Estadística Aplicada: Inferencia, Muestreo y Normalidad

Objetivos Estratégicos de la Sesión

Hoja de Ruta

1

Teorema Central del Límite Real

Comprender la convergencia asintótica de las medias muestrales hacia la campana gaussiana y por qué la velocidad de convergencia depende de la simetría de la población.

2

Estimación e Incertidumbre

Diferenciar el estimador puntual del intervalo de confianza y su rol en la cuantificación del riesgo operativo en la toma de decisiones.

3

Desmitificando el "n = 30"

Reemplazar la regla didáctica por criterios normativos reales: AIAG SPC (subgrupos racionales), normas de muestreo de aceptación (ISO 2859) y cálculo formal por potencia ( $1 - β$ ).

4

Batería de Normalidad

Dominar el diagnóstico bimodal: evaluación gráfica (Q-Q Plot) y contrastes formales de hipótesis (Shapiro-Wilk, Anderson-Darling) previos a la regresión.

Todos los conceptos serán validados empíricamente en el simulador integrado y en Jupyter Notebooks.

1. Teorema Central del Límite (TCL)

La distribución de las medias muestrales converge a la normalidad al aumentar el tamaño muestral.

Simulador en Vivo

Principio Fundamental:

Dadas variables independientes con media $μ$ y varianza finita $σ^{2}$ , la media muestral converge a:

\bar{X} \sim N (μ, \frac{σ^{2}}{n})

¡Alerta Didáctica! Si la población original es marcadamente asimétrica (p. ej. tiempos de falla, costos), n = 30 NO es suficiente para asegurar normalidad en las medias.

Población Base:

Tamaño Muestra (n): 5 2,000 subgrupos

Distribución de 2,000 Medias Muestrales (

\bar{X}

) Observa la forma de la campana

Línea continua cyan = Ajuste Gaussiano teórico | Barras azules = Histograma empírico simulado

2. Estimación Paramétrica e Incertidumbre

¿Cómo inferir los verdaderos parámetros del proceso a partir de datos finitos?

Estimación Puntual

Un único número muestral

Asigna un valor escalar único como mejor aproximación al parámetro poblacional desconocido.

■ Media muestral ( $\bar{x}$ ) para estimar $μ$
■ Desviación muestral ( $s$ ) para estimar $σ$

Peligro Operativo:

Tiene probabilidad prácticamente nula de coincidir exactamente con el parámetro real. Oculta la variabilidad e induce a falsa sensación de certeza.

Intervalos de Confianza (IC)

Un rango con nivel de certeza

Establece un recorrido de valores verosímiles asociado a una probabilidad formal de cobertura:

1 - α

= Nivel de Confianza (ej. 95% o 99%)

✓ Cuantifica formalmente el error muestral.
✓ A mayor tamaño muestral ( $n$ ), menor ancho del intervalo.

Estándar de Gestión:

Base ineludible para auditorías de capacidad, liberaciones de lote y cumplimiento de tolerancias de diseño.

"En ingeniería de procesos no gestionamos certezas puntuales; gestionamos intervalos y riesgos de desvío."

3. Fórmulas de Intervalos de Confianza para la Media

El dilema industrial: ¿Conocemos la verdadera variabilidad del proceso?

Escenario Teórico Normal Estándar (Z)

Varianza Poblacional ( $σ$ ) Conocida

Solo aplicable cuando el proceso tiene un historial masivo y estable con dispersión calibrada.

I C = \bar{x} \pm Z_{α / 2} (\frac{σ}{\sqrt{n}})

Para confianza 95% (

α = 0.05

): Z = 1.960

Práctica Industrial Real t de Student

Varianza ( $σ$ ) Desconocida (se usa $s$ )

Obligatoria en el 99% de los casos: estimamos la desviación poblacional con la muestra.

I C = \bar{x} \pm t_{α / 2, n - 1} (\frac{s}{\sqrt{n}})

La curva

t

tiene colas más pesadas con

n - 1

grados de libertad, ensanchando el margen para compensar la variabilidad adicional.

Ley de oro del tamaño muestral: Al cuadruplicar el tamaño de la muestra (

4 \times n

), el margen de error se reduce exactamente a la mitad (

1 / 2

).

4. Matriz de Decisión: Costos y Riesgos de Calidad

Traducción directa de los errores estadísticos a consecuencias de planta.

Decisión sobre el Proceso	H₀ Verdadera (Proceso en Control)	H₀ Falsa (Proceso Descalibrado)
Rechazar H₀ (Frenar línea / Descartar lote)	ERROR TIPO I (α) Riesgo del Productor: Falsa alarma. Detener maquinaria conforme o rechazar lotes óptimos. Pérdida de productividad.	DECISIÓN CORRECTA (1 − β) Potencia Estadística: Capacidad real del sistema de control para capturar anomalías y desvíos críticos a tiempo.
No Rechazar H₀ (Liberar lote a distribución)	DECISIÓN CORRECTA (1 − α) Nivel de Confianza: El proceso está centrado y se autoriza la producción regular sin sobresaltos.	ERROR TIPO II (β) Riesgo del Cliente: Falso negativo. Despachar piezas fuera de tolerancia a ensambladoras o clientes finales. Retiros de mercado (Recalls).

Conclusión ejecutiva: Reducir simultáneamente

α

y

β

solo es posible aumentando el tamaño muestral efectivo (

n

) o mejorando la resolución del sistema de medición (MSA).

5. Criterios de Muestreo: Superando el Mito "n = 30"

Manuales de Calidad

Por qué las normas de ingeniería automotriz y manufactura rechazan reglas empíricas de libro.

AIAG SPC Manual (Automotive Industry Action Group)

Para validar estabilidad de proceso e índices de capacidad preliminares ( $C_{p}, C_{p k}$ ), la norma no acepta $n = 30$ :

Exige un mínimo de 25 subgrupos racionales de 4 o 5 piezas (

N \geq 100 a 125

partes medidas) distribuidas en el tiempo.

ISO 2859-1 / ANSI-ASQ Z1.4 (Aceptación de Lotes)

El muestreo por atributos se indexa según el tamaño del lote ( $N$ ) y el Nivel de Calidad Aceptable (AQL):

Para un lote de 5,000 unidades (Nivel General II, AQL 1.0%), la muestra obligatoria es de n = 200 a 315 piezas. Decidir con

n = 30

destruye la potencia.

Calculadora Dinámica

Dimensión de Muestra para la Media

Nivel de Confianza: 95% (Z = 1.96)

Margen de Error Máximo Tolerado (E): ± 1.5

Desviación Estándar estimada (σ): 6.0

Tamaño Muestral Teórico Requerido:

62 piezas

Supera ampliamente el mito de n=30.

6. Pruebas de Normalidad: ¿Por qué son Críticas?

El supuesto de normalidad en residuos para MCO, ANOVA e Índices de Capacidad.

Supuesto Fundamental

En modelos de Regresión Lineal Clásica (MCO), los errores o residuos poblacionales deben distribuirse:

ε_{i} \sim N (0, σ^{2})

Garantiza que los estimadores sean eficientes y de mínima varianza (Teorema de Gauss-Markov).

Riesgo si se Viola

Si los datos o residuos violan severamente la normalidad y aplicamos tests paramétricos clásicos:

• Valores $p$ distorsionados y falsos.
• Intervalos de predicción demasiado estrechos o sesgados.
• Cálculo erróneo de PPM en estudios Six Sigma.

Las inferencias ejecutivas quedan invalidadas.

Protocolo Recomendado

Ninguna prueba aislada es suficiente. Las buenas prácticas exigen triangulación metodológica:

1. Inspección Visual: Q-Q Plot y Análisis de Colas.

2. Contraste Formal: Shapiro-Wilk o Anderson-Darling.

Decisión basada en evidencia convergente.

"Nunca confíes únicamente en un histograma: el número de bins oculta asimetrías y colas pesadas."

7. Diagnóstico Gráfico: Q-Q Plot (Cuantil-Cuantil)

Contrasta los cuantiles observados de la muestra frente a los cuantiles teóricos gaussianos.

Interactivo

Selecciona Escenario de Datos:

Alineación Normal

Los puntos muestrales se alinean con fidelidad sobre la diagonal a 45 grados. No hay evidencia gráfica de violación de normalidad.

scipy.stats.probplot(datos, dist="norm", plot=plt)

Regla visual: Prestar máxima atención a los extremos (colas). Los desvíos en el centro suelen ser ruido muestral inocuo.

Gráfico Cuantil-Cuantil Teórico vs Muestral Ajuste Lineal Verificado

Línea roja discontinua = Referencia normal teórica | Puntos cian = Cuantiles estandarizados observados

8. Contraste Formal: Test de Shapiro-Wilk

Máxima Potencia

El estándar más riguroso para muestras continuas de ingeniería ( $n < 5, 000$ ).

Planteamiento de Hipótesis

H₀ (Hipótesis Nula):

Los datos provienen de una población con distribución Normal.

H₁ (Hipótesis Alternativa):

Los datos NO provienen de una distribución Normal.

Evalúa el estadístico $W$ comparando la correlación de los datos ordenados con ponderadores gaussianos teóricos:

0 < W ≤ 1 (Valores cercanos a 1 confirman normalidad)

scipy.stats.shapiro(datos)

Regla Universal de Decisión ( $α = 0.05$ )

p-valor < 0.05 RECHAZAR H₀

Existe evidencia estadística suficiente para afirmar que los datos NO son normales.

p-valor ≥ 0.05 NO RECHAZAR H₀

No hay evidencia para descartar la normalidad. Se asume el supuesto como válido para el modelo.

Nota crítica para Big Data: En muestras gigantescas (

n > 5000

), Shapiro-Wilk se vuelve hipersensible y rechaza

H_{0}

incluso ante micro-desvíos irrelevantes.

9. Pruebas de Bondad de Ajuste Alternativas

Cuándo utilizar Kolmogorov-Smirnov y por qué Anderson-Darling domina en Six Sigma.

Test Empírico Estadístico D

Kolmogorov-Smirnov (K-S)

Calcula la distancia vertical máxima ( $D$ ) entre la función de distribución acumulada empírica ( $F_{n} (x)$ ) y la teórica ( $F_{0} (x)$ ).

Corrección de Lilliefors:

Si $μ$ y $σ$ no se conocen a priori y son estimadas de la misma muestra, el test K-S estándar es demasiado conservador; se debe emplear Lilliefors obligatoriamente.

Desventaja: Baja potencia en los extremos y colas de la distribución.

Favorito Industrial Estadístico A²

Anderson-Darling (A-D)

Modificación sofisticada de K-S que aplica una función de ponderación cuadrática en las colas de la distribución.

¿Por qué lo exige Six Sigma?

En calidad automotriz o aeroespacial, las piezas defectuosas ocurren en las colas (> 3σ o 4σ). Anderson-Darling es el test más implacable para detectar outliers y colas pesadas.

En Python: scipy.stats.anderson(datos, dist='norm')

Resumen práctico: Shapiro-Wilk para potencia general; Anderson-Darling para control estricto de tolerancias de colas.

Entorno Práctico

¡A Programar en Jupyter Notebooks!

Implementación real de pipelines de inferencia estadística y control de normalidad.

1. Simulación TCL

Generación Monte Carlo con distintas poblaciones y convergencia de medias.

teorema_limite.ipynb

2. Diagnóstico Q-Q

Visualización cuantil-cuantil e identificación visual de patologías en residuos.

probplot() & qqplot()

3. Tests Numéricos

Ejecución combinada de Shapiro-Wilk, Anderson-Darling y test de Lilliefors.

scipy.stats.shapiro()

4. Capacidad (Cpk)

Cálculo de subgrupos racionales AIAG y validación de supuestos previos a índices.

spc_capability.ipynb

¿Dudas sobre los criterios de decisión antes de iniciar la codificación? Presiona 'O' para el menú de diapositivas

Estadística Aplicada & Control de Calidad

Inferencia, Estimación Rigurosa y Pruebas de Normalidad

Objetivos Estratégicos de la Sesión

Teorema Central del Límite Real

Estimación e Incertidumbre

Desmitificando el "n = 30"

Batería de Normalidad

1. Teorema Central del Límite (TCL)

2. Estimación Paramétrica e Incertidumbre

Un único número muestral

Un rango con nivel de certeza

3. Fórmulas de Intervalos de Confianza para la Media

Varianza Poblacional ( $σ$ ) Conocida

Varianza ( $σ$ ) Desconocida (se usa $s$ )

4. Matriz de Decisión: Costos y Riesgos de Calidad

5. Criterios de Muestreo: Superando el Mito "n = 30"

AIAG SPC Manual (Automotive Industry Action Group)

ISO 2859-1 / ANSI-ASQ Z1.4 (Aceptación de Lotes)

Dimensión de Muestra para la Media

6. Pruebas de Normalidad: ¿Por qué son Críticas?

Supuesto Fundamental

Riesgo si se Viola

Protocolo Recomendado

7. Diagnóstico Gráfico: Q-Q Plot (Cuantil-Cuantil)

Alineación Normal

8. Contraste Formal: Test de Shapiro-Wilk

Planteamiento de Hipótesis

Regla Universal de Decisión ( $α = 0.05$ )

9. Pruebas de Bondad de Ajuste Alternativas

Kolmogorov-Smirnov (K-S)

Anderson-Darling (A-D)

¡A Programar en Jupyter Notebooks!

1. Simulación TCL

2. Diagnóstico Q-Q

3. Tests Numéricos

4. Capacidad (Cpk)

Inferencia, Estimación Rigurosa y Pruebas de Normalidad

Objetivos Estratégicos de la Sesión

Teorema Central del Límite Real

Estimación e Incertidumbre

Desmitificando el "n = 30"

Batería de Normalidad

1. Teorema Central del Límite (TCL)

2. Estimación Paramétrica e Incertidumbre

Un único número muestral

Un rango con nivel de certeza

3. Fórmulas de Intervalos de Confianza para la Media

Varianza Poblacional (σ) Conocida

Varianza (σ) Desconocida (se usa s)

4. Matriz de Decisión: Costos y Riesgos de Calidad

5. Criterios de Muestreo: Superando el Mito "n = 30"

AIAG SPC Manual (Automotive Industry Action Group)

ISO 2859-1 / ANSI-ASQ Z1.4 (Aceptación de Lotes)

Dimensión de Muestra para la Media

6. Pruebas de Normalidad: ¿Por qué son Críticas?

Supuesto Fundamental

Riesgo si se Viola

Protocolo Recomendado

7. Diagnóstico Gráfico: Q-Q Plot (Cuantil-Cuantil)

Alineación Normal

8. Contraste Formal: Test de Shapiro-Wilk

Planteamiento de Hipótesis

Regla Universal de Decisión (α=0.05)

9. Pruebas de Bondad de Ajuste Alternativas

Kolmogorov-Smirnov (K-S)

Anderson-Darling (A-D)

¡A Programar en Jupyter Notebooks!

1. Simulación TCL

2. Diagnóstico Q-Q

3. Tests Numéricos

4. Capacidad (Cpk)

Índice de Diapositivas

Varianza Poblacional ( $σ$ ) Conocida

Varianza ( $σ$ ) Desconocida (se usa $s$ )

Regla Universal de Decisión ( $α = 0.05$ )