 : ? 1 ? ? 2 si:

t 0 ? t ? ,n1 ? n 2 ? 2

Para la otra alternativa de un lado,

H0 : ?1 ? ? 2
H1 : ? 1 ? ? 2

Calcúlese la estadística de prueba y rechácese H 0 : ? 1 ? ? 2 si:

t 0 ? ? t a , n1 ? n2 ? 2

Página 154
CURSO DE SEIS SIGMA P. REYES / FEB. 2006
Ejemplo:

Se está investigando la resistencia de dos alambres, con la siguiente

información de muestra.

Alambre Resistencia (ohms)

1 0.140 0.141 0.139 0.140 0.138 0.144
2 0.135 0.138 0.140 0.139 - -

Suponiendo que las dos varianzas son iguales, ¿qué conclusiones puede
extraerse respecto a la resistencia media de los alambres?

H0 : ?1 ? ? 2

H1 : ? 1 ? ? 2

Calculando la media y la desviación estándar de la muestra:

x1 ? 0.140
x 2 ? 0.138
S1 ? 0.0021
S 2 ? 0.0022

?n1 ? 1?S12 ? ?n2 ? 1?S22

Sp ? = .0021
n1 ? n2 ? 2

X1 ? X2
t0 ? = 1.72
1 1
Sp ?
n1 n2

Se busca en la tabla de distribución t el valor t? 2 ,n1 ? n 2 , ? 2

= t.025,8 =2.306 o se

determina con Excel.

Página 155