2013 Unidad 1 Ingenieria-1

UNIVERSIDAD NACIONAL DE LA
RIOJA
DEPARTAMENTO DE CIENCIAS
APLICADAS
APUNTES DE CLASE DE
ESTADISTICA
PARA
INGENIERIAS
PROFESOR
TITULAR :
EST. PIERFEDERICI,
Mauricio
JTP: ING, DE PRIEGO,
Ramiro
AO 2013
PARA
INGENIERIA INDUSTRIAL
INGENIERIA
AGROINDUSTRIAL
INGENIERIA CIVIL
INGENIERIA EN ALIMENTOS
INGENIERIA DE MINAS
LA CATEDRA CUENTA CON

UNA PAGINA WEB:
WWW. mauriciopier.com.ar
CLAVE:
HORARIOS DE CLASE
TEORIA
MARTES
DE
15 A 18 HS
ANFITEATRO
PRACTICA
VIENES
18,30
21,30
ANF
UNIDAD 1
LA
ESTADISTICA
DESCRIPTIVA
MAPA CONCEPTUAL DE
LA UNIDAD
POBLACION
MUESTRA
DATOS
MEDIDA
TABLAS
GRAFICOS
DESCRIPTIVA
S
INFORMACION PARA TOMAR

DECISIONES
EL PAPEL DE LA
ESTADISTICA EN LA
INGENIERIA Y EN LA
CIENCIA
El campo de la estadstica tiene que ver con la

recopilacin, presentacin, anlisis y uso de los datos
para tomar decisiones y resolver problemas.Cualquier persona tanto en su carrera profesional como
en la vida cotidiana recibe informacin en forma de datos
a travs de peridicos, de la televisin y de otros medios.A menudo es necesario obtener alguna conclusin a partir
de la informacin contenida en los datos, por eso ser til
para cualquier persona tener cierta comprensin de la
estadstica.- Puesto que los ingenieros y los cientficos
obtienen y analizan datos de manera rutinaria, el
conocimiento de la estadstica y las probabilidades puede
constituirse en una herramienta poderosa para ayudar a
ellos a disear nuevos productos y sistemas, a
perfeccionar los existentes y a disear, desarrollar y
mejorar los procesos de produccin.-
Esta materia busca dotar al ingeniero y cientfico con las

herramientas estadsticas bsicas que les permita
practicar con xito estos aspectos de sus profesiones.La importancia de la estadstica en la ingeniera, la ciencia
y la administracin ha sido subrayada por la participacin
de la industria en el aumento de la calidad.- Muchas
compaas se han dado cuenta de que la baja calidad de
un producto (ya sea en forma de defecto de fabricacin,
en una baja confiabilidad en sus rendimientos o en
ambos), tiene un efecto muy pronunciado en la
productividad global de la compaa, en el mercado y la
posicin competitiva y finalmente, en la rentabilidad de la
empresa.- Mejorar estos aspectos de la calidad, pueden
eliminar el desperdicio; disminuir la cantidad de material
de desecho, la necesidad de volver a maquilar piezas, los
requerimientos para inspeccin y prueba, y las perdidas

por garanta, adems de mejorar la satisfaccin del
consumidor y permitir que la empresa se convierta en un
productor de alta calidad y bajo costo en el mercado.La estadstica es un elemento decisivo en el incremento
de la calidad ya que las tcnicas estadsticas pueden
emplearse para describir y comprender la variabilidad .Virtualmente todos los procesos y sistemas de la vida real
exhiben variabilidad.-Por ejemplo, considere la situacin
donde, de un proceso de maquinado, se seleccionan
varios componentes del motor de una aeronave y se mide
la altura de la turbina del propulsor (una dimensin
crtica) de cada parte.- Si el instrumento de medicin tiene
una resolucin suficiente, la altura de cada turbina ser
diferente, esto es, habr variabilidad en la dimensin.-
Otro ejemplo; si se cuenta el nmero de defectos en los

gabinetes para computadoras personales, se encontrar
cierta variabilidad en los conteos, ya que algunos
gabinetes tendrn pocos defectos, mientras que otros
tendrn muchos.- Esta nocin de variabilidad se extiende
a todos los ambientes.- Existe variabilidad en el espesor
del recubrimiento de xido en las pastillas de silicio, en el
rendimiento por hora de un proceso qumico, en el
nmero de errores en los dibujos de ingeniera y en el
tiempo necesario para ensamblar el motor
de un
automvil, etc.-
Podemos preguntarnos:
Por que se presenta la
variabilidad?
En general, la variabilidad es el resultado

de cambios en las condiciones bajo las que
se hacen las observaciones.En el contexto de las manufactura, estos cambios pueden
ser diferentes en las propiedades de los materiales
utilizados, en la forma que trabajan los obreros, en las
variables del proceso (tales como, la temperatura, la
presin o el tiempo de ocupacin) y en factores
ambientales (como la humedad ambiental).La variabilidad tambin se presenta debido al sistema de
medicin utilizado.- Por ejemplo, la medicin obtenida a
partir de una escala puede depender del lugar del panel en
que se coloque el objeto que se ha de medir.-
El muestreo tambin puede ser causa de variabilidad.- Por

ejemplo, supngase
que un lote de 5000 circuitos
integrados
contiene
exactamente
50
circuitos
defectuosos.- Si se inspeccionan los 5000 dispositivo y el
proceso de inspeccin es perfecto (sin error en la
medicin o en la inspeccin), entonces se encontrar 50
circuitos defectuosos.- Ahora bien, supngase que se
selecciona una muestra de 100 dispositivos, es probable
que algunos de los dispositivo en la muestra estn
defectuosos.- De hecho, lo que se espera es que la
muestra contenga alrededor de uno por ciento de los
circuitos defectuosos.- (50 /5000 * 100) = 1 %, pero esta
cantidad tambin puede ser cero, dos o cinco por ciento
de circuitos defectuosos, dependiendo de los dispositivos
especficos contenidos en la muestra.-
Es as como el proceso de muestreo introduce cierta

variabilidad en los resultados observados en el sentido en
que la proporcin de unidades defectuosas puede
cambiar de la proporcin real de estas.El campo de la estadstica y la probabilidad
consta de mtodos tanto para describir y
modelar la variabilidad, como para tomar
decisiones en presencia de sta.-
EL ROL DEL CIENTIFICO Y DEL

INGENIERO EN EL MEJORAMIENTO DE
LA CALIDAD.
En la ltima mitad del siglo pasado e inicio del presente,
EEUU se encontr a si mismo en un mercado mundial
cada vez ms competitivo.- La competencia alent una
revolucin internacional en el mejoramiento de la
calidad.- Las enseanzas e ideas de W. Edwards
Deming (1900-1993) fueron tiles en el rejuvenecimiento
de la industria japonesa.- l destac que la industria
estadounidense, con la finalidad de sobrevivir, debera
movilizarse con un compromiso continuo por el
mejoramiento de la calidad.- Desde el diseo hasta la
produccin, los procesos necesitan mejorarse en forma
continua.-
El ingeniero y el cientfico, con sus conocimientos

tcnicos y armado de habilidades estadsticas bsicas
en recoleccin de datos y presentaciones grficas
podran ser los principales actores en el logro de dicha
metas.El mejoramiento de la calidad se basa en la filosofa de
hacerlo bien la primera vez.- Ms an no debera estar
contento con cualquier proceso o producto, ms bien
tiene que seguir buscando forma de mejorarlo.- En la
ltima Unidad se tratar de enfatizar los componentes
estadsticos clave de todo programa de mejoramiento
de la calidad y trataremos de desarrollar los grficos de
control del proceso de produccin, como as tambin
las tcnicas estadsticas desarrolladas para satisfacer
las necesidades de confiabilidad de los productos.-
DEFINICION
DEFINICION
DE
DE
ESTADISTICA
ESTADISTICA
Es una palabra que encontramos frecuentemente en

nuestro lenguaje diario.Segn el libro que
tomemos,
podemos
encontraros
con
muchas
definiciones de Estadstica.- Algunos autores la
definen como una ciencias, otros como un mtodo y
algunos como ambas.Nosotros vamos a definirla como:
Es la ciencia que aporta las

tcnicas o mtodos que se
sigue
para
recoger,
organizar,
resumir,
presentar,
analizar,
interpretar, generalizar
y
contrastar resultados de las
observaciones
de
los
fenmenos
reales
para
ayudar a tomar decisiones
ms efectivas.-
TIPOS
DE
ESTADISTICAS.-
Dependiente del propsito del

estudio, la estadstica puede ser
Descriptiva o deductiva o
Inferencial o inductiva.-
La Estadstica Descriptiva comprende

aquellos
mtodos
usados
para
recopilar, organizar y describir la
informacin que se ha recogido con el
fin de describir sus caractersticas.La Estadstica Inferencial comprende
aquellos mtodos y tcnicas usadas
para
hacer
generalizaciones,
predicciones o estimaciones sobre una
caracterstica de la poblacin o la toma
de una decisin con respecto a una
poblacin, a partir de una muestra de
esa poblacin.YA VEREMOS COMO ACTUA CADA UNA
La mayora de los experimentos y las investigaciones

realizadas por los ingenieros en el curso de la
investigacin, ya sea un fenmeno fsico, un proceso
de produccin o una unidad manufacturada, comparten
alguna caractersticas comunes.Un primer paso en cualquier estudio consiste en
desarrollar una propuesta clara y bien definida.- Por
ejemplo, un ingeniero mecnico quiere determinar si un
nuevo aditivo aumentar la resistencia a la tensin de
piezas plsticas, elaboradas en una mquina de
moldeo de inyeccin.- El aditivo no solo debera
aumentar la resistencia a la tensin, sino que tambin
necesita aumentarla lo suficiente como para tener
importancia en ingeniera.Por lo tanto hace la siguiente propuesta:
Propuesta : determinar si es posible encontrar una

cantidad especfica de un aditivo que aumente la
resistencia a la tensin de las piezas plsticas en al
menos 10 libras por pulgadas cuadradas.En cualquier propuesta que haga trate de evitar
palabras como duro, blando, suficientemente grande,
etc, que son muy difcil de cuantificar.- La propuesta
puede ayudar a decidir que datos recopilar.- El
ingeniero mecnico, por ejemplo, probo dos cantidades
diferentes de aditivo y produjo 25 especimenes de la
pieza plstica con cada mezcla,. Para cada uno de los
50 especimenes se obtuvo la resistencia a la tensin.Tienen que recopilarse datos pertinentes.-
Sin embargo, desde un punto de vista prctico, a

menudo es fsicamente imposible o poco factible
obtener un conjunto de datos completo.- Cuando se
obtienen datos de experimentacin de laboratorio, sin
importar cuanta experimentacin se haya realizado,
siempre podran tenerse ms.- Para recolectar un
conjunto exhaustivo de datos, relacionados con el
dao que soportan todos los automviles de cierto
modelo en colisin a una rapidez especfica, (tendra
que someter a colisiones a cada auto de dicho modelo
que salga de la lnea de produccin).- En la mayora de
las situaciones, debe trabajar solo con informacin
parcial.La distincin entre los datos realmente adquiridos y la
gran coleccin de todas las observaciones potenciales
es clave para entender la Estadstica.-
POBLACION
SE
SIMBOLIZA
CON N
Es el conjunto de todas las

mediciones (o registros de
algn
rasgo
de
calidad)
correspondientes
a
cada
unidad, acerca de la cual se
busca informacin.- Tambin
podemos definir poblacin,
al conjunto de animales,
personas o cosas que son
objeto de nuestro estudio.Llamamos:
Elementos
o
Unidades
estadsticas :
A
las
personas,
animales, cosas u observaciones
o
mediciones que forman la poblacin en
estudio
TAMAO DE LA POBLACION
Poblacin finita : cuando el nmero
elementos que la forman es numerable,
puede contar, por ejemplo el nmero
alumnos de la universidad, cantidad
empleados de una fbrica, etc.-
de
se
de
de
Poblacin infinita : cuando el nmero de

elementos que la forman es incontable o tan
grande que puede considerarse infinito. Como
por ejemplo, si se realizara un estudio
estadstico sobre los productos que hay en el
mercado, produccin de un torno, etc.-
ELEMENTO
S
Los elementos de una poblacin poseen

una serie de cualidades, propiedades o
rasgos comunes que se denominan en
estadstica CARACTERES.
Por ejemplo: si tenemos un estudio sobre personal

de una fbrica del parque industrial, todos los
empleados poseen una serie de caractersticas:
Edad.
Estado civil.
Nmero de hijos.
Nivel de instruccin alcanzado.Antigedad en el trabajo.
Tarea que realiza.Remuneracin que recibe.Etc..............................
Los caracteres de un elemento de la poblacin pueden

ser:
CARACTERES CUALITATIVOS, ATRIBUTOS O

VARIABLES CATEGRICAS :
Son aquellas que por su propia naturaleza no se pueden
medir y se describen mediante palabras. Son producto de
conteo.Por ejemplo: el sexo,
nacionalidad, raza, color
de pelo, estado de nimo,
tipo de trabajo, modelo
de auto,
cantidad de
tornillos producidos,
cantidad de televisores
producidos, etc.-........
Estas tienen
modalidades
CARACTERES CUANTITATIVOS O VARIABLES

NUMRICAS:
Son aquellos que se pueden describir mediante nmero,
es decir, que son susceptibles de cuantificacin o de
medicin.
Por ejemplo: puntajes de un

examen, edad, el peso, la altura,
ingreso de una empresa, salario de
una persona, minutos de demora
en recorrer una distancia, tiempo
en elaborar una determinada pieza
de produccin, etc.-
Dentro de los caracteres cuantitativos o variables

numricas pueden encontrarse dos clases de variables;
variables discretas y variables continuas.
Una variable estadstica es DISCRETA si toma

un nmero finito o infinito numerable de
valores, o dicho de otra forma, si entre dos
valores consecutivos puede tomar a lo sumo un
nmero finito de valores.
Por ejemplo: cantidad de hijos de los empleados de una
empresa, cantidad de obreros, cantidad de molculas
raras en una muestra de agua, cantidad de anillos para
pistn, cantidad de plantas de olivos, etc.-
Una variable estadstica es CONTINUA si

toma un nmero infinito de valores en un
intervalo, o dicho de otra manera si entre dos
valores consecutivos puede tomar cualquier
otro.
Por ejemplo : peso de una persona, altura, produccin

de fbrica, salarios de obreros de una empresa, montos
de ventas de un comercio,
tiempo de armado de
autoparte para autos, metros de tela producidos por un
telar, tiempo de ensambles de piezas, longitud de barras
de acero producidas, etc.-
Veamos un ejemplo de como acta en parte la

estadstica descriptiva:
Produccin diaria de una fabrica de cereales.Un jefe de produccin de cereales de Trigo formo un
equipo de empleados para estudiar el proceso de
produccin de cereales.- Durante la primera fase del
estudio se peso una seleccin aleatoria de cajas y se
midi la densidad del producto.- A continuacin, el jefe
quera estudiar datos relacionados con las pautas de
produccin diaria.- Se hallaron los niveles de produccin
(en miles) de un periodo de 10 das.- Represente estos
resultados grficamente y comente sus observaciones:
Da
Cajas
84
81
85
82
85
84
(miles)
109 110
10
60
63
Scatterplot of CAJ AS (MI LES) vs DI A

110
CAJAS (MILES)
100
90
80
70
60
0
10
DIA
Solucin
En la figura, el jefe de produccin puede identificar los
das de baja produccin, as como los das de mayor
produccin.No parecera que hubiera mucha diferencia en el numero
de cajas producidas en los seis primeros das.-
Sin embargo, en los das 7 y 8 el nivel de

produccin parecera que era mas alto.- En
cambio, en los das 9 y 10 parecera que era mas
bajo.Basndose en estas observaciones, el equipo
intento identificar las causas por las que la
productividad era mas alta y mas baja.Por ejemplo, tal vez en los das 9 y 10 estuvieron
ausentes trabajadores clave o hubieran cambiado
las materias primas.- Tambin se podran
identificar las causas por las que aumento la
productividad en los das 7 y 8.-
Respecto a la Estadstica Inferencial, diremos:

La estadstica inferencial es un proceso, no un
mero resultado numrico .- Este proceso puede
consistir en una estimacin, una prueba de hiptesis, un
anlisis de relaciones o una prediccin.En primer lugar , podemos querer estimar un
parmetro.- Supongamos que Florera Sicar SRL, quiere
desarrollar una nueva estrategia de comercializacin.Podra ser til la informacin sobre los hbitos de gasto
de los clientes de la florera.- Puede querer:
Estimar la edad media de los clientes de la florera. Estimar la diferencia entre la cantidad media que los
clientes
pagan con Tarjeta American Express y la
cantidad media que pagan con Visa.-
Estimar la proporcin de clientes que estn insatisfecho

con el sistema de reparto de la florera.- Etc.
En segundo lugar , podemos querer probar una
hiptesis sobre un parmetro.- Por ejemplo, la Florera
Sicar puede querer:
Probar la hiptesis si los clientes tienen este ao una
preferencia por el color de las rosas distintas a la del ao
pasado. Probar la hiptesis si menos del 25 por ciento de los
clientes de la florera son turistas. Probar la hiptesis si las ventas son mayores los fines
de semana que el resto de los das de la semana. Probar la hiptesis si la cantidad media que gastaron los
clientes es su ultima compra supero los 50$.-
Las respuestas a estas preguntas pueden ayudar a la

Florera Sicar SRL a lanzar una campaa publicitaria que
le permita reducir costos, incrementar beneficios y
aumentar la satisfaccin de los clientes.En tercer lugar , podemos querer analizar las
relaciones entre dos o mas variables.- El director
financiero de la General Motors, quiere tomar decisiones
estratgicas que afectan a toda la compaa.- En esos
casos, puede utilizar series de datos macroeconmicos
de los que puede disponerse en diversas publicaciones,
para analizar las relaciones entre variables como el
producto bruto interno, tipo de inters, la renta per capita,
la inversin total y oferta monetaria, etc., que indican la
situacin general de la economa nacional.- El director
financiero puede hacerse las siguientes preguntas:
Influye la tasa de crecimiento de la oferta monetaria en

la tasa de inflacin?. Si General Motors sube un 5 por ciento el precio de los
automviles de tamao intermedio, Cmo afectara la
subida a las ventas de estos automviles?. Afecta la legislacin sobre
desempleo?.-
el salario mnimo de
Etc..
Cmo se comienza a responder a la pregunta sobre el
efecto que puede producir una subida de los precios en la
demanda de automviles?.- La teora econmica bsica
nos dice que mantenindose todo lo dems constante,
una subida del precio va acompaada de una reduccin
de la cantidad demandada.- Sin embargo, esta teora es
puramente cualitativa.-
No nos dice cuanto disminuye la cantidad demandada.Para avanzar mas, hay que recoger informacin sobre
como ha respondido la demanda a las variaciones del
precio en el pasado y evaluarla.- Estudiando estadstica
inferencial aprenderemos a recoger informacin y a
analizar relaciones.En cuarto lugar , podemos necesitar predecir, es
decir, hacer predicciones confiables.- Las decisiones de
inversin deben hacerse mucho antes de que pueda
llevarse un nuevo producto al mercado y evidentemente,
es deseable tener predicciones de la situacin en la que
se encontrara probablemente el mercado dentro de unos
aos.- Cuando los productos estn consolidados, las
predicciones sobre las ventas a corto plazo son
importantes para decidir los niveles de existencias y los
programas de produccin.-
Las predicciones de los futuros tipos de inters son

importantes para una empresa que tiene que decidir si
emite o no nueva deuda.- Para formular una poltica
econmica coherente, el gobierno necesita predicciones
de los resultados probables de variables como el
producto bruto interno.Las predicciones de los futuros valores dependen de las
regularidades descubiertas en la conducta anterior de
estas variables.- por lo tanto, se recogen datos sobre la
conducta anterior de la variable que va a predecir y sobre
la conducta de otra variable relacionadas con ella.Utilizaremos la estadstica inferencial para analizar esta
informacin y sugerir entonces las tendencias futuras
probables.-
Todas las variables deben tener una

DEFINICION OPERACIONAL , es decir
un significado universalmente aceptado
que sea claro para todos aquellos que
estn relacionados con el anlisis.La falta de definiciones operacionales
generan confusin.-
ESCALAS DE MEDICION .-
Para el anlisis de datos se debe estar familiarizado con

que existen cuatro escalas numricas de medida de las
variables que estamos estudiando.- Cuanto ms alta sea
la jerarqua o posicin que ocupe el tipo de datos en estas
medidas ms informacin contendrn.-
ORDINAL
DE INTERVALOS
NOMINAL
DE RAZON, COCIENTE O
PROPORCION
PARA VARIABLES CATEGORICAS
NOMINAL O DE
CLASIFICACION
ORDINAL O DE
ORDEN JERARQUICO
PARA VARIABLES NUMERICAS
DE INTERVALOS O DE
DISTANCIAS IGUALES
DE RAZON, PROPORCION O DE
COCIENTE
Nominal o de clasificacin
La escalas nominales o de
clasificacin
consisten
en
clasificar objetos reales segn
cierta
caractersticas,
tipologas
o
nombres,
dndoles una denominacin o
smbolo, sin que implique
ninguna relacin de orden,
distancia o proporcin entre
esos objetos.-
Estas escalas tienen ciertas

propiedades bsicas:
Entre los objetos clasificados
existe una relacin de
equivalencia o no equivalencia. Si se utilizan nmeros, estos
solo distinguen orden de
posiciones de determinada
categora o clase, pero en modo
alguno establecen relacin
numrica entre los objetos
numerados. Los objetos estn clasificados
u ordenados en relacin a una
igualdad o equivalencia de un
aspecto o caracterstica.-
Escala ordinal o de orden

jerrquico
Con esta escala se
establecen posiciones
relativas de objetos o
individuos en relacin
a una caracterstica,
sin que se reflejen
distancias entre ellos.Hay un sentido de
mayor(>) menor (<).-
Las propiedades bsicas de

esta escala son:
Entre los objetos ordenados
existe la relacin mayor,
menor o igual y las relaciones
lgicas de transitividad y
asimetra.
La
ordenacin
implica
diferentes niveles de posicin
de un atributo: la utilizacin de
nmeros establece relaciones
entre los objetos, pero no
distancia entre los intervalos.-
Escala de
intervalos o de
distancias
iguales
Representan un nivel de
medicin ms preciso
que las anteriores; no
solo se establece un
orden en las posiciones
relativas de los objetos o
individuos sino que se
mide
tambin
la
distancia
entre
los
intervalos
o
las
diferentes categoras.-
Podemos sealar las siguientes

caractersticas esenciales de
este tipo de escala:
Entre los objetos y ordenados existe
una relacin de mayor, igual o menor.La escala se presenta bajo una forma
cuantitativa.La utilizacin de nmeros indica
relaciones entre los objetos y distancia
entre los intervalos, que cuando son
numricamente iguales representan
distancias tambin iguales en el atributo
medido: as por ejemplo la distancia
entre 10 y 20 es la misma que entre 82 y
92.El punto cero de la escala es arbitrario
y convencional, por ello no indica
ausencia de lo que estamos midiendo.-
Escala de razones
o de cocientes
Esta es una escala que
adems de distincin,
orden
y
distancia,
permite establecer en
que proporcin es mayor
una categora de la
escala que otra.- Tiene un
cero absoluto o natural
que representa la nulidad
de lo que se estudia.-
La caracterizaremos del siguiente

modo:
Entre los objetos ordenados existe
un orden jerrquico, igualdad de
intervalos y por ltimo igualdad de
razn, proporcin.Los
nmero
nmeros reales.-
utilizados
son
La serie de nmeros reales tienen

un origen llamado cero que por ser
natural es inalterable.Si una persona gana 200$ y otra
gana 400$, decimos que la segunda
gana el doble que la primera.-
MUESTRA.Muy frecuentemente es necesario seleccionar una muestra y en base

a sta extraer conclusiones respecto de la poblacin.-
Una muestra estadstica es un

subconjunto de la poblacin
La seleccin de una
muestra representativa es un problema
importante en la investigacin estadstica ya que sta puede
proporcionar una visin til de la naturaleza de la poblacin que se
estudia, mientras que una muestra no representativa puede sugerir
conclusiones totalmente errneas sobre la poblacin.El punto esencial en el muestreo es estar seguro de que los
elementos de la muestra representan a la poblacin tan fielmente
como sea posible.- Por lo general, esta tarea es ms difcil de lo
que parece.- Con frecuencia debe dedicarse mucho tiempo y
atencin al proceso de seleccin, ya que una ves medidos los
elementos se supondr que la muestra es representativa de la
poblacin.-
METODOS DE SELECCIN DE LA MUESTRA
Existen dos mtodos bsicos para

seleccionar los elementos de una
poblacin :
Si cada elemento de la poblacin tiene la
misma posibilidad de ser elegido, esto
constituye una muestra aleatoria.Si algunos elementos de la poblacin tienen
mayores posibilidades de seleccin que otros,
esto
constituye
una
muestra
no
aleatoria.-
MUESTRA ALEATORIA SIMPLE.Una muestra aleatoria simple, es aquella en la cual

cada individuo o elemento de una poblacin tiene la
misma oportunidad de ser elegido.- Adems, cada
muestra de un tamao fijo tiene la misma probabilidad
de ser elegida, que cualquier otra muestra del mismo
tamao.- El muestreo aleatorio simple, es la tcnica de
muestreo aleatorio ms elemental y constituye la base
para otras tcnicas.En el muestreo aleatorio simple, se usa
representar el tamao de la muestra y
representar el tamao de la poblacin.- Cada
o elemento en el marco se enumera de 1 a N.-
n para
N para
persona
Existen dos mtodos bsicos para seleccionar muestras:
C
on
Con
re
zo
plaazo
mpl
reeem
Sin
Sin
reemplazo
reemplazo
El muestreo con reemplazo , implica que una vez

seleccionada una persona o elemento, se regresa al
marco donde tiene la misma probabilidad de ser elegida
de nuevo.- Imagine que tiene una urna con 500 tarjetas de
presentacin.- Suponga que en el primer sorteo sale la
ficha de Juan Llanos.- La informacin pertinente se
registra y se regresa la tarjeta a la urna.- Despus se
mezclan bien las tarjetas y se saca una segunda tarjeta,.
En esta segunda extraccin Juan Llanos, tiene la misma
probabilidad de salir 1/N, de ser elegida de nuevo.- Se
repite el procedimiento hasta alcanzar el tamao muestra
n deseado.- Sin embargo, suele considerarse ms
adecuado tener una muestra de personas o elementos
diferentes en lugar de permitir la repeticin de
mediciones de la misma persona o elemento.-
En el muestreo sin reemplazo , no se regresa la persona

o elemento al marco una vez seleccionado y por lo tanto, no puede
elegirse otra vez.- Como antes, en el muestreo sin reemplazo la
probabilidad de que algn miembro especfico de la poblacin, por
ejemplo Juan Llanos, sea elegido en el primer intento es 1/N.- La
probabilidad de que, cualquier individuo no seleccionado, salga
elegido en el segundo intento ser 1 / N-1.- Este proceso continua
hasta alcanzar el tamao de muestra n deseado.-
Sin importar si el muestreo es con o sin reemplazo,

los mtodos de urna para elegir una muestra tienen
un gran inconveniente: la habilidad para revolver
perfectamente las tarjetas y elegir la muestra en
forma aleatoria.- Como resultado, los mtodos de
urna no son muy tiles.- Son preferibles otros
mtodos de seleccin con menos problemas y
mejor base cientfica.-
Uno de estos mtodos utiliza una TABLA DE

NUMEROS ALEATORIOS , para obtener la
muestra.- Una tabla de nmeros aleatorios esta
formada por una serie de dgitos que se generan
en forma aleatoria y se colocan en la secuencia
en que se generaron.- Hay muchas tablas de
nmeros aleatorios, como la que veremos en
prctica.- De hecho, lo normal es que los
investigadores antes de usar una tabla de
nmeros aleatorio verifiquen la aleatoriedad de
los dgitos generados antes de emplearlos.Debido a que cada dgito o secuencia de dgitos
de la tabla es aleatorio, se puede leer en sentido
horizontal o vertical.-
Para usar una tabla como la que vemos en prctica en

lugar de una urna para seleccionar una muestra,
primero debemos asignar nmeros de cdigos a los
miembros individuales de la poblacin.- Entonces se
obtiene la muestra aleatoria leyendo la tabla y
seleccionando los elementos del marco de poblacin
cuyos nmeros de cdigo coinciden con los dgitos
encontrados en la tabla.Hoy gracias a los avances de los paquetes estadsticos
de PC, las tablas se usan menos.- Los programas tienen
una secuencia para generar los nmeros aleatorios que
se necesita.-
Ejemplo1 : El Director de Recursos Humanos desea

estudiar la cantidad de hijos que tienen cada uno de
los 2500 empleados que tiene cierta empresa
automotriz.- Desea tomar una muestra aleatoria de 200
de ellos para responder la encuesta.- Enumera a sus
empleados del nmero 1 al 2500.- Usa un generador de
nmeros aleatorios de la computadora que genera 200
enteros aleatorios entre el total de nmeros y despus
invita a los 200 empleados a quienes corresponden
dichos nmeros a que participen en el estudio.- Esta
es una muestra aleatoria simple?.Solucin
Si, esta es una muestra aleatoria simple.- A cada
empleado se le dio la misma posibilidad de ser elegido.-
Ejemplo 2 : Una ingeniera que supervisa la calidad

quiere inspeccionar rollos de papel tapiz para obtener
informacin acerca de la fallas que tiene la imprenta.Decide tomar una muestra de 50 rollos de la produccin
de un da.- Cada hora durante cinco horas, toma los diez
ltimos rollos producidos y cuenta el nmero de fallas en
cada uno.- es esta una muestra aleatoria simple?.Solucin
No.- No todo subconjunto de 50 rollos de papel tapiz tiene
la misma probabilidad de pertenecer a la muestra.- Para
tomar una muestra aleatoria simple, la ingeniera
necesitara asignar un nmero a cada rollo producido
durante el da y despus generar nmeros aleatorios para
despus determinar con que rollos se forma la muestra.-
En algunos casos, es difcil o imposible extraer una

muestra de una manera realmente aleatoria.- En esta
situacin lo mejor que se puede hacer es seleccionar los
elementos de la muestra por algn mtodo conveniente.Por ejemplo, imagine que un ingeniero civil acaba de
recibir un remesa de mil bloques de hormign, que pesan
aproximadamente 50 libras cada uno.- Los bloque se han
entregado en una gran pila.- El ingeniero quiere investigar
la fuerza de comprensin de los bloques midiendo las
fuerzas en una muestra de diez bloques.- Para tomar una
muestra aleatoria simple se requerira sacar bloques del
centro y de la parte inferior de la pila, lo que puede ser
muy difcil.- Por esta razn, el ingeniero puede tomar una
muestra simplemente tomando diez bloques de la parte
superior de la pila.- Una muestra as se llama muestra
por conveniencia .-
Una muestra de conveniencia

es un muestra que no se
extrae por un mtodo aleatorio
bien definido
El problema con las muestras de conveniencia es que
podran diferir sistemticamente de la poblacin en alguna
forma.- Por esta razn, tales muestras no se deben usar,
excepto en situaciones donde no es viable tomar una
muestra aleatoria.Cuando se necesita tomar una
muestra de conveniencia, es importante pensar en todas
las formas
en las que aquellas podra diferir
sistemticamente de la poblacin.- Si es razonable pensar
que no existe una diferencia importante, entonces puede
ser aceptable tratar la muestra de conveniencia como si
fuera una muestra aleatoria simple.-
Respecto de los bloques de hormign, si el ingeniero est

seguro de que los bloques superiores en la pila no
difieren sistemticamente de alguna forma importante del
resto, entonces puede tratar la muestra de conveniencia
como si fuera una muestra aleatoria simple.- Sin embargo,
si es posible que los bloques hayan sido hecho con
diferentes cantidades de mezclas o que puedan tener
diferentes tiempos de cocido o diferentes temperaturas,
entonces
una muestra de conveniencia podra dar
resultados falsos.Algunas personas piensan que una muestra aleatoria
simple es garanta de que refleja perfectamente a su
poblacin.- Esto no es cierto.- Las muestras aleatorias
simples siempre son diferentes de sus poblaciones en
algunos aspectos y en ocasiones podran ser
considerablemente diferentes.-
Dos muestras diferentes de la misma poblacin tambin

sern diferentes entre s.- Este fenmeno se conoce como
variacin del muestreo .- Esta ltima constituye una
de las razones por la que los experimentos cientficos
tienen resultados diferentes cuando se repiten, an
cuando las condiciones parecen ser idnticas.Veamos un ejemplo .- Un inspector de calidad prueba
40 pernos de una gran remesa y mide la longitud de cada
uno.Descubre que 34 de ellos (85%) cubren las
especificacin de longitud.- Llega entonces a la
conclusin de que exactamente 85% de los pernos de la
remesa satisfacen la especificacin.- Por otra parte, el
supervisor del inspector concluye que la proporcin de
pernos buenos esta cerca de 85% con cierta probabilidad
pero que no es exactamente igual.- Cul es la conclusin
correcta?.-
Solucin
Debido a la variacin del muestreo, las muestras
aleatorias simples no reflejan a la poblacin
perfectamente.- Sin embargo, con frecuencia estn
bastante cerca.- Por tanto, resulta adecuado inferir que la
proporcin de pernos buenos en la remesa est cerca de
la proporcin de muestra, que es de 85%, con cierta
probabilidad.- Sin embargo, no es probable que la
proporcin de poblacin sea igual a 85%.Otra inspectora repite el estudio con una muestra
aleatoria simple diferente de 40 pernos.- Descubre que 36
de ellos, 90% son buenos.- El primer inspector afirma que
ella debi haber cometido algn error, ya que sus
resultados mostraban que 85% y no 90% de los pernos
son buenos.- tiene razn?.-
Solucin
No, el no tiene razn.- Es la variacin del muestreo en
accin.- Dos muestras diferentes de la misma poblacin
sern diferentes entre s y de la poblacin.Ya que las muestras aleatorias simples no reflejan a sus
poblaciones perfectamente, Por qu es importante que el
muestreo sea aleatorio?.- La ventaja de una muestra
aleatoria simple es que no hay ningn mecanismo
sistmico que la haga poco representativa.- Las
diferencias entre la muestra y su poblacin son atribuibles
completamente a la variacin aleatoria.- Debido a que la
teora matemtica sobre la variacin aleatoria se
comprende bien, se pueden usar modelos matemticos
para estudiar la relacin entre muestras aleatorias simples
y sus poblaciones.-
En general, para una muestra que no fue seleccionada de

forma aleatoria, no existe una teora disponible que
describa los mecanismos que causaron que la muestra
aleatoria simple difiera de su poblacin.- Por tanto, con
frecuencias las muestras que no fueron obtenidas
aleatoriamente
son difcil de analizar de manera
confiable.En los ejemplos que hemos venido viendo, las poblaciones
constaban de elementos fsicos reales; estudiantes,
bloques de concreto de una pila, pernos de una remesa,
etc.- Estas poblaciones se denominan poblaciones
tangibles .Este tipo de poblaciones son siempre
finitas.- Despus de que se muestrea un elemento el
tamao de la poblacin disminuye en uno.- En principio,
uno podra regresar el elemento a la poblacin, cosa que
no se hace en la prctica.-
En ingeniera , es frecuente que los datos

sean
productos de mediciones realizadas durante un
experimento cientfico, ms que por muestreo de
poblaciones tangibles.Tomando un ejemplo simple, imagine que un ingeniero
mide la longitud de una varilla cinco veces, haciendo las
mediciones en la forma ms cuidadosa posible con
condiciones
idnticas.No
importa
que
tan
cuidadosamente se hayan hecho las mediciones, diferirn
un poco una de otra, debido a la variacin en el proceso
de medicin que no se puede controlar o predecir.- Esto
ltimo da como resultado, que con frecuencia sea
adecuado considerar estos datos como una muestra
aleatoria simple de una poblacin.- En estos casos, la
poblacin consta de todos los valores que posiblemente
pueden haber sido observado.-
Esta poblacin se denomina poblacin conceptual ya

que no consta de elementos reales.Veamos un ejemplo ; un gelogo pesa una roca varias
veces en una balanza analtica.- Cada vez, la balanza da
una lectura ligeramente diferente.- Bajo que condiciones
se puede considerar estas lecturas como una muestra
aleatoria simple?.- Cul es la poblacin?.Solucin
Si las caractersticas fsicas de la balanza permanecen
iguales cada vez que se pesa, se puede considerar que las
mediciones
se hacen bajo consideracin idnticas,
entonces las lecturas se pueden considerar como una
muestra aleatoria simple.- La poblacin es conceptual.Consta de todas las lecturas que la balanza en principio
podra producir.-
En el ejemplo anterior, son las caractersticas

fsicas del proceso de medicin las que
determinan si los datos constituyen una
muestra aleatoria simple .- En general, cuando se
decide si un conjunto de datos se puede considerar una
muestra aleatoria simple, es muy til tener una
comprensin del proceso que gener los datos.- Algunas
veces los mtodos estadstico pueden ayudar,
especialmente cuando la muestra es grande, pero el
conocimiento del mecanismo que produjo los datos es
ms importante.Veamos un ejemplo : Se ha diseado un nuevo
proceso qumico que se supone tendr una produccin
ms alta de cierta sustancia qumica que durante el
proceso anterior.- Para investigar los resultados de este
proceso, lo realizamos 50 veces y registramos los 50
resultados.-
Bajo que condiciones sera razonable considerar lo

anterior como una muestra aleatoria simple?.- Describa
algunas condiciones bajo las cuales puede no resultar
adecuado considerar esto ltimo como una muestra
aleatoria simple.Solucin
Para responder a esto, primero debemos especificar la
poblacin.- La poblacin es conceptual y consta del
conjunto de todos los resultados que se obtienen de este
proceso, as como de las veces que se realiz.- Lo que
hemos llevado a cabo es un muestreo de los 50 primeros
resultados del proceso.- Si y solo si estamos seguros de
que los primeros 50 resultados se han generado en
condiciones idnticas y que no difieren en ninguna forma
sistmica de los resultados de futuras realizaciones,
podemos tratarlos como una muestra aleatoria simple.-
Sin embargo sea cauteloso.- Hay muchas

condiciones por la que 50 resultados podran
dejar de ser una muestra aleatoria simple.- Por
ejemplo, con procesos qumicos, algunas se da el
caso de que realizaciones con resultados altos
son seguidas de realizaciones con resultados
bajos y viceversa.A veces los resultados tienden a aumentar con el
tiempo, conforme los ingenieros de proceso
aprendan por la experiencia como hacer
funcionar el proceso de manera ms eficiente.En estos casos, los resultados no se han
generado bajo las mismas condiciones y no
constituyen una muestra aleatoria simple.-
En el ejemplo anterior, se muestra que un buen

conocimiento de la naturaleza del proceso en estudio es
importante para determinar si los datos se pueden
considerar como muestra aleatoria simple.Los mtodos estadsticos, algunas veces se usan para
mostrar que un conjunto de datos no representa
necesariamente
una muestra aleatoria simple.- Por
ejemplo, a veces las condiciones experimentales cambian
gradualmente con el tiempo.- Un mtodo simple, pero
efectivo para detectar esta condicin, es realizar una
grfica con las observaciones en el orden en que se
tomaron.- Una muestra aleatoria simple, no debe
mostrar ningn patrn o tendencia obvia.La placa siguiente nos muestra las grficas de tres
muestras en el orden en que se tomaron:
Grfica de dispersin de Muestra vs. Orden

70
60
60
Muestra
40
30
50
40
30
20
20
0
10
20
30
40
50
10
20
Orden
30
40
Orden
a)
b)

70
60
Muestra
Muestra
50
50
c)
40
30
20
0
10
20
30
Orden
40
50
50
La figura a) muestra un patrn oscilatorio.- La

figura b) muestra una tendencia creciente.Ninguna de estas muestras se debe tratar
como muestra aleatoria simple.- La grfica c)
no parece mostrar ningn patrn o tendencia
obvia.-Podra ser apropiado tratar estos datos
como una muestra aleatoria simple.- Sin
embargo, antes de tomar esa decisin, es an
importante pensar acerca del proceso que
produjo estos datos, ya que puede haber
cuestiones que no son evidentes en la grfica.-
A veces la pregunta respecto de si un conjunto de datos

es una muestra aleatoria simple, depende de la poblacin
en estudio.- Se puede dar el caso para el cual una grfica
pueda parecer buena, an cuando los datos no sean una
muestra aleatoria simple.- En el ejemplo siguiente
mostramos este caso.Un nuevo proceso qumico se realiza diez veces cada
maana durante cinco das consecutivos.- Una grfica de
los resultados en el orden en que aparecieron no presenta
ningn patrn o tendencia obvia.- Si el nuevo proceso se
pone en produccin, hacindolo funcionar diez horas
todos los das desde las 7,0 horas hasta la 17,0 horas.es razonable considerar que los 50 resultados sea una
muestra aleatoria simple?.- Qu ocurre si el proceso esta
siempre funcionando por la maana?.Solucin
Debido a que se intenta poner en funcionamiento el nuevo

proceso tanto durante la maana como en la tarde, la
poblacin consta de todos los resultados que alguna vez
se observarn, incluyendo tanto las realizaciones por la
maana como por la tarde.- La muestra se toma solo de la
parte de la poblacin de los resultados matutinos; por
tanto, no es una muestra aleatoria simple.- Hay muchas
cosas que podran estar equivocadas si esto se usa como
una muestra aleatoria simple.- Por ejemplo, las
temperaturas ambientales pueden ser diferentes entre la
maana y la tarde, ello podra afectar los resultados.Si el proceso funciona solo por la maana, entonces la
poblacin constara solo de resultados matutinos.- Debido
a que la muestra no presenta ningn patrn o tendencia
obvia, bien podra ser apropiado considerarla como una
muestra aleatoria simple.-
EJERCICIOS PARA HACER EN CLASE

Cada uno de los siguientes procesos implica el muestreo
de una poblacin .- Defina la poblacin y diga si es
tangible o conceptual:
a) Se recibe una remesa de pernos de un distribuidor.Para verificar si la remesa es aceptable respecto de la
fuerza de corte, un ingeniero selecciona diez pernos ,
uno tras el otro, del recipiente para probarlo.b) La resistencia de ciertos resistores se mide cinco
veces con el mismo hmetro.c) Un estudiante de postgrado que se especializa en
ciencias ambiental forma parte de un equipo de estudio
que esta evaluando el riesgo para la salud humana de
cierto contaminante presente en el agua de la llave en
su pueblo.-
Una parte del proceso de evaluacin implica calcular la

cantidad de tiempo que las personas que viven en el
pueblo esta en contacto con el agua de la llave.- El
estudiante convence a los residentes del pueblo para que
lleven un registro mensual, detallando la cantidad de
tiempo que estn en contacto con el agua de la llave da
por da.-
d) Se hacen ocho soldaduras con el mismo proceso y se

mide la fuerza en cada una.-
e) Un ingeniero responsable del control de calidad tiene

que calcular el porcentaje de piezas fabricadas
defectuosas en determinado da.- A las 14,30 horas de la
tarde muestrea las ltimas 100 piezas fabricadas.-
2.- Si usted quisiera calcular la altura de todos los

alumnos de una universidad, Cul de las siguientes
estrategias de muestreo sera el mejor?.- Por qu?
Observe que ninguno de los mtodos son realmente
muestras aleatorias simples.a) Mide la estatura de 50 estudiantes que se encuentran en
el gimnasio durante un partido de bsquetbol en la
universidad.b) Medir la estatura de todos los especialistas en
ingeniera.c) Medir la estatura de los estudiantes, eligiendo el primer
nombre de cada pgina de la gua telefnica de la
universidad si hubiese.-
3.- Verdadero Falso

a) Una muestra aleatoria simple garantiza que refleja
exactamente a la poblacin de la que se extrajo.b) Una muestra aleatoria simple esta libre de cualquier
tendencia sistmica en diferir de la poblacin de la que
se extrajo.4.- Una ingeniera de control de calidad, extrae una muestra aleatoria
simple de 50 anillos -0 de un lote de varios miles.- Mide el espesor
de cada uno y descubre que 45 de ellos, 90% cumple con ciertas
especificaciones.- Cul de los siguientes enunciados es
correcto?.a) La proporcin de anillos-0 en el lote completo que cumple con la
especificacin es igual a 90%.b) La proporcin de anillo-0 en el lote completo que cumple con la
especificacin probablemente esta cerca de representar 90%, pero
probablemente no es igual al total.-
5.- Se ha usado durante mucho tiempo un proceso para la fabricacin

de botellas de plstico y se sabe que 10% de estas estn
defectuosas.- Se esta usando un nuevo proceso que se supone,
reduce la proporcin de defectos.- En una muestra aleatoria simple
de 100 botellas producidas con el nuevo proceso, 10 estaban
defectuosas.a) Uno de los ingenieros sugiere que la prueba demuestra que el
nuevo proceso no es mejor que el proceso anterior, ya que la
proporcin de defectos es la misma.- Es esta una conclusin
justificada?.- Explique.b)
Suponga que hubiese sido solamente nueve las botellas

defectuosas de la muestra de 100, Esto habra probado que el
nuevo proceso es mejor?.- Explique.-
c) Qu resultado presenta pruebas ms evidentes de que el nuevo

proceso es mejor; encontrar nueve botellas defectuosas en la
muestra o encontrar dos botellas defectuosas en la muestra.-
6.- Con respecto al ejercicio anterior 5).- Verdadero Falso.a) Si la proporcin de defectos en la muestra es menor a
10%, es confiable concluir que el nuevo proceso es
mejor.b) Si la proporcin de defectos en la muestra es mucho
menor a 10%, la diferencia bien podra ser
completamente atribuible a la variacin del muestreo y
no es confiable concluir que el nuevo proceso es
mejor.c) Si la proporcin de defectos en la muestra es mucho
menor al 10%, es muy poco probable que la diferencia
sea atribuible completamente a la variacin del
muestreo, por lo que es confiable llegar a la conclusin
de que el nuevo proceso es mejor.-
d) No importa que tan pocos defectos aparezcan en la

muestra, el resultado bien podra ser completamente
atribuible a la variacin del muestreo, por lo que no es
confiable concluir que el nuevo proceso es mejor.7.- Para determinar si una muestra se debe tratar como
una muestra aleatoria simple, Qu es ms importante; un
buen conocimiento de la estadstica o un buen
conocimiento del proceso que produce los datos?.-
RESPUESTAS:
1.- a) La poblacin consta de todos los tornillos de la remesa.- Es tangible
b) La poblacin consta de todas las mediciones que se hicieron en el resistor con el hmetro.Es conceptual.c) La poblacin consta de todos los habitantes del pueblo.- Es tangible
d) La poblacin consta de toas las soldaduras que pudieron haberse hecho con el proceso.Es conceptual.e) La poblacin consta de todas las partes fabricadas ese da.- Es tangible.3.- a) Falso b) verdadero
5.- a) No.- Lo importante es la proporcin poblacional de defectos: el porcentaje de la muestra es
solo una aproximacin.- La proporcin poblacional para el nuevo proceso puede, en efecto, ser
mayor o menor que la del proceso anterior.b) No.- La proporcin poblacional para el nuevo proceso puede ser 10% o mayor, an cuando
la proporcin muestral fue de solo 9%.c) Encontrando dos botellas defectuosas en la muestra.7.- Un buen conocimiento del proceso que produce los datos.-
ESTADISTICO Y PARAMETRO.Un estadstico es cualquier caracterstica

numrica de una muestra.Se simbolizan con letras del abecedario
espaol.Un parmetro es cualquier caracterstica
numrica de una poblacin.- Se los simboliza
con letras del abecedario griego.Por ejemplo, si digo que el 50% de los empleados del
Parque Industrial ganan en promedio 700$, calcul un
estadstico.- En cambio si digo que el sueldo promedio
de todos los empleados del parque industrial es de
700$, calcul un parmetro-
NECESIDAD DE
DATOS
Los datos pueden concebirse como informacin
numrica o no, necesaria para ayudarnos a tomar
decisiones con fundamentos, en una situacin
particular.Un DATO, es el registro (numrico o no) que
se obtiene como resultado de observar
cierta caracterstica de inters en un
individuo (persona, animal, cosa o entidad
de naturaleza abstracta) que constituye el
objeto de estudio.-
Para ser tiles, los datos se deben recopilar

y poner a nuestra disposicin.- La simple
decisin de medir y recopilar los datos
relevantes es el comienzo indispensable para
usarlos en la solucin de problemas.- Si un
fabricante de hornos microondas registra los casos de
reparacin dentro de la garanta, pero no los defectos
especficos que se tuvo que corregir, entonces los
datos no son de ninguna utilidad para mejorar el
proceso de fabricacin de los hornos.- La primera
decisin consiste entonces en determinar lo que se
quiere medir.- A menudo, las variables ms fcil de
medir no son las ms relevantes para resolver un
problema.- Por ejemplo, un fabricante de golosinas que
tiene que programar su produccin de tabletas de
chocolates le gustara saber cual es la demanda
mensual que tiene la tableta.-
Sera relativamente fcil registrar cada mes las

ordenes de compra de los mayoristas y las
cadenas de negocios minoristas que las venden,
pero no es lo mismo que la demanda de los
consumidores: puede suceder que algunos
clientes quieran comprar la tableta pero no la
encuentran en existencia cuando van al
negocio.- Sera mejor obtener informacin no
solo de las ordenes de compra sino sobre la
existencias en los negocios.- Precisar un poco el
problema ayuda a determinar los datos que se
van a reunir y cuales son las variables
importantes, no las ms fciles de medir.-
Es en extremo importante empezar el

anlisis
estadstico
con
la
identificacin de las fuentes de datos
ms adecuadas.- Si los datos
presentan sesgos, ambigedades u
otro tipo de errores por ms que
apliquemos
las ms sofisticadas
metodologas del anlisis estadstico,
las conclusiones a que lleguemos
estarn mal o sern muy deficientes.-
Dentro del campo de la Ingeniera,

los datos los obtenemos mediante
estudios observacionales .Los estudios observacionales hoy se
presentan en formas muy variadas en
las empresas, principalmente en todo
lo referente a estudios grupales o la
importancia de los trabajos en
equipo.- Se hace hincapi en la
Administracin de la Calidad Total.-
TIPOS DE EXPERIMENTOS PARA LA

OBTENCION DE DATOS.Hay mucha clase de experimentos que se pueden usar
para generar datos.- Describiremos brevemente algunos
de ellos.- En un experimento de una sola muestra, hay
solo una poblacin de inters y se extrae una sola
muestra de esta.- Por ejemplo , imagine que se ha
diseado un proceso par producir polietileno que se
usar para hacer tubos.- En este contexto, un experimento
mediante el cual se producen algunas muestras de
polietileno y se mide la fuerza de tensin de cada una
constituye un experimento de una
muestra.Se
considera que las fuerzas medidas representan una
muestra aleatoria simple de una poblacin conceptual de
todas las fuerzas posibles que se pueden observar en las
muestras fabricadas por este proceso.-
Los experimentos del tipo una muestra se pueden usar

para determinar si un proceso satisface cierta norma; por
ejemplo, si tienen la fuerza suficiente para una aplicacin
dada.En un experimento de muestras mltiples , hay
dos o ms poblaciones de inters y se toma una muestra
de cada poblacin.- Por ejemplo, si estn compitiendo
algunos procesos para ser considerados en la fabricacin
de polietileno y se miden las fuerzas de tensin en una
muestra de elementos de cada proceso, se entiende que
este es un experimentos de muestras mltiples.- A cada
proceso le corresponde una poblacin distinta y a las
mediciones hechas sobre los elementos de un proceso
dado se les considera una muestra aleatoria simple de esa
poblacin.- El propsito habitual de los experimentos de
muestras mltiples es hacer comparaciones entre las
poblaciones.-
En este ejemplo, el propsito podra ser que se

determine el proceso que produzca la mayor
fuerza o que se determine si hay diferencias en
las fuerza en el polietileno que se produjo
mediante los diferentes procesos.- En muchos
experimentos
de
muestras
mltiple,
las
poblaciones se distinguen entre s al cambiar uno
o ms factores que pueden afectar el resultado.A estos experimentos se los conoce como
experimentos factoriales .No veremos este tipos de experimentos por estar
fuera del alcance de esta ctedra, pero si
compararemos dos poblaciones.-
Para fines del anlisis estadstico, es importante

distinguir entre datos transversales y datos
longitudinales.Datos transversales : son datos que se recolectan en
un solo momento, en un tiempo nico.- Es como tomar
una fotografa de algo que sucede.Datos longitudinales : en ocasiones el inters del
investigador es analizar cambios a travs del tiempo en
determinadas variables o en las relaciones entre estas.Entonces se dispone de datos longitudinales, los que se
recolectan a travs del tiempo en puntos o perodos
especificados, para hacer inferencias respecto al cambio,
su determinantes y consecuencias.-
LA RECOPILACION DE DATOS
Y
LA MATRIZ DE DATOS
Vista las definiciones bsica necesaria, supongamos que

ya tenemos los datos relevados, que sabemos que
pueden ser solo una serie de datos que queremos
analizar estadsticamente, o puede ser que surjan de
una matriz de datos de algn cuestionario que
hayamos relevado, o de la base de datos de cierto
servicio, dependiendo esto de la investigacin que nos
hayamos planteado.-
Tomemos un ejemplo de una matriz de

dato y supongamos que ella se origina en
un relevamiento dirigido a una clase de 92
alumnos.- Cada alumno anoto su altura,
peso, sexo, si fuma o no, nivel de
actividad fsica y pulso en reposo.Despus todos tiraron una moneda al aire
y aquellos a los que le salio cara corrieron
durante un minuto.- A continuacin todos
se volvieron a tomar la pulsacin.-
El contenido de la matriz de datos fue:

Pulso 1: pulso inicial de los 92 alumnos
Pulso 2: pulso final
Corri: 1= Corri
Fuma:
1 = Fuma
Sexo:
1 = Hombre
2= No corri
2= No fuma
2= Mujer
Altura de los estudiantes (en centmetros)

Peso de los estudiantes (en gramos)
Actividad: Nivel de actividad fsica habitual:
1= Baja
2= Media
3 Alta
Pulso2
Corri
Fuma
Sexo
Alto
Peso
Pulso
1
64
88
168
64
Activida
d
2
58
70
183
66
62
76
187
73
66
78
185
86
64
80
175
70
74
84
185
75
84
84
183
68
68
72
188
86
62
75
183
88
10
76
118
180
63
11
90
94
188
73
12
80
96
183
70
13
92
84
178
69
14
68
76
170
66
15
60
76
180
77
16
62
58
183
79
17
66
82
175
79
18
70
72
185
77
19
68
76
188
82
20
72
80
168
61
21
70
106
180
77
22
74
76
178
71
23
66
102
178
59
24
70
94
191
84
25
96
140
155
64
26
62
100
168
54
27
78
104
173
59
28
82
100
173
63
29
100
115
160
55
30
68
112
178
57
31
96
116
173
53
32
78
118
175
66
33
88
110
175
68
34
62
98
159
51
35
80
128
173
57
36
62
62
188
86
37
60
62
180
70
38
72
74
175
77
39
62
66
178
70
40
76
76
183
98
41
68
66
170
68
42
54
56
175
66
43
74
70
185
70
44
74
74
185
68
45
68
68
180
70
46
72
74
173
70
47
68
64
177
68
48
82
84
185
82
49
64
62
191
73
50
58
58
168
61
51
54
50
175
73
52
70
62
168
59
53
62
68
185
70
54
48
54
173
68
55
76
76
188
67
56
88
84
187
70
57
70
70
178
68
58
90
88
170
64
59
78
76
183
82
60
70
66
191
86
61
90
90
173
66
62
92
94
175
68
63
60
70
182
74
64
72
70
180
64
65
68
68
183
64
66
84
84
175
62
67
74
76
170
56
68
68
66
173
70
69
84
84
168
59
70
61
70
166
54
71
64
60
168
59
72
94
92
157
59
73
60
66
157
54
74
72
70
160
54
75
58
56
170
57
76
88
74
165
61
77
66
72
168
57
78
84
80
165
54
79
62
66
165
55
80
66
76
165
52
81
80
74
163
46
82
78
78
170
52
83
68
68
175
68
84
72
68
173
50
85
82
80
160
53
86
76
76
157
49
87
87
84
160
43
88
90
92
163
57
89
78
80
173
60
90
68
68
157
50
91
86
84
170
68
92
76
76
157
49
EL ANALISIS DE LA
MATRIZ DE DATOS
An cuando la matriz de datos constituye una

organizacin que facilita
el acceso a los
registros, es indudable que nuestra capacidad
cognitiva no nos permite
entender el
comportamiento
de los datos
y obtener
informacin a partir de ellos.- Por ejemplo, en la
matriz de datos de la encuesta realizada a 92
estudiantes, quizs con una mirada rpida a la
matriz podramos saber el sexo predominante
entre los estudiantes, pero difcilmente
podramos dar alguna conclusin sobre las
pulsaciones despus de correr, o cual es la
altura promedio de ellos, etc, y adems sera
imposible establecer si hay alguna relacin entre
el peso y la altura de los estudiantes.-
Esta limitacin de procesar

mentalmente tal cantidad de
informacin, nos obliga a recurrir
a nuevas herramientas que
permitan resumir los datos
haciendo visibles aspectos que
de otra forma
permaneceran
ocultos.- Ahora bien, decidir
cuales son las herramientas ms
apropiadas depende en primer
lugar de las preguntas que
intentemos responder y que,
como ya dijimos, son las que
guan todo el proceso de
anlisis.-
1.- Es heterogneo el grupo en cuanto a su edad?.2.- Hay predominio de mujeres?.3.- La composicin por sexo vara segn sea si fuman
o no?
4.- Hay alguna relacin entre el peso y la altura de los
alumnos?
5.- El pulso depende de si el alumno corri o no?
6.- Las diferencia entre el pulso antes de correr y
despus son valores ms o menos homogneos?.7.- Habr alguna relacin entre el sexo, si corri o no
y el peso de los alumnos?.8.- Se trata de estudiantes que dicen tener que tipo de
actividad fsica, alta, baja o media?
En este sinttico listado de preguntas podemos

distinguir aquellas que involucran a una sola
variable, a dos variables, y a tres o ms
variables.- Para la bsqueda de respuesta a
esas preguntas ser necesario utilizar
herramientas estadstica diferentes segn sea el
nmero de variables consideradas.-
Como se menciono oportunamente:

Cuando el anlisis de los individuos se realiza
a partir de una nica variable sin tomar en
cuenta el resto de la matriz, hablamos de un
Anlisis Univariado. Si el tratamiento de los datos involucra dos
variables simultneamente se trata de un
Anlisis Bivariado. Cuando trabajamos con tres o ms variables
simultneamente recurrimos al
Anlisis
Multivariado.-
Recordemos que, otro aspecto a tener en cuenta al

considerar la herramienta apropiada para el anlisis es
el tipo de variable con el que se est trabajando:
cualitativa o cuantitativa.-
Adems, las herramientas estadsticas para el anlisis

de los datos se pueden clasificar en dos grandes
familias: numricas
y grficas , ambas
concurrentes para hacer visible el comportamiento de
los datos y complementarias en la intencin de producir
informacin.Priorizar las herramientas numricas o las
grficas o ambas en el trabajo de
exploracin, es una decisin del investigador.-
Independientemente de la necesidad de
responder a las preguntas que suponen el
tratamiento de una variable, anlisis bivariado o
multivariado, requiere que se haga una
exploracin de cada una de las variable de la
matriz de datos.Si tenemos variables que estn representadas
por cdigos , debemos transformar las mismas
en nominales a fin de que cuando empecemos
con la organizacin y anlisis de los datos, no
nos aparezcan los nmeros, sino
que
representan; por ejemplo, si en la columna de
Sexo, observamos 1 y 2, esto ser Hombre y
Mujer y as sucesivamente con otras.-
Veamos
a
nuestra
Matriz
de
Referencia .Observamos
que
algunas
variables vienen definidas por cdigos y por lo
tanto debemos pensar como hacemos estos
cambios usando un programa por ejemplo,
como Minitab.Es importante que el alumno
vaya tomando notas de los
distintos procedimiento que
realizamos en PC.-
Pulso1
Pulso2
Corri
Fuma
Sexo
Alto
Peso
Actividad
64
88
CORRIO
NO FUMA
HOMBRE
168
64
MEDIA
58
70
CORRIO
NO FUMA
HOMBRE
183
66
MEDIA
62
76
CORRIO
FUMA
HOMBRE
187
73
ALTA
66
78
CORRIO
FUMA
HOMBRE
185
86
BAJA
64
80
CORRIO
NO FUMA
HOMBRE
175
70
MEDIA
74
84
CORRIO
NO FUMA
HOMBRE
185
75
BAJA
84
84
CORRIO
NO FUMA
HOMBRE
183
68
ALTA
68
72
CORRIO
NO FUMA
HOMBRE
188
86
MEDIA
62
75
CORRIO
NO FUMA
HOMBRE
183
88
MEDIA
76
118
CORRIO
NO FUMA
HOMBRE
180
63
MEDIA
90
94
CORRIO
FUMA
HOMBRE
188
73
BAJA
80
96
CORRIO
NO FUMA
HOMBRE
183
70
MEDIA
92
84
CORRIO
FUMA
HOMBRE
178
69
ALTA
68
76
CORRIO
NO FUMA
HOMBRE
170
66
MEDIA
60
76
CORRIO
NO FUMA
HOMBRE
180
77
ALTA
62
58
CORRIO
NO FUMA
HOMBRE
183
79
ALTA
66
82
CORRIO
FUMA
HOMBRE
175
79
MEDIA
70
72
CORRIO
FUMA
HOMBRE
185
77
ALTA
68
76
CORRIO
FUMA
HOMBRE
188
82
MEDIA
72
80
CORRIO
NO FUMA
HOMBRE
168
61
ALTA
70
106
CORRIO
NO FUMA
HOMBRE
180
77
MEDIA
74
76
CORRIO
NO FUMA
HOMBRE
178
71
MEDIA
66
102
CORRIO
NO FUMA
HOMBRE
178
59
MEDIA
70
94
CORRIO
FUMA
HOMBRE
191
84
MEDIA
96
140
CORRIO
NO FUMA
MUJER
155
64
MEDIA
62
100
CORRIO
NO FUMA
MUJER
168
54
MEDIA
78
104
CORRIO
FUMA
MUJER
173
59
MEDIA
82
100
CORRIO
NO FUMA
MUJER
173
63
MEDIA
100
115
CORRIO
FUMA
MUJER
160
55
MEDIA
68
112
CORRIO
NO FUMA
MUJER
178
57
MEDIA
96
116
CORRIO
NO FUMA
MUJER
173
53
MEDIA
78
118
CORRIO
NO FUMA
MUJER
175
66
MEDIA
88
110
CORRIO
FUMA
MUJER
175
68
MEDIA
62
98
CORRIO
FUMA
MUJER
159
51
MEDIA
80
128
CORRIO
NO FUMA
MUJER
173
57
MEDIA
62
62
NO CORRIO
NO FUMA
HOMBRE
188
86
BAJA
60
62
NO CORRIO
NO FUMA
HOMBRE
180
70
MEDIA
72
74
NO CORRIO
FUMA
HOMBRE
175
77
MEDIA
62
66
NO CORRIO
NO FUMA
HOMBRE
178
70
MEDIA
76
76
NO CORRIO
NO FUMA
HOMBRE
183
98
MEDIA
68
66
NO CORRIO
FUMA
HOMBRE
170
68
MEDIA
54
56
NO CORRIO
FUMA
HOMBRE
175
66
MEDIA
74
70
NO CORRIO
NO FUMA
HOMBRE
185
70
ALTA
74
74
NO CORRIO
NO FUMA
HOMBRE
185
68
MEDIA
68
68
NO CORRIO
NO FUMA
HOMBRE
180
70
ALTA
72
74
NO CORRIO
FUMA
HOMBRE
173
70
ALTA
68
64
NO CORRIO
NO FUMA
HOMBRE
177
68
ALTA
82
84
NO CORRIO
FUMA
HOMBRE
185
82
MEDIA
64
62
NO CORRIO
NO FUMA
HOMBRE
191
73
ALTA
58
58
NO CORRIO
NO FUMA
HOMBRE
168
61
ALTA
54
50
NO CORRIO
NO FUMA
HOMBRE
175
73
MEDIA
70
62
NO CORRIO
FUMA
HOMBRE
168
59
MEDIA
62
68
NO CORRIO
FUMA
HOMBRE
185
70
MEDIA
48
54
NO CORRIO
FUMA
HOMBRE
173
68
ALTA
76
76
NO CORRIO
NO FUMA
HOMBRE
188
67
ALTA
88
84
NO CORRIO
NO FUMA
HOMBRE
187
70
MEDIA
70
70
NO CORRIO
NO FUMA
HOMBRE
178
68
MEDIA
90
88
NO CORRIO
FUMA
HOMBRE
170
64
MEDIA
78
76
NO CORRIO
NO FUMA
HOMBRE
183
82
ALTA
70
66
NO CORRIO
FUMA
HOMBRE
191
86
MEDIA
90
90
NO CORRIO
NO FUMA
HOMBRE
173
66
BAJA
92
94
NO CORRIO
FUMA
HOMBRE
175
68
MEDIA
60
70
NO CORRIO
FUMA
HOMBRE
182
74
MEDIA
72
70
NO CORRIO
NO FUMA
HOMBRE
180
64
MEDIA
68
68
NO CORRIO
NO FUMA
HOMBRE
183
64
ALTA
84
84
NO CORRIO
NO FUMA
HOMBRE
175
62
MEDIA
74
76
NO CORRIO
NO FUMA
HOMBRE
170
56
MEDIA
68
66
NO CORRIO
NO FUMA
HOMBRE
173
70
MEDIA
84
84
NO CORRIO
NO FUMA
MUJER
168
59
MEDIA
61
70
NO CORRIO
NO FUMA
MUJER
166
54
MEDIA
64
60
NO CORRIO
NO FUMA
MUJER
168
59
ALTA
94
92
NO CORRIO
FUMA
MUJER
157
59
MEDIA
60
66
NO CORRIO
NO FUMA
MUJER
157
54
MEDIA
72
70
NO CORRIO
NO FUMA
MUJER
160
54
MEDIA
58
56
NO CORRIO
NO FUMA
MUJER
170
57
MEDIA
88
74
NO CORRIO
FUMA
MUJER
165
61
MEDIA
66
72
NO CORRIO
NO FUMA
MUJER
168
57
MEDIA
84
80
NO CORRIO
NO FUMA
MUJER
165
54
BAJA
62
66
NO CORRIO
NO FUMA
MUJER
165
55
ALTA
66
76
NO CORRIO
NO FUMA
MUJER
165
52
MEDIA
80
74
NO CORRIO
NO FUMA
MUJER
163
46
MEDIA
78
78
NO CORRIO
NO FUMA
MUJER
170
52
MEDIA
68
68
NO CORRIO
NO FUMA
MUJER
175
68
MEDIA
72
68
NO CORRIO
NO FUMA
MUJER
173
50
MEDIA
82
80
NO CORRIO
NO FUMA
MUJER
160
53
BAJA
76
76
NO CORRIO
FUMA
MUJER
157
49
ALTA
87
84
NO CORRIO
NO FUMA
MUJER
160
43
ALTA
90
92
NO CORRIO
FUMA
MUJER
163
57
BAJA
78
80
NO CORRIO
NO FUMA
MUJER
173
60
BAJA
68
68
NO CORRIO
NO FUMA
MUJER
157
50
MEDIA
86
84
NO CORRIO
NO FUMA
MUJER
170
68
ALTA
76
76
NO CORRIO
NO FUMA
MUJER
157
49
MEDIA
Ahora debemos tomar la decisin si trabajos

con la poblacin o con una muestra.Tomamos la decisin de seleccionar una
muestra aleatoria por ejemplo, de 40
alumnos y trabajar estadsticamente nuestra
nueva matriz, veamos como
seleccionamos la misma usando el
programa Minitab.-
Nuestra nueva
matriz ser:
Esta es la matriz muestral para empezar a

trabajar los mtodos estadsticos.Pulso2
Corri
Fuma
Sexo
Alto
Peso
Pulso
1
78
80
NO CORRIO
NO FUMA
MUJER
173
60
Activida
d
BAJA
78
78
NO CORRIO
NO FUMA
MUJER
170
52
MEDIA
90
88
NO CORRIO
FUMA
HOMBRE
170
64
MEDIA
80
74
NO CORRIO
NO FUMA
MUJER
163
46
MEDIA
62
58
CORRIO
NO FUMA
HOMBRE
183
79
ALTA
87
84
NO CORRIO
NO FUMA
MUJER
160
43
ALTA
58
70
CORRIO
NO FUMA
HOMBRE
183
66
MEDIA
70
66
NO CORRIO
FUMA
HOMBRE
191
86
MEDIA
66
102
CORRIO
NO FUMA
HOMBRE
178
59
MEDIA
10
72
68
NO CORRIO
NO FUMA
MUJER
173
50
MEDIA
11
70
72
CORRIO
FUMA
HOMBRE
185
77
ALTA
12
88
74
NO CORRIO
FUMA
MUJER
165
61
MEDIA
13
72
70
NO CORRIO
NO FUMA
HOMBRE
180
64
MEDIA
14
82
80
NO CORRIO
NO FUMA
MUJER
160
53
BAJA
15
70
70
NO CORRIO
NO FUMA
HOMBRE
178
68
MEDIA
16
66
76
NO CORRIO
NO FUMA
MUJER
165
52
MEDIA
17
76
76
NO CORRIO
NO FUMA
HOMBRE
183
98
MEDIA
18
68
68
NO CORRIO
NO FUMA
MUJER
175
68
MEDIA
19
70
94
CORRIO
FUMA
HOMBRE
191
84
MEDIA
20
68
64
NO CORRIO
NO FUMA
HOMBRE
177
68
ALTA
21
74
76
CORRIO
NO FUMA
HOMBRE
178
71
MEDIA
22
92
94
NO CORRIO
FUMA
HOMBRE
175
68
MEDIA
23
90
94
CORRIO
FUMA
HOMBRE
188
73
BAJA
24
84
80
NO CORRIO
NO FUMA
MUJER
165
54
BAJA
25
76
118
CORRIO
NO FUMA
HOMBRE
180
63
MEDIA
26
100
115
CORRIO
FUMA
MUJER
160
55
MEDIA
27
64
80
CORRIO
NO FUMA
HOMBRE
175
70
MEDIA
28
66
82
CORRIO
FUMA
HOMBRE
175
79
MEDIA
29
61
70
NO CORRIO
NO FUMA
MUJER
166
54
MEDIA
30
78
76
NO CORRIO
NO FUMA
HOMBRE
183
82
ALTA
31
68
72
CORRIO
NO FUMA
HOMBRE
188
86
MEDIA
32
70
106
CORRIO
NO FUMA
HOMBRE
180
77
MEDIA
33
64
62
NO CORRIO
NO FUMA
HOMBRE
191
73
ALTA
34
62
68
NO CORRIO
FUMA
HOMBRE
185
70
MEDIA
35
54
50
NO CORRIO
NO FUMA
HOMBRE
175
73
MEDIA
36
62
66
NO CORRIO
NO FUMA
MUJER
165
55
ALTA
37
60
70
NO CORRIO
FUMA
HOMBRE
182
74
MEDIA
38
84
84
CORRIO
NO FUMA
HOMBRE
183
68
ALTA
39
72
74
NO CORRIO
FUMA
HOMBRE
173
70
ALTA
40
74
84
CORRIO
NO FUMA
HOMBRE
185
75
BAJA
PRESENTACION DE DATOS
ESTADISTICOS
COMO HEMOS DICHO, AL
PLANTEARNOS UN ESTUDIO
ESTADISTICO Y OBTENER LOS
DATOS NECESARIOS, NOS
ENCONTRAMOS QUE
PODEMOS ESTUDIAR
VARIABLES CATEGRICAS
Y/O NUMRICAS
PRESENTACION DE
VARIABLE
CATEGORICA EN
TABLAS Y
GRAFICOS.-
NOS PREGUNTAMOS CUANTAS

VARIABLES MOSTRAMOS
1 variable
Varias variable
TABLA
RESUMEN
SUPERTABLA
2 variable
TABLA DE
CONTINGENCIA
CUADRO
ESTADISTICO
GRAFICOS
PORCENTAJES
DEL TOTAL, DE FILAS
Y DE COLUMNAS
PARTES DE UN CUADRO ESTADISTICO
TITULO
NOTA DE
CALCE
Encabezado
y
sub.encabezado
CUERPO
Columna
Matriz o
concepto
FUENTE
Nota al pie
1.-TITULO.- Se coloca siempre sobre el cuadro, ya que

leemos de arriba hacia abajo.- Si el titulo es muy largo,
se coloca en forma de pirmide truncada.Un titulo debe responder a cuatro preguntas bsicas:
QUE?, que es lo que queremos mostrar.DONDE?, se refiere al lugar donde fueron obtenidos.COMO?, se refiere a como queremos mostrar los datos.CUANDO?, hace referencia cuando fueron obtenidos los
datos.-
2.-ENCABEZADO
Y
SUBENCABEZADOS .Son
las
denominaciones de las columnas y responde al
Como del titulo.- Una columna puede tener
3.-COLUMNA MATRIZ O CONCEPTO .Son las denominaciones de la filas.- Responde

tambin al Como del titulo.4.-CUERPO .- Son las diversas casillas donde
se colocan los datos.5.-FUENTE .Nos indica la institucin,
investigacin o el texto de donde provienen los
datos.- Nos sirve para saber donde consultar, si
queremos ms informacin o si deseamos
presentar alguna disconformidad o aclaracin.-
Las cinco partes mencionadas nunca deben faltar al

elaborarse un cuadro estadstico.- Hay dos partes
restantes que pueden ir o no segn el cuadro
estadstico que elaboremos.-
NOTA DE CALCE .- Se coloca entre el titulo y

el cuadro estadstico, hace referencia a como
debemos leer los datos del cuerpo del cuadro.Por ejemplo, (en %), (en miles), etc.NOTA AL PIE .- Hace referencia a como leer
algunos smbolos que pueden aparecer en el
cuerpo del cuadro, por ejemplo, (-) dato no
relevado, (*) dato estimado, etc.-
CUADRO RESUMEN. Ejemplo

Supongamos que se selecciono en el Parque Industrial de cierta
ciudad una muestra de 120 personas, Marzo 2005 y se les
pregunto en que rea trabajaban.- Resulto la siguiente tabla:
Personal del Parque Industrial,
segn rea de trabajo.
Marzo 2005
TAREA
TOTAL
Montaje
28
Calidad
11
Mantenimiento
23
Armado
19
Diseo
15
Otras tareas
24
TOTAL
120
Fuente: Elaboracin propia
Frecuencia
absoluta
Explicamos un Cuadro Resumen agregado

columna con los porcentajes del total.Personal del Parque Industrial, segn
rea de trabajo. Marzo 2005
TAREA
TOTAL
Montaje
28
23,3
Calidad
11
9,2
Mantenimiento
23
19,2
Armado
19
15,8
Diseo
15
12,5
Otras tareas
24
20,0
TOTAL
120
100,0
% del total
una
Frec.
Relativa
%
19/120 *100
Si queremos presentar un cuadro resumen en grficos,

recurrimos al grfico de sectores o un grfico de barras
simples.-
Personal del Parque Industrial, segn rea de

trabajo. Marzo 2005
Otras tareas
Diseo
Armado
Mantenimiento
Calidad
Montaje
0
10
15
TAREA
20
25
30
GRAFICO DE SECTORES.-
Personal del Parque Industrial, segn rea de trabajo.

Marzo 2005
20%
23%
13%
9%
16%
Montaje
Calidad
Mantenimiento
19%
Armado
Diseo
Otras tareas
EJERCICIO PARA HACER EN CLASE.-
Se pidi a los alumnos de un curso sobre Los

Fundamentos de la INGENIERIA, de la UNLAR, llenar un
cuestionario de evaluacin del curso al final del mismo.Consiste en una diversidad de preguntas cuyas
respuestas se clasifican en cinco categora.- Una de las
preguntas es, En comparacin con otros cursos que ha
estudiado, cual es la calidad general de ste?Mala
Regular
Buena
Muy Buena
Excelente
En una muestra de 60 alumnos que terminaron el curso

mencionado se obtuvieron las siguientes respuestas.Para facilitar el procesamiento del cuestionario en
computadora se us una escala numrica en la que:
1 = Mala 2 = Regular
5 = Excelente
3 = Buena 4 = Muy Buena

Los datos fueron:
3
4
4
5
5
4
4
5
5
5
4
3
4
3
4
3
3
5
5
4
2
4
5
3
1
4
5
5
4
4
5
4
4
5
4
4
3
5
2
2
3
3
4
5
4
4
5
5
5
4
4
3
4
3
a) Comente de que tipo son estos datos.b) Cual es el nivel de medicin.c) Agrupe la informacin.d) Explique la informacin.e) Comente y realice un grfico para esta informacin.-
2
1
4
4
5
3
TABLA DE CONTINGENCIA.Supongamos que ahora a la muestra de empleados se observo el

sexo y se registro la informacin:
TAREA
Sexo
Varn
TOTAL
Mujer
Montaje
16
12
28
Calidad
11
Mantenimiento
13
10
23
Armado
15
19
Diseo
10
15
Otras tareas
17
24
TOTAL
69
51
120
Frecuencias
Conjuntas
absolutas
Frecuencias
Marginales
absolutas
Personal del Parque Industrial, segn

rea de trabajo y sexo. Marzo 2005
Otras
Diseo
Armado
Mujeres
Varones
Mantenimiento
Calidad
Montaje
0
10
15
20
Analizamos una tabla de contingencia, segn lo que queremos

explicar.Porcentajes segn las tareas que realizan.TAREA
SEXO
TOTAL
Varn
Mujer
Montaje
57,0
43,0
100,0
Calidad
27,3
72,7
100,0
Mantenimiento
56,5
43,5
100,0
Armado
78,9
21,1
100,0
Diseo
33,3
66,7
100,0
Otras tareas
70,8
29,2
100,0
TOTAL
57,5
42,5
100,0
Porcentajes segn el sexo de los empleados.TAREAS
SEXO
TOTAL
Varn
Mujer
Montaje
23,4
23,5
23,3
Calidad
4,3
15,7
9,2
Mantenimiento
18,8
19,6
19,2
Armado
21,7
7,8
15,8
Diseo
7,2
19,6
12,5
Otras tareas
24,6
13,7
20,0
TOTAL
100,0
100,0
100,0
Fuente: Elaboracin propia.-
Porcentajes segn el total general

TAREAS
SEXO
Varn
Mujer
Montaje
13,3
10,0
Calidad
25,0
6,7
Mantenimiento
10,8
8,3
Armado
12,5
3,3
Diseo
4,2
8,3
Otras tareas
14,2
5,8
Fuente: Elaboracin propia.-
EJERCICIO PARA HACER EN CLASE.-
Se tomo una muestra al azar de 100 alumnos

de la UNLAR.- Se registro el sexo y lugar de
nacimiento:
Lugar
Sexo Lugar
Sexo
Lugar
Sexo
Capital
Chamical
Chilecito
Villa Unin
Capital
Chepes
Capital
Chilecito
Otra
Capital
Tama
Capital
Chilecito
Capital
Aimogasta
Chepes
Otra
Chamical
Capital
Chamical
Otra
Aimogasta
Otra
Villa Unin
Chamical
Aimogasta
Chepes
Lugar
Sexo Lugar
Sexo
Lugar
Sexo
Chilecito
Capital
Chepes
Aimogasta
Chilecito
Capital
Villa Unin
Otra
Capital
Capital
Aimogasta
Capital
Capital
Chilecito
Otra
Chilecito
Chepes
Chamical
Chepes
Capital
Chilecito
Chamical
Villa Unin
Villa Unin
Otra
Chepes
Otra
Capital
Aimogasta
Capital
Otra
Capital
Capital
Capital
Chilecito
Chepes
Chilecito
Chamical
Chilecito
Aimogasta
Otra
Chamical
Otra
Capital
Aimogasta
Lugar
Sexo Lugar
Sexo
Lugar
Sexo
Chilecito
Capital
Villa Unin
Aimogasta
Aimogasta
Otra
Otra
Tama
Chilecito
Capital
Otra
Chamical
Chepes
Capital
Aimogasta
Chamical
Aimogasta
Otra
Villa Unin
Otra
Capital
Tama
Chilecito
Otra
Chilecito
Otra
Chepes
Otra
VEAMOS LO QUE HEMOS VISTO

HASTA AHORA USANDO UN
PAQUETE ESTADISTICO COMO,
MINITAB Y EXCEL PARA LOS
GRAFICOS.-
PARA VER APLICACIN

USAREMOS LA MATRIZ
MUESTRAL DE LOS 40 ALUMNOS
QUE HEMOS OBTENIDO
ANTERIORMENTE.-
RECORDEMOS LA MATRIZ DE
MUESTRA ALEATORIA DE 40
ALUMNOS DE UNA POBLACIN DE 92
ALUMNOS:
Esta es la matriz muestral para empezar a

trabajar los mtodos estadsticos.Pulso1
Pulso2
Corri
Fuma
Sexo
Alto
Peso
Actividad
78
80
NO CORRIO
NO FUMA
MUJER
173
60
BAJA
78
78
NO CORRIO
NO FUMA
MUJER
170
52
MEDIA
90
88
NO CORRIO
FUMA
HOMBRE
170
64
MEDIA
80
74
NO CORRIO
NO FUMA
MUJER
163
46
MEDIA
62
58
CORRIO
NO FUMA
HOMBRE
183
79
ALTA
87
84
NO CORRIO
NO FUMA
MUJER
160
43
ALTA
58
70
CORRIO
NO FUMA
HOMBRE
183
66
MEDIA
70
66
NO CORRIO
FUMA
HOMBRE
191
86
MEDIA
66
102
CORRIO
NO FUMA
HOMBRE
178
59
MEDIA
72
68
NO CORRIO
NO FUMA
MUJER
173
50
MEDIA
70
72
CORRIO
FUMA
HOMBRE
185
77
ALTA
88
74
NO CORRIO
FUMA
MUJER
165
61
MEDIA
72
70
NO CORRIO
NO FUMA
HOMBRE
180
64
MEDIA
82
80
NO CORRIO
NO FUMA
MUJER
160
53
BAJA
70
70
NO CORRIO
NO FUMA
HOMBRE
178
68
MEDIA
66
76
NO CORRIO
NO FUMA
MUJER
165
52
MEDIA
76
76
NO CORRIO
NO FUMA
HOMBRE
183
98
MEDIA
68
68
NO CORRIO
NO FUMA
MUJER
175
68
MEDIA
70
94
CORRIO
FUMA
HOMBRE
191
84
MEDIA
68
64
NO CORRIO
NO FUMA
HOMBRE
177
68
ALTA
74
76
CORRIO
NO FUMA
HOMBRE
178
71
MEDIA
92
94
NO CORRIO
FUMA
HOMBRE
175
68
MEDIA
90
94
CORRIO
FUMA
HOMBRE
188
73
BAJA
84
80
NO CORRIO
NO FUMA
MUJER
165
54
BAJA
76
118
CORRIO
NO FUMA
HOMBRE
180
63
MEDIA
100
115
CORRIO
FUMA
MUJER
160
55
MEDIA
64
80
CORRIO
NO FUMA
HOMBRE
175
70
MEDIA
66
82
CORRIO
FUMA
HOMBRE
175
79
MEDIA
61
70
NO CORRIO
NO FUMA
MUJER
166
54
MEDIA
78
76
NO CORRIO
NO FUMA
HOMBRE
183
82
ALTA
68
72
CORRIO
NO FUMA
HOMBRE
188
86
MEDIA
70
106
CORRIO
NO FUMA
HOMBRE
180
77
MEDIA
64
62
NO CORRIO
NO FUMA
HOMBRE
191
73
ALTA
62
68
NO CORRIO
FUMA
HOMBRE
185
70
MEDIA
54
50
NO CORRIO
NO FUMA
HOMBRE
175
73
MEDIA
62
66
NO CORRIO
NO FUMA
MUJER
165
55
ALTA
60
70
NO CORRIO
FUMA
HOMBRE
182
74
MEDIA
84
84
CORRIO
NO FUMA
HOMBRE
183
68
ALTA
72
74
NO CORRIO
FUMA
HOMBRE
173
70
ALTA
74
84
CORRIO
NO FUMA
HOMBRE
185
75
BAJA
Total de alumnos segn si corri o no
Situacin
Total Alumnos % del Total
Corri
15
37,5
No Corri
25
62,5
TOTAL
40
100.0

Total de alumnos segn si corri o no
Total de alumnos segn fuman
Situacin
Total
Alumnos
% del
Total
Fuma
12
30
No Fuma
28
70
TOTAL
40
100.0
Total de alumnos segn sexo
Sexo
Total alumnos
% del Total
Hombre
27
67,5
Mujer
13
32,5
Total
40
100.0
Fuente: elaboracin propia
Total de alumnos segn actividad

ACTIVIDAD
TOTAL ALUMNOS
% DEL TOTAL
ALTA
22,5
MEDIA
26
65,0
BAJA
12,5
TOTAL
40
100.0
Fuente: elaboracin propia.-
TOTAL ALUMNOS SEGN SI CORRIO Y SEXO
Hombre
Mujer
Total
Corri
14
15
No Corri
13
12
25
Total
27
13
40
FUENTE: ELABORACIN PROPIA
TOTAL ALUMNOS SEGN SI CORRIO O NO Y SEXO

Hombre
Mujer
Total
93,33
6,67
100,00
No corri
52,00
48,00
100,00
Total
67,50
32,50
100,00
Corri
DEL TOTAL QUE CORRIO EL 93% FUERON HOMBRES

DEL TOTAL QUE NO CORRIO EL 48% FUERON MUJERES
TOTAL ALUMNOS SEGN SI CORRIO O NO Y SEXO
TOTAL ALUMNOS SEGN SEXO Y SI CORRIO

(en %)
Hombre
Mujer
51,85
7,69
No Corri
48,15
92,31
Total
100,00
100,00
Corri

DEL TOTAL DE HOMBRES EL 48% NO CORRIO
DEL TOTAL DE MUJERES EL 8% CORRIO
TOTAL ALUMNOS SEGN SEXO Y SI CORRIO
TOTAL ALUMNOS SEGN SI CORRIO Y SEXO

(en %)
Hombre
Mujer
Total
35,00
2,50
37,50
No Corri
32,50
30,00
62,50
Total
67,50
32,50
100,00
Corri

DEL TOTAL DE ALUMNOS EL 35% CORRIO Y SON HOMBRES
DEL TOTAL DE ALUMNOS EL 30% SON MUJERES QUE NO CORRIO
TOTAL ALUMNOS SEGN SI FUMAY SEXO

HOMBRE
MUJER
TOTAL
FUMA
10
12
NO FUMA
17
11
28
TOTAL
27
13
40
DEL TOTAL DE ALUMNOS 10 SON HOMBRE Y FUMAN

DEL TOTAL DE ALUMNOS 28 NO FUMAN
TOTAL ALUMNOS FUMAN O NO Y SEXO

(en %)
FUMA
NO FUMA
TOTAL
HOMBRE
MUJER
TOTAL
83,33
60,71
16,67
100,00
39,29
32,50
100,00
67,50
100,00
DEL TOTAL DE ALUMNOS QUE FUMAN EL 83% SON HOMBRES

DEL TOTAL DE ALUMNOS QUE NO FUMAN EL 39% SON MUJERES
TOTAL ALUMNOS FUMAN O NO Y SEXO
TOTAL ALUMNOS POR SEXO SEGN FUMAN

O NO
(en %)
HOMBRE
MUJER
TOTAL
15,38
30,00
NO FUMA
37,04
62,96
70,00
TOTAL
100,00
84,62
100,00
FUMA
100,00
DEL TOTAL DE ALUMNOS HOMBRES EL 37% FUMAN

DEL TOTAL DE ALUMNOS MUJER EL 85% NO FUMAN
TOTAL ALUMNOS POR SEXO SEGN FUMAN

O NO
TOTAL ALUMNOS SEGN SI FUMAN Y SEXO

(EN %)
FUMA
NO FUMA
TOTAL
HOMBRE
MUJER
TOTAL
25,00
42,50
5,00
30,00
27,50
32,50
70,00
67,50
100,00
DEL TOTAL DE ALUMNOS EL 28% SON MUJERES QUE NO

FUMAN
DEL TOTAL DE ALUMNOS EL 25% SON HOMBRES QUE FUMAN
TOTAL DE ALUMNOS SEGN SEXO Y TIPO DE

ACTIVIDAD
ACTIVIDAD
ALTA
MEDIA
BAJA
TOTAL
HOMBRE
27
MUJER
18
8
TOTAL
9
5
26
13
40
TENEMOS 18 ALUMNOS QUE SON HOMBRE Y TIENEN BAJA

ACTIVIDAD
CINCO ALUMNOS TIENEN ACTIVIDAD MEDIA
13 ALUMNOS SON MUJERES

ACTIVIDAD
(EN %)
ACTIVIDAD
HOMBRE
ALTA
MEDIA
BAJA
TOTAL
25,93
15,38
7,41
66,67
100,00
61,54
23,08
TOTAL
22,50
12,50
65,00
MUJER
100,00
100,00
DEL TOTAL DE HOMBRES EL 26% TIENEN ACTIVIDAD ALTA

DEL TOTAL DE MUJERES EL 23% TIENE ACTIVIDAD MEDIA
DEL TOTAL DE ALUMNOS EL 65% TIENEN ACTIVIDAD BAJA

ACTIVIDAD
TOTAL DE ALUMNOS SEGN TIPO DE

ACTIVIDAD Y SEXO
(EN %)
ACTIVIDAD
HOMBRE
ALTA
MEDIA
BAJA
TOTAL
77,78
40
69,23
30,77
67,5
100
100
60
22,22
TOTAL
100
100
MUJER
32,5
DEL TOTAL DE ALUMNOS CON ACTIVIDAD ALTA EL 22% SON

MUJERES
DEL TOTAL DE ALUMNOS CON BAJA ACTIVIDAD EL 69% SON
HOMBRES
TOTAL DE ALUMNOS SEGN TIPO DE

ACTIVIDAD Y SEXO

ACTIVIDAD
(EN %)
ACTIVIDAD
HOMBRE
ALTA
MEDIA
BAJA
TOTAL
17,50
5,00
5,00
45,00
67,50
20,00
32,50
65,00
100,00
7,50
TOTAL
22,50
12,50
MUJER
DEL TOTAL DE ALUMNOS EL 18% SON HOMBRES CON

ACTIVIDAD ALTA
DEL TOTAL DE ALUMNOS EL 8% SON MUJERES CON ACTIVIDAD
MEDIA
TOTAL DE ALUMNOS SEGN FUMAN Y TIPO

DE ACTIVIDAD
ACTIVIDAD
FUMA
ALTA
BAJA
MEDIA
TOTAL
9
17
12
28
26
40
4
7
TOTAL
9
5
NO FUMA
TENEMOS 12 ALUMNOS QUE FUMAN

TENEMOS 7 ALUMNOS QUE NO FUMAN Y TIENEN ALTA ACTIVIDAD
TOTAL DE ALUMNOS SEGN FUMAN Y TIPO DE

ACTIVIDAD
(EN %)
ACTIVIDAD
ALTA
16,67
NO FUMA 25,00
FUMA
TOTAL
22,50
BAJA
MEDIA
TOTAL
8,33
75,00
100,00
14,29
60,71
65,00
100,00
12,50
100,00
DEL TOTAL DE ALUMNOS QUE FUMAN EL 17% TIENE ACTIVIDAD

ALTA
DEL TOTAL DE ALUMNOS QUE NO FUMAN EL 61% TIENEN
ACTIVIDAD MEDIA

ACTIVIDAD
TOTAL DE ALUMNOS SEGN TIPO DE ACTIVIDAD Y SI

FUMAN
(EN %)
ACTIVIDAD
ALTA
BAJA
MEDIA
TOTAL
FUMA
22,22
34,62
30,00
NO FUMA
77,78
20,00
80,00
70,00
TOTAL
100,00
100,00
65,38
100,00
100,00
DEL TOTAL DE ALUMNOS CON BAJA ACTIVIDAD EL 20% FUMAN

DEL TOTAL DE ALUMNOS CON ACTIVIDAD MEDIA EL 65% NO
FUMAN

ACTIVIDAD

ACTIVIDAD
(EN %)
ACTIVIDAD
ALTA
BAJA
MEDIA
TOTAL
2,50
22,50
30,00
NO FUMA
5,00
17,50
10,00
70,00
TOTAL
22,50
12,50
42,50
65,00
FUMA
100,00
DEL TOTAL DE ALUMNOS EL 5% FUMAN Y TIENEN ALTA

ACTIVIDAD
DEL TOTAL DE ALUMNOS EL 43% NO FUMAN Y TIENEN ACTIVIDAD
MEDIA
DIAGRAMA
DE
PARETO
El diagrama de Pareto es una grfica en donde se

organizan diversas clasificaciones de datos por orden
descendente, de izquierda a derecha por medio de
barras sencillas despus de haber reunido los datos
para calificar las causas.- De modo que se pueda
asignar un orden de prioridades.El nombre de Pareto fue dado por el Dr. Joseph Jurn en
honor al economista Wilfredo Pareto (1848-1923) quien
realiz un estudio sobre la distribucin de la riqueza, en
el cual descubri que la minora de la poblacin posea
la mayor parte de la riqueza y la mayora de la
poblacin posea la menor parte de la riqueza.- Con
esto estableci la llamada Ley de Pareto segn la cual
la desigualdad econmica es inevitable en cualquier
sociedad.-
El Dr. Juran aplic este concepto a la calidad,

obtenindose lo que hoy se conoce como la regla 80/20.De este concepto, si se tiene un problema con muchas
causas, podemos decir que el 20 % de las causas
resuelven el 80% del problema y el 80% de las causas
solo resuelven el 20% del problema.Una grfica de Pareto es utilizada para separar
grficamente los aspectos significativos de un problema
desde los triviales de manera que un equipo sepa donde
dirigir sus esfuerzos para mejorar.Reducir
los
problemas ms significativos (las barras ms largas en
una grfica de Pareto) servir ms para una mejora
general que reducir los ms pequeos.Con frecuencia un aspecto tendr el 80% de los
problemas.- En el resto de los casos, entre 2 y 3
aspectos sern responsables por el 80% de los
problemas.-
Cuando se utiliza?
Al identificar un producto o servicio para el anlisis
para mejorar la calidad. Cuando existe la necesidad de llamar la atencin a los
problemas o causas de una forma sistemtica. Al identificar oportunidades para mejorar. Al analizar las diferentes agrupaciones de datos, (ej: por
productos, por segmento, del mercado, rea geogrfica,
etc). Al buscar las causas principales de los problemas y
establecer la prioridad de las soluciones. Al evaluar los resultados de los cambios efectuados a
un proceso (antes y despus). Cuando los datos pueden clasificarse en categoras. Cuando el rango de cada categora es importante.-
Pareto es una herramienta de anlisis de datos ampliamente

utilizada y es por lo tanto til en la determinacin de la causa
principal durante un esfuerzo de resolucin de problemas.- Este
permite ver cuales son los problemas ms grandes, permitindoles a
los grupos establecer prioridades.- En casos tpicos, los pocos
(pasos, servicios, tems, problemas, causas) son responsables por
la mayor parte el impacto negativo sobre la calidad.Un equipo puede utilizar la Grfica de Pareto para varios propsitos
durante un proyecto para lograr mejoras:
Para analizar las causas.-
Para estudiar los resultados.-
Para planear una mejora continua.-
Los grficos de Pareto son especialmente valiosas como fotos de

antes y despus para demostrar que progreso se ha logrado.Como tal, la Grfica de Pareto es una herramienta sencilla pero
poderosa.-
Cmo se utiliza?
Seleccionar categoras lgicas para el tpico de anlisis
identificado (incluir el perodo de tiempo). Reunir datos.- La utilizacin de un Check List puede ser
de mucha ayuda en este paso. Ordenar los datos de la mayor categora a la menor. Totalizar los datos para todas las categoras. Calcular porcentaje del total que cada categora
representa. Trazar los ejes horizontales (X) y verticales (Y primario;
Y secundario). Trazar la escala vertical izquierdo para frecuencia (de 0
al total, segn se calculo anteriormente).-
De izquierda a derecha trazar las barras para cada

categora en orden descendente.- Si existe una categora
otros, debe ser colocada al final, sin importar su valor.Es decir, que no debe tenerse en cuenta al momento de
ordenar de mayor a menor la frecuencia de las categoras.Trazar la escala del eje vertical derecho para el porcentaje
acumulativo, comenzando por el 0 y a el 100%.Trazar el grfico lineal para el porcentaje acumulado,
comenzando en la parte superior de la barra de la primera
categora (la ms alta).Dar un titulo al grfico, agregar las fechas de cuando los
datos fueron reunidos y citar la fuente de los datos.Analizar la grfica para determinar los pocos importantes.-
Consejos
para
Interpretacin.-
la
construccin.-
Como hemos visto, un Diagrama de Pareto es un grfico

de barras que enumera las categoras en orden
descendente de izquierda a derecha, el cual puede ser
utilizado por un equipo para analizar causas, estudiar
resultados y planear una mejora continua.Dentro de las dificultades que se pueden presentar al
tratar de interpretar el Diagrama de Pareto es que algunas
veces los datos no indican una clara distincin entre las
categoras.- Esto puede verse en el grfico cuando todas
las barras son ms o menos de la misma altura.Otra dificultad es que se necesita ms de la mitad de las
categoras para sumar ms del 60% del efecto de calidad,
por lo que un buen anlisis e interpretacin depende en
su gran mayora de un buen anlisis previo de las causas
Veamos un ejemplo de aplicacin.Un fabricante de heladeras desea analizar cuales son los defectos
ms frecuentes que aparecen en las unidades al salir de la lnea de
produccin.- Para esto, empez por clasificar todos los defectos
posibles en sus diversos tipos:
TIPOS DE DEFECTOS
Motor no detiene
DETALLE DEL PROBLEMA

No para el motor cuando alcanza temperatura
No enfra
El motor arranca pero la heladera no enfria
Burlete defectuoso
Burlete roto o deforme que no ajusta
Pintura defectuosa
Defectos de pintura en superficie externa
Rayas
Rayas en las superficies externas
No funciona
Al enchufar no arranca el motor
Puerta no cierra
La puerta no cierra correctamente
Gavetas defectuosa
Gavetas interiores con rajaduras
Motor no arranca
El motor no arranca despus de ciclo de parada
Mala nivelacin
La heladera se balancea y no se puede nivelar
Puerta defectuosa
Puerta del refrigerador no cierra hermticamente
Otros
Otros defectos no incluidos en los anteriores
Posteriormente un inspector revisa cada heladera que sale de

produccin registrando sus defectos de acuerdo con dichos tipos, .Despus de inspeccionar 88 heladeras se obtuvo una tabla como
esta:
TIPO DE DEFECTO
Burlete defectuoso
Pintura defectuosa
Defectos de pintura en superficie exterior
Gavetas defectuosas
Mal Nivelacin
La heladera se balancea y no se puede cerrar
Motor no arranca
El motor no arranca despus de ciclos de paradas
Motor no se detiene
36
No enfra
El motor arranca pero la heladera no enfra
27
No funciona
Otros
Puerta defectuosa
Puerta no cierra
Rayas
Rayas en la superficie externas
TOTAL
Frec.
88
La ltima columna muestra el nmero de heladeras que presentaban

cada tipo de defectos, es decir, la frecuencia con que se presenta
cada defectos.- En lugar de la frecuencia numrica utilizar la
frecuencia porcentual, es decir, el % de heladeras en cada tipo de
defectos:
TIPO DE DEFECTO
Burlete defectuoso
10,2
Pintura defectuosa
5,7
Gavetas
defectuosas
1,1
Mal Nivelacin
1,1
Motor no arranca
1,1
Motor no se detiene
36
40,9
No enfra
27
30,7
No funciona
2,3
Otros
0,0
Puerta defectuosa
0,0
Puerta no cierra
2,3
Rayas
4,5
88
100,0
TOTAL
Frec.
Frec.%
Podemos ahora presentar los datos en un grfico como el siguiente:
Para que quede ms prolijo podemos usar barras

horizontales.-
Pero, Cules son los defectos que aparecen con mayor

frecuencia?.- Para hacerlo ms evidente, antes de graficar podemos
ordenar los datos de la tabla en orden decreciente de frecuencia:
TIPO DE DEFECTO
Motor no se detiene
36
40,9
No enfra
27
30,7
Burlete defectuoso
10,2
Pintura defectuosa
5,7
Rayas
4,5
No funciona
2,3
Puerta no cierra
2,3
Gavetas defectuosas
1,1
Mal Nivelacin
1,1
Motor no arranca
1,1
Otros
0,0
Puerta defectuosa
0,0
88
100,0
TOTAL
Frec.
Frec.%
Pareto Chart of TIPO DE DEFECTO

90
100
80
Count
60
60
50
40
40
30
20
20
10
TIPO DE DEFECTO
Count
Percent
Cum %
36
27
9
5
4
2
2
3
40,9 30,7 10,2 5,7 4,5 2,3 2,3
3,4
40,9 71,6 81,8 87,5 92,0 94,3 96,6 100,0
Percent
80
70
Vemos que la categora otros siempre debe ir al final,

sin importar su valor.- De esta manera, si hubiese
tenido un valor ms alto, igual debera haberse ubicado
en la ltima fila.Ahora resulta evidente cuales son los tipos de defectos
ms frecuentes.- Podemos observar que los tres
primeros tipos de defectos se presentan en el 82% de
las heladeras, aproximadamente.-
Por el principio de Pareto, concluimos que: La

mayor parte de los defectos encontrados en el
lote pertenece a solo tres tipos de defectos, de
manera que si se eliminan las causas que los
provocan desaparecera la mayor parte de los
defectos.-
VER EJERCICIO DE CARCASA Minitab

A partir del contenido de una plantilla de
recogida de datos, se ha construido el
archivo de Carcasa, con el siguiente
contenido:
Columna
Nombre
Contenido
C1
Defectos
C2
Das
C3
Turnos
C4
Operario
Operario en que se ha producido el defecto
C5
Mquina
Mquina en la que se ha producido el

defecto
Relacin de todos los defectos que se han

detectado
Da de la semana en que se ha producido el
defecto
Turno en que se ha producido el defecto
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
RAYAS
LUNES
MAANA
RAYAS
LUNES
MAANA
SOPLADURA
LUNES
MAANA
FORMA
LUNES
MAANA
RAYAS
LUNES
MAANA
SOPLADURA
LUNES
MAANA
SOPLADURA
LUNES
MAANA
FORMA
LUNES
MAANA
RAYAS
LUNES
MAANA
10
RAYAS
LUNES
MAANA
11
SOPLADURA
LUNES
MAANA
12
RAYAS
LUNES
MAANA
13
RAYAS
LUNES
MAANA
14
SOPLADURA
LUNES
MAANA
15
RAYAS
LUNES
TARDE
16
SOPLADURA
LUNES
TARDE
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
17
RAYAS
LUNES
TARDE
18
RAYAS
LUNES
TARDE
19
RAYAS
LUNES
TARDE
20
SOPLADURA
LUNES
TARDE
21
SOPLADURA
LUNES
TARDE
22
RAYAS
LUNES
TARDE
23
RAYAS
LUNES
TARDE
24
SOPLADURA
LUNES
TARDE
25
RAYAS
LUNES
TARDE
26
SOPLADURA
LUNES
TARDE
27
RAYAS
MARTES
MAANA
28
RAYAS
MARTES
MAANA
29
RAYAS
MARTES
MAANA
30
RAYAS
MARTES
MAANA
31
RAYAS
MARTES
MAANA
32
RAYAS
MARTES
MAANA
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
33
RAYAS
MARTES
MAANA
34
RAYAS
MARTES
MAANA
35
RAYAS
MARTES
MAANA
36
SOPLADURA
MARTES
MAANA
37
SOPLADURA
MARTES
MAANA
38
RAYAS
MARTES
MAANA
39
RAYAS
MARTES
MAANA
40
RAYAS
MARTES
MAANA
41
RAYAS
MARTES
MAANA
42
RAYAS
MARTES
TARDE
43
SOPLADURA
MARTES
TARDE
44
SOPLADURA
MARTES
TARDE
45
RAYAS
MARTES
TARDE
46
RAYAS
MARTES
TARDE
47
RAYAS
MARTES
TARDE
48
SOPLADURA
MARTES
TARDE
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
49
SOPLADURA
MARTES
TARDE
50
FORMA
MARTES
TARDE
51
RAYAS
MARTES
TARDE
52
RAYAS
MARTES
TARDE
53
RAYAS
MARTES
TARDE
54
FORMA
MARTES
TARDE
55
RAYAS
MIERCOLES
MAANA
56
RAYAS
MIERCOLES
MAANA
57
RAYAS
MIERCOLES
MAANA
58
SOPLADURA
MIERCOLES
MAANA
59
SOPLADURA
MIERCOLES
MAANA
60
SOPLADURA
MIERCOLES
MAANA
61
FORMA
MIERCOLES
MAANA
62
RAYAS
MIERCOLES
MAANA
63
RAYAS
MIERCOLES
MAANA
64
RAYAS
MIERCOLES
MAANA
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
65
RAYAS
MIERCOLES
MAANA
66
RAYAS
MIERCOLES
MAANA
67
RAYAS
MIERCOLES
MAANA
68
SOPLADURA
MIERCOLES
MAANA
69
SOPLADURA
MIERCOLES
MAANA
70
FORMA
MIERCOLES
MAANA
71
RAYAS
MIERCOLES
MAANA
72
RAYAS
MIERCOLES
MAANA
73
RAYAS
MIERCOLES
MAANA
74
RAYAS
MIERCOLES
MAANA
75
RAYAS
MIERCOLES
MAANA
76
RAYAS
MIERCOLES
MAANA
77
RAYAS
MIERCOLES
MAANA
78
RAYAS
MIERCOLES
MAANA
79
FORMA
MIERCOLES
MAANA
80
TERMINACIO
MIERCOLES
MAANA
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
81
RAYAS
MIERCOLES
TARDE
82
RAYAS
MIERDOLES
TARDE
83
RAYAS
MIERCOLES
TARDE
84
RAYAS
MIERCOLES
TARDE
85
SOPLADURA
MIERCOLES
TARDE
86
SOPLADURA
MIERCOLES
TARDE
87
SOPLADURA
MIERCOLES
TARDE
88
RAYAS
MIERCOLES
TARDE
89
RAYAS
MIERCOLES
TARDE
90
RAYAS
MIERCOLES
TARDE
91
RAYAS
MIERCOLES
TARDE
92
RAYAS
MIERCOLES
TARDE
93
RAYAS
MIERCOLES
TARDE
94
SOPLADURA
MIERCOLES
TARDE
95
FORMA
MIERCOLES
TARDE
96
RAYAS
MIERCOLES
TARDE
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
97
RAYAS
MIERCOLES
TARDE
98
RAYAS
MIERCOLES
TARDE
99
RAYAS
MIERCOLES
TARDE
100
RAYAS
MIERCOLES
TARDE
101
RAYAS
MIERCOLES
TARDE
102
SOPLADURA
MIERCOLES
TARDE
103
RAYAS
MIERCOLES
TARDE
104
RAYAS
MIERCOLES
TARDE
105
RAYAS
MIERCOLES
TARDE
106
RAYAS
MIERCOLES
TARDE
107
RAYAS
MIERCOLES
TARDE
108
SOPLADURA
MIERCOLES
TARDE
109
RAYAS
JUEVES
MAANA
110
RAYAS
JUEVES
MAANA
111
RAYAS
JUEVES
MAANA
112
RAYAS
JUEVES
MAANA
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
113
SOPLADURA
JUEVES
MAANA
114
FORMA
JUEVES
MAANA
115
FORMA
JUEVES
MAANA
116
RAYAS
JUEVES
MAANA
117
RAYAS
JUEVES
MAANA
118
RAYAS
JUEVES
MAANA
119
RAYAS
JUEVES
MAANA
120
RAYAS
JUEVES
MAANA
121
SOPLADURA
JUEVES
MAANA
122
RAYAS
JUEVES
MAANA
123
RAYAS
JUEVES
MAANA
124
RAYAS
JUEVES
MAANA
125
FORMA
JUEVES
MAANA
126
RAYAS
JUEVES
MAANA
127
RAYAS
JUEVES
TARDE
128
SOPLADURA
JUEVES
TARDE
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
129
SOPLADURA
JUEVES
TARDE
130
RAYAS
JUEVES
TARDE
131
RAYAS
JUEVES
TARDE
132
RAYAS
JUEVES
TARDE
133
SOPLADURA
JUEVES
TARDE
134
FORMA
JUEVES
TARDE
135
FORMA
JUEVES
TARDE
136
RAYAS
JUEVES
TARDE
137
FORMA
JUEVES
TARDE
138
RAYAS
JUEVES
TARDE
139
RAYAS
JUEVES
TARDE
140
TERMINACIO
JUEVES
TARDE
141
RAYAS
VIERNES
MAANA
142
RAYAS
VIERNES
MAANA
143
RAYAS
VIERNES
MAANA
144
RAYAS
VIERNES
MAANA
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
145
RAYAS
VIERNES
MAANA
146
RAYAS
VIERNES
MAANA
147
SOPLADURA
VIERNES
MAANA
148
SOPLADURA
VIERNES
MAANA
149
FORMA
VIERNES
MAANA
150
RAYAS
VIERNES
MAANA
151
RAYAS
VIERNES
MAANA
152
TERMINAC
VIERNES
MAANA
153
RAYAS
VIERNES
MAANA
154
RAYAS
VIERNES
MAANA
155
TERMINAC
VIERNES
MAANA
156
TERMINAC
VIERNES
MAANA
157
OTROS
VIERNES
MAANA
158
RAYAS
VIERNES
TARDE
159
RAYAS
VIERNES
TARDE
160
RAYAS
VIERNES
TARDE
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
161
RAYAS
VIERNES
TARDE
162
RAYAS
VIERNES
TARDE
163
RAYAS
VIERNES
TARDE
164
RAYAS
VIERNES
TARDE
165
RAYAS
VIERNES
TARDE
166
RAYAS
VIERNES
TARDE
167
OTROS
VIERNES
TARDE
168
RAYAS
VIERNES
TARDE
169
FORMA
VIERNES
TARDE
170
FORMA
VIERNES
TARDE
171
RAYAS
SABADO
MAANA
172
RAYAS
SABADO
MAANA
173
RAYAS
SABADO
MAANA
174
SOPLADURA
SABADO
MAANA
175
TERMINAC
SABADO
MAANA
176
RAYAS
SABADO
MAANA
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
177
OTROS
SABADO
MAANA
178
RAYAS
SABADO
MAANA
179
RAYAS
SABADO
MAANA
180
SOPLADURA
SABADO
MAANA
181
SOPLADURA
SABADO
TARDE
182
SOPLADURA
SABADO
TARDE
183
FORMA
SABADO
TARDE
184
RAYAS
SABADO
TARDE
185
RAYAS
SABADO
TARDE
186
RAYAS
SABADO
TARDE
187
FORMA
SABADO
TARDE
188
SOPLADURA
SABADO
TARDE
189
RAYAS
SABADO
TARDE
190
SOPLADURA
SABADO
TARDE
191
RAYAS
SABADO
TARDE
192
OTROS
SABADO
TARDE
DEFECTO
DIAS
TURNO
OPERARIO
MAQUINA
193
SOPLADURA
SABADO
TARDE
194
SOPLADURA
SABADO
TARDE
195
RAYAS
SABADO
TARDE
AQU TIENE LOS DATOS PARA

QUE USTED LOS PONGA EN
MINITAB Y REALIZAR LA
PRACTICA VISTA EN CLASE.COMBINE DISTINTAS
SITUACIONES
PRESENTACION DE
VARIABLE
NUMERICA EN
TABLAS Y
GRAFICOS
Hemos dicho que cuando la variable en estudio es numrica

debemos distinguir entre variable discreta y continua.Adems debemos tener en cuenta que en este caso vamos a
estudiar una sola variable numrica por vez, es decir
distribuciones unidimensionales.Otra cosa que debemos tener en claro es que segn la cantidad de
datos que forman nuestra muestra o poblacin segn con lo que
hayamos decidido trabajar, a estos los podemos tratar como:
a) Datos sin agrupar

b1) Sin intervalos
b) Datos agrupados
b2)
Con intervalos
a) Datos sin agrupar.Veamos un ejemplo.- Un experimento en el que un ingeniero agrega

un polmetro de ltex a un mortero de cemento Prtland para
determinar los efectos del polmetro sobre la resistencia a la
tensin en kgf/ cm.- Los datos obtenidos fueron; 16,85
16,40
17,21
16,35
16,52
17,04
16,96
17,15
16,59
16,57 .-
Estos datos se presentan en un diagrama de puntos .Dotplot of C1
16,44
16,56
16,68
16,80
C1
16,92
17,04
17,16
El diagrama de puntos es una grfica muy til para visualizar un

conjunto pequeo de datos, por ejemplo 20 observaciones.- La
grfica permite ver con rapidez y facilidad la ubicacin o tendencia
central de los datos, as como su dispersin o variabilidad.Por ejemplo, ntese que la parte media de los datos est muy
prxima a 16,8 y que los valores de resistencia a la tensin caen
dentro del intervalo definido por los valores 16,3 y 17,2 kgf/cm.A menudo, los diagramas de puntos son tiles al comparar
dos o ms conjunto de datos.- Por ejemplo, los siguientes
son diez de
resistencia a la tensin de un mortero
portland sin modificar:
17,50
17,63
18,25
17,90 17,96 18,15.-
18,00
17,86
17,75
18,22
El diagrama de punto de la siguiente diapositiva muestra

los dos conjuntos de mediciones de resistencia a la
tensin, donde los puntos slidos corresponden al
mortero modificado, y los crculos rojo, al mortero no
modificado.- Ntese que el diagrama de puntos revela de
inmediato que el mortero modificado parece tener una
Dotplot of C1; C2
16,5
16,8
17,1
17,4
Data
17,7
18,0
18,3
Variable
C1
C2
Si el nmero de observaciones es pequeo, a menudo es difcil

identificar algn patrn de variacin especfico; sin embargo, con
frecuencia el diagrama de puntos es til y puede proporcionar
informacin sobre caractersticas pocos usuales de los datos.Cuando el nmero de observaciones es muy grande es
conveniente pensar en otra forma y grficos para tratar los datos.-
VEAMOS OTRO EJEMPLO:

El porcentaje de algodn de una tela que se usa para
fabricar camisas para hombre se dan a continuacin.Realice un diagrama de puntos y comente sobre la
distribucin.34.2
33.6
33.8
34.7
37.8
32.6
35.8
34.6
33.1
34.7
34.2
33.6
36.6
33.1
37.6
33.6
34.5
35.0
33.4
32.5
35.4
34.6
37.3
34.1
35.6
35.4
34.7
34.1
34.6
35.9
34.6
34.7
34.3
36.2
34.6
35.1
33.8
34.7
35.5
35.7
35.1
36.8
35.2
36.8
37.1
33.6
32.8
36.8
34.7
35.1
35.0
37.9
34.0
32.9
32.1
34.3
33.6
35.3
34.9
36.4
34.1
35.5
34.5
32.7
% de algodon en tela para camisas hombres
32,0
32,8
33,6
34,4
35,2
% algodon
36,0
36,8
37,6
b 1 ) Datos agrupados sin intervalos.- Variable

discreta.Vamos a verlo mediante un ejemplo.- Supongamos que una gran
empresa esta pensando crear un incentivo especial por hijo para
sus empleados y para ello pide el siguiente trabajo que consiste
en seleccionar una muestra aleatoria simple de empleados y
observar la cantidad de hijos adolescentes que tienen.- Los
resultados fueron:
4
2
7
8
5
Xi = cantidad de hijos por empleados.Xi variable discreta.Agrupamos en una tabla que llamamos DISTRIBUCIN DE
FRECUENCIA.Xi
Conteo
fi
hi
Fi
Fi%
III
0,0375
3,75
IIIIIIII
0,1000
11
13.75
IIIIIIIIIIIIIII
15
0,1875
26
32,50
IIIIIIIIIIIIIIIIII
18
0,2250
44
55,00
IIIIIIIIIIIIIIIIIIIIII
22
0,2750
66
82,50
IIIIIIIII
0,1125
75
93,75
IIIII
0,0625
80
100,0
80
1,0000
TOTAL
---------
En el analizamos toda la cuarta fila.-
-------- -------------
Xi = es la variable en estudio, me indica cantidad de hijos, 5.fi = hay 18 empleados con 5 hijos.hi = el 22,5 % de los empleados tienen 5 hijos.Fi = hay 44 empleados que tienen entre 2 y 5 hijos.Fi %= el 55,0% de los empleados tienen entre 2 y 5 hijos.Si decidimos mostrar grficamente esta distribucin ser por
medio de un GRAFICO DE BASTONES .fi
25
20
15
10
5
0
Cantidad de hijos
b 2 ) Datos agrupados con intervalos.Variable continua.Para agrupar los datos en una distribucin de frecuencia con
intervalos, debemos pensar varias cosas, como cuantos intervalos
vamos a hacer, que amplitud usamos, etc.- Se recomienda no usar
menos de 5 ni ms de 15 intervalos.- Cuando agrupamos los datos
en intervalos, perdemos la individualidad del dato.a) Sacamos la cantidad de Intervalos ( I ) haciendo:
k
2
Donde k nos indica la cantidad de intervalos a realizar.b) Amplitud a utilizar:

Rx = rango o recorrido de la variable.
Rx =Xi mximo --Ci = amplitud
Ci = Rx / I
Xi mnimo
Debemos ahora determinar con que valor de variable empezamos los

intervalos, para ello definimos el siguiente criterio:
Li
Xi
< Ls
Tomamos el dato donde es lmite inferior y desechamos el superior.-
Veamos un ejemplo.La tabla siguiente representa

la
resistencia a la tensin, en libras por
pulgadas cuadrada (psi) de 80 muestras de
una aleacin de aluminio y litio que esta
siendo evaluada como posible material
para la fabricacin
de elementos
estructurales de aeronaves.-
105
221
183
186
121
181
180
143
97
154
153
174
120
168
167
141
245
228
174
199
181
158
176
110
163
131
154
115
160
208
158
133
207
180
190
193
194
133
156
123
134
178
76
167
184
135
229
146
218
157
101
171
165
172
158
169
199
151
142
163
145
171
148
158
160
175
149
87
160
237
150
135
196
201
200
176
150
170
118
149
= 7
Rx =
245 - 76 = 169
Ci = 169 / 7 = 24,14 25
La distribucin de frecuencia ser:

Li
fi
hi
Fi
Fi %
0,0375
3,75
101 126 llllllll
0,1000
11
13,75
126 151 llllllllllllllll
16
0,2000
27
33,75
151 176
27
0,3375
54
67,50
176 201 lllllllllllllllll
17
0,2125
71
88,75
201 226
lllll
0,0625
76
95,00
226 251 llll
0,0500
80
100,00
80
1,0000
-----------
-----------
Ls
76 101
TOTAL
Conteo
lll
lllllllllllllllllllllllllll
------------
fi = 27.- Significa que 27 muestras de aleacin de

aluminio litio tienen un valor de resistencia a la
tensin entre 151 y 176 psi.hi = 0,3375 .- El 34% de las muestras de aleacin
de aluminio litio tienen valores de resistencia a la
tensin entre 151 y 176 psi.Fi = 54 muestra de aleacin de aluminio litio
tienen un valor de resistencia a la tensin entre
76 y 176 psi.Fi % = 67,50 %.- El 68% de las muestras de
aleacin de aluminio litio tienen un valor de
resistencia a la tensin entre 76 y 176 psi.-
Representacin grfica de una distribucin

de frecuencia con intervalos
HISTOGRAMA
POLIGONO DE
FRECUENCIA
OJIVA O
GRAFICO
DE Fi %
Comentarios sobre los grficos de una

distribucin de frecuencia con intervalos.HISTOGRAMA : es un grfico de barras verticales adyacentes y
me muestra la forma en que se distribuyen los datos que estamos
estudiando.- Todas las barras tienen el mismo ancho y se diferencia
en la altura que corresponde a cada frecuencia absoluta o
frecuencia relativa del intervalo.POLIGONO DE FRECUENCIA : es un grfico lineal.- Los puntos
medios de los intervalos representa los datos de ese intervalo.- Me
cuenta lo mismo que el histograma, como se distribuyen mis
datos.- Es apropiado cuando se quieren comparar distribuciones.OJIVA O GRFICO DE FRECUENCIA ACUMULADA
PORCENTUAL : con este grfico podemos calcular alguna
medidas descriptivas, adems, podemos decir que porcentaje de
observaciones son menores a cierto valor de variable.Veamos estos grficos en el ejemplo que venimos viendo sobre las
muestras de aleacin de aluminio litio en lo que respecta a la
resistencia a la tensin en psi.-
fr e c u e n c i a r e l a ti v a
HISTOGRAMA
0,37
0,28
0,18
0,09
0,00
64
88
112 136
161 185 209
233 257
Res is tencia a la tens in en ps i.-
POLIGONO DE FRECUENCIA CON HISTOGRAMA
0,37
0,28
0,18
0,09
0,00
64
88
112 136
161 185 209
233 257
POLIGONO DE FRECUENCIA
frecuencia relativa
0,37
0,28
0,18
0,09
0,00
64
88
112
136
161
Resistencia a la tensin en psi.-
185
209
233
257
fr e c . r e l . a c u m u l a d a
OJIVA O GRAFICO DE FRECUENCIA ACUMULADA
1,00
0,75
0,50
0,25
0,00
64
88
112 136
161 185 209
233 257
Comentarios
sobre los
histogramas
Histogram of X1
20
Frequency
15
10
-4
-2
4
X1
10
Histogram of X3
18
16
14
Frequency
12
10
8
6
4
2
0
10
20
30
X3
40
Histogram of HSPct
30
25
Frequency
20
15
10
5
0
30
40
50
60
70
HSPct
80
90
100
UN ANALISIS CON EL HISTOGRAMA.Que pasa cuando estamos estudiando,, por ejemplo la

capacidad de proceso de inyeccin de plstico una
caracterstica de calidad del producto (disco) en su
grosor, que debe ser de 120 mm con una tolerancia
de 0.10 mm , respecto al histograma.- Veamos lo
siguiente:
Centrado con mucha variabilidad
Descentrado con mucha variabilidad
Centrado con poca variabilidad
Descentrado con poca variabilidad
Cuando tenemos un histograma en

el que se aprecia claramente dos
picos o modas, que muestra dos
tendencias centrales diferentes.Este tipo de distribuciones con dos
o ms moda reflejan la presencia
de dos o ms realidades o
condiciones diferentes.- Algunas
situaciones que pueden causar una
distribucin bimodal o multinomial
son:
Bimodal, dos realidades
a) Diferencias importantes de lote a lote en la materia prima que

utiliza el proceso, debido a que proceden de diferentes
proveedores o a exceso de variacin de un mismo proveedor.b) En el proceso han intervenido varios operadores, con criterios o
mtodos de trabajo diferentes.c) Las mediciones de la variable de salida que estn representadas
en el histograma, fueron realizadas por personas o instrumentos
deferentes; utilizando distintos criterios o con instrumentos mal
calibrados.-
d) El proceso, cuando gener los resultados de la

distribucin
bimodal,
estuvo
operando
en
condiciones diferentes (una para cada moda)
e) En general, una distribucin bimodal se debe a
presencia de fuentes de variacin bien definidas
que deben ser identificadas y corregidas para as
mejorar la capacidad del proceso correspondiente.Una forma de identificarla, es analizar por separado
los datos en funcin de diferentes lotes de materia
prima, operadores, instrumentos de medicin,
turnos o das de produccin, etc, para as comparar
los resultados y ver si hay diferencias
significativas.-
Acantilado
derecho
En este histograma observamos un acantilado derecho, que es un

suspensin brusca en la cada de la distribucin.- Algunas de las
posibles causas que motivan la presencia de acantilado es: lote de
artculos previamente inspeccionados al 100% donde se excluyo a
los artculos que no cumplen con alguna medida mnima o que
exceden una medida mxima, errores en la medicin o inspeccin
(cuando el inspector est predispuesto a no rechazar un articulo u
observa que ste casi cumpla con los requisitos, registra la medida
mnima aceptable).- En general un acantilado es anormal y se debe
buscar las causas del mismo.-
LA ESTRATIFICACION EN EL HISTOGRAMA
En ocasiones en el histograma no se observa ninguna

forma particular, pero hay mucha variacin y en
consecuencia la capacidad del proceso es baja, en
estos casos se recomienda analizar por estratos, ya
que cuando se obtienen datos que proceden de
distintas mquinas, proveedores, lotes, turnos u
operadores, puede encontrarse informacin valiosa
si se hace un histograma por cada fuente, con lo que
se podra encontrar la mquina o el proveedor ms
problemtico.- El caso del histograma polimodal
ocurre cuando se manifiestan de forma evidente
varios estratos en los datos.-Con base a los puntos
anteriores, es recomendable que siempre que se
realice un estudio de la capacidad de proceso, se
utilice el histograma u este se interprete con detalle.-
De esta manera se podr detectar situaciones

problemticas y posibles soluciones para las
mismas.- Adems ser una forma concreta de que
los datos y mediciones sobre los procesos, que en
ocasiones abundan, se convierta en informacin til
para la toma de decisiones y acciones.-Se debe
tener la preocupacin de que el histograma se haya
obtenido de manera correcta, sobre todo en lo
referente a la cantidad de intervalos y a la cantidad
de datos.-
LIMITACIONES
DEL
HISTOGRAMA
Aunque
el
histograma
es
una
herramienta
fundamental
para
analizar el desempeo de un proceso,
tiene algunas limitaciones:
No considera el tiempo, por lo que con el histograma
es difcil detectar tendencias que ocurren a travs del
tiempo.- Por lo mismo, no ayuda a estudiar la
estabilidad del proceso en el tiempo.- En estos casos
es necesario recurrir a las cartas de control que
veremos ms adelante. No es la tcnica ms apropiada para comparar de
manera prctica varios procesos o grupos de datos,
aqu el diagrama de caja y bigotes son los ms
apropiados.-
La cantidad de clases o barras influyen en la

forma del histograma, por lo que una buena
prctica es que a partir de la cantidad de
clases inicialmente sugiere un software, se
analice el histograma con menos clases y
con ms clases, para ver si se observa
diferencias.-
ANALISIS EXPLORATORIO DE DATOS.Una tcnica de explorar los datos que son objeto de
nuestro estudio y que hoy trae casi todos los paquetes
estadsticos de computacin es el llamado DIAGRAMA
DE TALLO Y HOJA .- La importancia de este diagrama
es que no perdemos el dato original, cosa que sucede
con las distribucin de frecuencia con intervalos.El diagrama es una herramienta valiosa y verstil para
organizar un conjunto de datos y entender la
distribucin y agrupacin de los valores dentro del
intervalo
de
observaciones
en
el
conjunto.Generalmente el primer dgito forma el tallo y el resto las
hojas.- Veamos un ejemplo sencillo.-
Suponga que las calificaciones en un parcial de ESTADSTICA de

40 alumnos de Ingeniera fueron las siguientes:
42
46
87
34
81
64
87
69
75
73
91
70
86
67
49
55
74
81
75
37
21
69
29
59
97
60
81
77
47
68
74
65
87
69
57
68
66
90
82
94
2
3
4
5
6
7
1
4
2
5
9
5
9
7
6
7
4
7
7 9
9
0 9 5 7 9 8 6 8
3 4 0 4 5
8 7 1 7 1 2 6 7 1
9 7 1 0 4
1
4
2
5
9
5
9
7
6
7
4
7
7 9
9
0 9 5 7 9 8 6 8
3 4 0 4 5
8 7 1 7 1 2 6 7 1
9 7 1 0 4
2
3
4
5
6
7

Realice un diagrama de tallo y hoja en los dos ejemplos siguientes y
comente sobre la forma de la distribucin.- De conclusiones.-
1.- Se han tomado datos sobre el tiempo que demoraron

alumnos de un trabajo prctico de Ingeniera en realizar
una tarea (en minutos).- La cantidad de alumnos fueron
40 .9.0
5.7
8.3
5.3
6.2
8.0
8.9
4.9
8.4
5.9
5.0
5.2
9.4
4.9
4.7
7.1
8.0
8.8
7.0
6.8
3.5
7.1
7.8
4.7
7.4
8.4
7.4
8.7
8.4
7.1
7.1
8.8
7.6
10.4
4.8
5.7
6.4
8.3
6.3
8.8
2.-La corrosin del acero de refuerzo es un problema

serio en estructuras de concreto localizadas en
ambientes afectado por condiciones climticas
severas.- Por esta razn, los investigadores han estado
estudiando el uso de barras de refuerzo hechas de un
material compuesto.Se realiz un estudio para
desarrollar directrices para adherir barras de refuerzos
reforzadas con fibra de vidrio a concreto.- Considrese
las siguientes 48 observaciones de fuerza adhesiva
medida;
11.5
5.7
3.6
5.2
12.1
5.4
3.4
5.5
9.9
5.2
20.6
5.1
9.3
5.1
25.5
5.0
7.8
4.9
13.8
5.2
6.2
10.7
12.6
4.8
6.6
15.2
13.1
4.1
7.0
8.5
8.9
3.8
13.4
4.2
8.2
3.7
17.1
4.0
10.7
3.6
9.3
3.9
14.2
3.6
5.6
3.8
7.6
3.6
MEDIDAS
DESCRIPTIVAS
LAS MEDIDAS DESCRIPTIVAS

ESTADISTICAS QUE CARACTERIZAN A
UNA MUESTRA O A UNA POBLACION
SON:
MEDIDAS DE
TENDENCIA
CENTRAL
MEDIDAS DE
DISPERSION O
DE
VARIABILIDAD
MEDIDAS DE
ORDEN
MEDIDAS DE
FORMA
MEDIDAS
DE TENDENCIA
CENTRAL
MEDIA ARITMETICA , tambin llamada Media

Es el promedio o medida de tendencia central que se utiliza con
mayor frecuencia.- Se calcula con la suma de todas las
observaciones en un conjunto de datos, dividida entre el nmero de
elementos involucrados.-
xi (en la muestra)
x = ---------n
xi
= ---------(en la poblacin)
N
a) Media aritmtica para datos sin agrupar.
Cuando es muy pequeo el nmero de elementos de la serie u

observaciones recogidas, puede hacerse innecesario la
agrupacin de los datos por frecuencia e intervalos.
Por ejemplo: Un artculo public los siguientes datos sobre el
tiempo de oxidacin induccin (en minutos) de varios aceites
comerciales:- Los datos resultantes fueron:
87 99 160 180 135 145 105 138 153 129 119 99
-165 - 172
Observamos que, la media aritmtica ser:
xi
1886
x = ---------- = ----------- = 134,71 135 minutos
n
14
Significa que el promedio de oxidacin induccin de los aceites
comerciales fue de 135 minutos.b) Media aritmtica para datos agrupados sin y con
intervalos.La frmula es la misma.- La diferencia va estar dada en el valor de la
variable xi.- En la distribucin sin intervalos esta ser los valores
originales de la variable, en cambio en datos agrupados con
intervalos, los valores de la variable sern los puntos medios de los
intervalos.PUNTOS
xi * fi
MEDIO DE
DATOS
LOS
x = ---------------ORIGINALES
INTRVALOS
n
Veamos un ejemplo.Supongamos que tenemos los tiempos en minutos que demoran una
muestra de 50 empleados en realizar el ensamble de un mueble.Presentamos los datos ordenados en una distribucin de frecuencia,
Li
Ls
fi
xi
20
22
21
63
22
24
23
115
X = ---------------- =
24
26
12
25
300
26
28
17
27
459
1324
28
30
29
232
30
32
31
155
1324
TOTAL
50
xi * fi
XI * fi
= ----------- = 26,48
50
26 minutos
El promedio que demoran los empleados en ensamblar el mueble es

de 26 minutos.-
PRINCIPALES PROPIEDADES DE LA MEDIA

La media aritmtica tiene ciertas propiedades que es
importante conocer para utilizarla correctamente como
resumen de un conjunto de datos, o bien para resolver
algunos problemas que pueden surgir en su aplicacin
prctica.Primera propiedad:
Esta definida en la misma unidad de medida que la
variable en estudio.Si estamos estudiando sueldos en $, la media me dara
un valor tambin en pesos.Por ejemplo, el sueldo promedio es 1800$.-
Segunda propiedad:
Siguiendo con la variable en estudio sueldos en pesos,
la media me dar un valor promedio que estar incluida
dentro del recorrido de la variable, por ejemplo: si los
sueldos en estudio varan entre un monto de 800 a
2500$, la media me deber dar un valor comprendido
dentro de ese recorrido de la variable.- No me puede
dar un valor menor a 800$ ni tampoco un valor superior
a 2500$.Tercera propiedad:
xi
Si dos trminos de la expresin x = n
son
conocidos, se puede determinar el tercero de ellos
mediante un simple pasaje de trminos.-
Cuando se conoce x y n, la suma de la variable se podr

determinar haciendo el producto de n * x.Esta propiedad matemtica nos permitira saber, por
ejemplo, que si estamos estudiando viviendas de 30
barrios, el total de viviendas de los 30 barrios es de 16500
viviendas, ya que cada uno de ellos tiene una media de
550 viviendas.- Esto es as porque:
xi = 30 * 550 = 16500
Cuarta propiedad:
El promedio es una medida calculada a partir de todos y
cada uno de los datos de una serie, en consecuencia
resume apropiadamente la informacin del conjunto.- Sin
embargo, por esta propiedad, en ciertas situaciones de
trabajo puede perder eficacia como representativa del
conjunto de datos.-
Cuando en la serie de observaciones existen valores

extremos o atpicos, estos influirn en el valor de la
x, pudiendo llegar a distorsionarlo de tal modo que no
represente al comn de los datos del conjunto.- Veamos
el siguiente ejemplo:
Si tenemos las siguientes edades 14 18 26 30 34 su
media es igual a 24,4 aos.- En cambio, si el conjunto de
datos fuera 14
18
26
30
75 su media sera
igual a 37,5 aos.- El valor atpico de 75 afecta a la
media alejndola de la tendencia central del conjunto
resultando esta en un valor muy diferente al de los datos
normales de la serie.- Evidentemente la media x = 38
aos no es muy representativa de nuestros datos y el
valor atpico desplaza a la media a un valor cercano a el.-
Resumiendo ; en un conjunto de datos en el cual los

valores atpicos tienen un peso significativo (difieren
mucho de los valores regulares), el promedio aritmtico
por ser una medida que intervienen todos los datos, debe
ser analizada con cuidado.- Esto es as porque, (como en
el ejemplo anterior) puede resultar fuertemente
desplazado de la tendencia central e inducir a
interpretaciones errneas acerca del conjunto de datos
que resume.Importante:
La presencia de valores extremos en una distribucin se
manifiesta por formas (histogramas y polgono de
frecuencias) marcadamente asimtricas.- De ah la
importancia de realizar una cuidadosa exploracin previa
(grfica y numrica) de los datos.-
Quinta propiedad:
Se denomina desvo o residual de un dato cualquiera de
la serie con respecto a la media aritmtica de todo el
conjunto, a la diferencia entre el valor de ese dato y el
valor de la media.Por ejemplo, supongamos que tenemos las edades de 9
individuos; calculamos su edad promedio y nos da x =
32 aos:
Datos
di = xi - 32
18
-14
20
-12
25
-7
30
-2
32
36
40
40
47
15
Los residuos de un conjunto de datos, con respecto a su

media, tienen la propiedad de que la suma de todos los
desvos o residuales es siempre igual a cero.- Es decir:
(xi - x) = di = 0
Sexta propiedad:
En ciertas ocasiones de trabajo disponemos de dos o
ms promedios aritmticos, que resumen a diferentes
conjuntos de datos de una misma variable.Por ejemplo; por datos recogidos se sabe que el salario
mensual promedio de
n1 = 200 agentes de la
administracin pblica varones es
x1 = $1560,30,
mientras que el salario promedio de n2 = 120 empleadas
mujeres es de x2 = $1480,25.-
En estas condiciones podra resultar til conocer el

promedio que resume a los salarios de todos los agentes
pblicos, considerados como un solo conjunto de
observaciones ( n = 200 + 120 = 320).La media de medias o media ponderada es la medida que
resuelve situaciones como la planteada:
n1 x1
+ n2 x2
n1 + n2
En consecuencia, el salario promedio de todos los
empleados de la administracin pblica es de:
xp =
200 * 1560,30 + 120 * 1480,25

200 + 120
= $1530.28
Ejemplo de media ponderada.Supongamos que el Supermercado Alfa vende cinco tipos de

detergentes.- En la tabla siguiente se muestra cada tipo junto
con la utilidad por pote y el nmero de potes vendidos.-
Detergente
Utilidad por
pote (X) en
$
Volumen de
ventas en
potes (W)
2,00
6,00
3,50
24,50
5,00
15
75,00
7,50
12
90,00
6,00
15
90,00
TOTAL
24,00
52
285,50
Xi * Wi
Se puede calcular la media simple de la utilidad del Supermercado

como 24,00/ 5 = 4,80 $ por pote.Sin embargo, probablemente este no sea un buen estimado de la
utilidad promedio del Supermercado respecto a detergentes, debido
a que vende ms de algunos tipos de detergentes que de otros.- Para
obtener un estado financiero ms representativo del desempeo real
de su negocio, el Gerente del Supermercado debe dar ms peso a
los tipos ms populares de detergentes.- Por lo tanto el calculo ms
apropiado sea el de la media ponderada:
xi Wi
285,50
Xp = ---------------- = -------------- = $ 5,49
Wi
52
La media ponderada es mayor que la media simple porque el
Supermercado vende ms detergentes de los tipos que tienen un
margen de utilidad mayor.-

1.- La tabla siguiente, contiene el tamao de la poblacin
y la renta personal per capita de una muestra aleatoria
de cinco ciudades importantes de una provincia de
cierto pas.- Calcule la renta personal per capita media
del 2008.Ciudad
Poblacin
Renta personal per

capita
125867
32989
122674
29758
120745
33322
127342
26852
128456
29764
TOTAL
625084
152685
2.- Un empresario Lus Varesi SA es dueo de tres

fabricas que estn localizadas en La Rioja, Crdoba y
San Juan.- En La Rioja tiene 270 empleados cuya edad
promedio es 42 aos, 320 empleados con edad promedio
47 aos y 200 empleados con edad promedio 38 aos,
respectivamente.- Se pregunta cual es la edad promedio
de los empleados que ocupa el empresario Varesi.Empresa
Edad promedio
Cantidad de
empleados
A.- La Rioja
42
270
B.- Crdoba
47
320
C.- San Juan
38
200
TOTAL
127
790
MEDIANA.Se la simboliza con Me .La mediana me divide mis observaciones en dos partes iguales.La mediana es aquel valor de la variable que un 50% de los datos
es menor a ella.N IMPAR DE DATOS
a)
PARA DATOS
SIN AGRUPAR
N PAR DE DATOS
Lo primero que debemos hacer

es ordenar los datos en forma
crecientes.-
a1) N IMPAR DE DATOS.Supongamos tener los tiempos que un empleado durante 11 das
tiene que esperar el mnibus para llegar al trabajo.- Estos son:
7
10
10
10
15
15
17
20
24
Me = (n + 1) / 2 = 12 / 2 = 6 posicin
Me = 10 minutos
a2) N PAR DE DATOS.En el ejemplo anterior supongamos tener datos durante 12 das.8
10
10
10
11 13 15
18 17
20
25
Me = (n + 1) / 2 = 13 / 2 = 6,5 posicin
11 + 13
Me = ---------------- = 12 minutos
2
b 1 ) MEDIANA PARA DATOS AGRUPADOS SIN

INTERVALOS
Supongamos tener la cantidad de veces que una mquina se
descompuso en cierta empresa textil.- Se registraron datos
correspondientes a 60 meses.Buscamos la menor Fi % que
xi
fi
F i Fi%
0
10
10
16,7
me contiene al 50 %.-
12
22
36,7
Observamos ahora que valor
16
38
63,3
de variable le corresponde:
46
76,7
53
88,3
58
96,7
60 100,0
Total
60
----- -----
Me
= 2 veces
b 2)
MEDIANA
INTERVALOS.-
PARA
DATOS
AGRUPADOS
EN
Supongamos tener las notas de un parcial de Estadstica en

Ingeniera para una muestra de 50 alumnos.- Los datos agrupados
en una tabla de frecuencia con intervalo fueron:
Li Ls
fi
Fi
Fi %
36 44
4,0
44 52
12
14
28,0
52 60
15
29
58,0
60 68
18
47
94,0
68 76
50
100,0
50 -----
------
Total
F
i -1
2
* ci
Me Li
f i
25 - 14
Me = 52 + ---------------- * 8 =
15
Me = 57,87 58 puntos.-
MODO.Se lo simboliza con Mo.- Es el valor de la variable que ms veces

se repite.Es la nica medida descriptiva que podemos calcular en una
variable cuya medicin esta en escala nominal.MODO PARA DATOS SIN AGRUPAR
Por ejemplo si tenemos los montos de ingresos quincenales de
un grupo de empleados de una empresa,
250 275 256 282 275 280 296 310 275 342 - 275
Observamos el valor de variable que ms veces se da:
M o = 275 $
MODO PARA DATOS AGRUPADOS SIN INTERVALOS.Supongamos que cierto da se les pregunto a 50 empresas la
cantidad de empleados ausentes en la misma.- Resulto la
siguiente tabla:
xi
fi
12
18
TOTAL
50
Observamos la mayor frecuencia

absoluta.- El valor de variable que le
corresponde es el modo.-
Mo
= 4 empleados ausentes.-
MODO PARA DATOS AGRUPADOS CON INTERVALOS.Supongamos que tenemos una muestra de 72 notas de un
Examen de capacitacin que se les tomo a 200 personas que se
presentaron en cierta empresa para un trabajo de Diseo.- Estas
fueron las siguientes:
Li
Ls
fi
36
46
46
56
56
66
18
66
76
23
76
86
11
86
96
TOTAL
72
L
i
*c
i
d1
d1 = fi - fi-1 = 23 - 18 = 5
d2 = fi - fi+1 = 23 - 11 = 12
5
Mo =
66 + ---------------- * 10 =
5 + 12
= 68,94 69 puntos.-
USO DE LAS DISTINTAS MEDIDAS DE TENDENCIA

CENTRAL
Cuando se tiene datos de escalas intervalares o proporcionales, en
general se utiliza la media porque, es una medida que atiende en
forma exhaustiva toda la informacin disponible: los valores, las
distancias y proporcionalidad entre ellos y la frecuencia de cada
uno.
Hemos visto que el modo solo atiende a las frecuencias y la
mediana solo utiliza el orden expresado por los valores
numricos y no atiende el valor de las observaciones extremas.
La media tiene importantes propiedades matemticas,
mediana y el modo, y esto se ir observando a
avancemos en el estudio de la estadstica.
lo que no la
medida que
El modo en escala intervalar, se utiliza para una primera

estimacin rpida de la tendencia central, puesto que se
determina fcilmente, sin necesidad de clculo alguno, con solo
observar la tabla de distribucin de frecuencia.
El modo interviene en l clculo de algunas medidas de asimetra.La mediana en escalas intervalares es recomendada cuando en un
conjunto de dato, existen uno o unos pocos datos extremos que
son incomparables con el resto de los datos.
La mediana no se ve afectada por los valores extremos, mientras
que la media es muy sensible a estos valores y por lo tanto en
estos casos la mediana es el valor que mejor me representa los
datos.Las medidas de tendencia central como ya hemos dicho, son
ndices que permiten resumir un conjunto de datos en una sola
expresin, de modo que se pueda apreciar mejor el significado de
los datos.
Las medidas de tendencia central como cualquier estadstica,
cobran sentido cuando las empleamos para hacer comparaciones
u otras operaciones.
Cuando se tiene una distribucin de frecuencias con intervalos

abiertos, no puede calcularse la media y en estos casos se elige
como mejor medida la mediana ya que en su clculo solo participa
el intervalo mediano.
Cuando la forma de la distribucin de frecuencia es asimtrica ya
sea a izquierda o derecha, la mejor medida de tendencia central es
la mediana ya que se encuentra entre las otras dos, media y modo.Si es simtrica, como las tres medidas son iguales, se puede elegir
cualquiera y en esos casos se prefiere la media, dependiendo esto
del tipo de investigacin que se haya planificado.Mucho se podra seguir profundizando sobre estas medidas y los
procedimientos para su clculo, pero se considera que hoy en da
no tiene mucho sentido.
Hoy hay sistemas de computacin estndar preparados para el
anlisis estadstico de datos y es muy importante que el alumno
vaya tratando de conocerlas y usarlas.-
MEDIDAS
DE ORDEN
Cuartiles
Se lo simboliza con Qr., donde con r indicamos el orden del
cuartil que queremos calcular. Los cuartiles dividen mi
distribucin de datos u observaciones en cuatro partes iguales o
sea que tenemos tres cuartiles el cuartil de orden 1, de orden 2 y
el de orden 3, y en cada uno se encuentra el 25 % del total de
casos observados.
El cuartil de orden 1 es aquel que me deja un 25 % de datos a
izquierda y un 75 % a derecha, de su valor.
izquierda y un 50 % a la derecha, de su valor. Coincide con la
mediana.
izquierda y un 25 % a derecha, de su valor.
Q2
Q1
Q3
25% de los datos son

al valor del Q1 y el 75%
restantes mayores a el

CUARTILES PARA DATOS SIN AGRUPAR.Lo primero que debemos hacer es agrupar los datos en forma
creciente.- Realizado esto, calculamos el orden del valor de variable
que ser el Cuartil buscado.- Puede darse:
Si me da un valor entero, el cuartil
buscado ser el valor de variable
que ocupe ese lugar.-
(n + 1) r
Qr
= --------------4
Si me da un valor decimal en 5, el
cuartil buscado ser el promedio
entre el dato posicin del entero y
el siguiente.Si me da un valor ni entero, ni
decimal en 5, el cuartil buscado
ser el dato que ocupe la
posicin siguiente al
valor
entero.-
Veamos un ejemplo.Supongamos tener las edades de una muestra de empleados de

cierta empresa textil.- Estos resultaron ser:
22-58-24-50-29-52-57-31-30-41-44-40-46-29-31-37-32-44-49-29
Ordenamos en forma creciente los datos:
22-24-29-29-29-30-31-31-32-37-40-41-44-44-46-49-50-52-57-58
Q1 =
5,25 posicin
Q1
= 30 aos
El 25 % de los empleados tienen menos de 30 aos.-
Q3 =
15,75 posicin
Q3 =
49 aos
El 75 % de los empleados tienen menos de 49 aos.-
CUARTILES PARA DATOS AGRUPADOS SIN

INTERVALOS.Supongamos que a una muestra de empleados de cierta empresa
se les pregunto la cantidad de hijos que tienen.- Resulto la
siguiente distribucin:
xi
fi
Fi
Fi%
6,7
13
21,7
12
25
41,7
18
43
71,7
10
53
88,3
60
100,0
Total
60 ------
------
El cuartil 3 nos implica el

75%, por lo tanto buscamos
el menor porcentaje que lo
cubre, y observamos el
valor de variable que le
corresponde, entonces:
Q3 =
4 hijos.-
El 75% de los empleados

tienen 4 hijos o menos.-
CUARTILES PARA DATOS AGRUPADOS EN

INTERVALOS.Supongamos tener los tiempos en minutos que demoran los
empleados de una empresa en realizar una tarea.- Los valores
fueron:
Li
Ls
fi
Fi
Fi%
n *r
12 16
5,8
16 20
10
19,2
20 24
12
22
42,3
24 28
15
37
71,2
28 32
10
47
90,4
32 36
52
100,0
TOTAL
52
------
-----
Q r Li
Fi- 1
4
*
ci
fi
13 - 10
Q1 = 20 + ----------------- 4 =
12
= 21 minutos
demoran 21 minutos o menos
en realizar la tarea.-
PERCENTILES.- Se simbolizan P r %
Los percentiles me dividen las observaciones en cien partes
iguales.Para los tres casos que vimos cuartiles, los percentiles se aplica
el mismo criterio solo que recordemos que dividen las
observaciones en 100 partes iguales.- Es decir que en todos los
casos que usamos 4 debemos usar 100.- Vamos a ver esto
mediante ejemplos.PERCENTILES PARA DATOS SIN AGRUPAR.Supongamos tener una muestra de 15 alumnos a los cuales se les
pregunto la cantidad de materias aprobadas.- Los datos fueron
ya ordenados:
3 5
P62%
7
= 9,92
P62% =
10 13 15
8 materias
El 62% de los alumnos tienen 8 o menos materias aprobadas.-
PERCENTILES PARA DATOS AGRUPADOS SIN

INTERVALOS.Supongamos que a una muestra de empleados de cierta empresa
se les pregunto la cantidad de hijos que tienen.- Resulto la
siguiente distribucin:
xi
fi
Fi
Fi%
6,7
13
21,7
12
25
41,7
18
43
71,7
10
53
88,3
60
100,0
Total
60 ------
------
El PERCENTIL 82%, nos

implica el 82%, por lo tanto
buscamos
el
menor
porcentaje que lo cubre, y
observamos el valor de
variable que le corresponde,
entonces:
P82% =
4 hijos.-

tienen 4 o menos hijos .-
PERCENTILES PARA DATOS AGRUPADOS

CON INTERVALOS
Supongamos tener los tiempos en minutos que demoran los
empleados de una empresa en realizar una tarea.- Los valores fueron:
n
*
r
F1 - i
*
P 70% Li 100
ci
fi
Li
Ls
fi
Fi
Fi%
12 16
5,8
16 20
10
19,2
20 24
12
22
42,3
24 28
15
37
71,2
28 32
10
47
90,4
32 36
52
100,0
TOTAL
52
------
-----
36,4 - 22
P70% =
24 + ----------------- 4 =
15
= 27,84 28 minutos
demoran 28 o menos minutos
en realizar la tarea.-
RANGO DEL PERCENTIL.Nos encontramos con muchas situaciones en las que tenemos
una serie de datos ordenados en un tabla de frecuencia y nos
preguntan que porcentaje de datos estn por debajo de un
determinado valor de variable, y esto es lo que nos dice el Rango
del Percentil.- Veamos esto en el ejemplo anterior.Calculamos el Rango mediante la siguiente formula:
Fi-1
Rp(xi) =
( xi - Li) fi/ci
-------------------------------------- x 100
n
Supongamos tener los tiempos en minutos que demoran los

empleados de una empresa en realizar una tarea.- Los valores
fueron:
Li
Ls
fi
Fi
F i%
12 16
5,8
16 20
10
19,2
20 24
12
22
42,3
24 28
15
37
71,2
28 32
10
47
90,4
32 36
52
100,0
TOTAL
52
-----
-----
Calculamos el Rango mediante la

siguiente formula:
Fi -1
Rp(22) =
+ ( xi - Li) fi /ci
------------------------------ 100
n
10 + 6
= --------------- 100 = 30,77

52
31 %
El 31% de los empleados demoran en realizar la tarea menos de 22

minutos.-
MEDIDAS DE
DISPERSION
LAS MEDIDAS DE TENDENCIA CENTRAL SON

INSUFICIENTES COMO CRITERIOS DE CALIDAD
Suponga que las especificaciones para una caracterstica de calidad
son que estas debe tener dimensiones de 800 5.- Para ver si se
cumple con las especificaciones se toma una muestra aleatoria
grande y se obtiene que la media es de 801, el modo de 800 y la
mediana de 801.- Al estar estos valores dentro de las
especificaciones, se podra cree que el proceso esta cumpliendo con
especificaciones.- Sin embargo, esto no necesariamente es cierto, ya
que en la muestra podra haber dado datos desde 750 hasta 850 y la
media de todos ellos ser 801.- Pero tambin podra ocurrir que el
rango de variacin de los datos vaya de 797 a 803, con lo que s se
cumplira con especificaciones.- En otras palabras, las medidas de
tendencia central son insuficiente como criterio de calidad, ya que
no toman en cuenta que tan dispersos estn los datos, un hecho
vital para la calidad.-
Podemos
preguntarnos
Por
qu
estudiar
la
dispersin?.- Un promedio como la media o la mediana
solamente localiza el centro de los datos y esto es
importante desde ese punto de vista, pero un promedio
no dice nada acerca de la diseminacin de los datos.Por ejemplo si usted es un Comerciante de artculos
para el hogar, y decide hacer una compra grande de
televisores que fabrica una empresa determinada.- le
comprara sin informacin adicional? Probablemente
no.- Deseara saber algo ms sobre calidad de los
mismos, duracin de uso, calidad de imagen, etc, y
luego tomar una decisin de comprar o no.- Es decir,
que antes de decidir respecto a comprar o no, se
requiere informacin adicional acerca de la calidad del
producto que usted va a ofrecer.-
Un valor pequeo para una medida de

dispersin indica que los datos se encuentran
acumulados cercanamente,
por ejemplo
alrededor de la media.- Por lo tanto la media se
considera bastante representativa de los datos.Por lo contrario, , una medida de dispersin
grande indica que la media no es confiable, es
decir, que no es representativa de los datos.Una segunda razn para estudiar la dispersin
en un conjunto de datos es poder comparar
cun dispersa estn dos o ms distribuciones.Dos distribuciones pueden tener iguales
medidas de tendencia central y sin embargo
mostrar grados de dispersin diferentes.
fr e c u e n c ia r e l a ti v a
0,36
0,27
0,18
0,09
0,00
0,36
0,27
0,18
0,09
0,00
Media
RANGO O RECORRIDO DE LA VARIABLE.Se simboliza Rx .- Se la calcula haciendo la diferencia entre el

mximo valor de la variable y el mnimo que toma.- Es adecuado para
un conjunto pequeo de datos.- Pero cuando el conjunto de datos es
grande, no es una medida adecuada de variabilidad.Como medida de dispersin se la toma poco en cuenta ya que nada
me dice de los valores intermedio de la variable.Un uso importante del Rango lo encontramos cuando vemos
Mtodos de la Estadstica Descriptiva y en el Control de Calidad de
Procesos.-
RANGO INTERCUARTLICO .- Se simboliza con RIC.RIC = Q3 - Q1

Esta medida considera la dispersin de la mitad (parte central) de los
datos; por lo tanto, los valores extremos no influyen en ella,.
VARIANCIA O VARIANZA.Aunque el rango es una medida de la dispersin total y el rango

intercuartlico es una medida de la dispersin media, ninguna de
estas medidas de variacin toman en cuenta como se distribuyen o
agrupan las observaciones.- Por lo tanto se pens en una medida
estadstica que me tuviera en cuenta todos los datos y esa medida
es la VARIANCIA.Simbolizamos a la variancia:
Sx si trabajamos con la muestra

si trabajamos con la poblacin
Como no conocemos la poblacin vamos a calcular la variancia de la
muestra.-
A igual que las otras medidas descriptivas las podemos

calcular para datos sin agrupar, par datos agrupados sin
y con intervalos.-
VARIANCIA DE LA MUESTRA.La variancia de la muestra es la suma de los cuadrados de las

diferencias con relacin a la media aritmtica dividida entre el
tamao de la muestra menos uno.-
( xi - x)
Sx = -----------------------n -
Si el denominador fuera n en lugar de (n 1), se obtendra el

promedio de los cuadrados de las diferencias con respecto a la
media.- Si embargo, se utiliza (n 1) debido a ciertas propiedades
matemticas deseadas que tiene el estadstico S, lo cual lo hacen
muy apropiadas para hacer inferencias estadsticas.- A medida
que se aumenta el tamao de la muestra, la diferencia entre n y (n
1) disminuye cada vez ms.-
La variancia como esta definida como un

valor cuadrado nunca puede ser negativa. No tiene explicacin por estar definida
como un valor cuadrado y nos da un
resultado con unidad de medida al
cuadrado.- Por ejemplo,
si estamos
trabajando dato en $, la variancia nos va
dar un resultado en $, si trabajamos
empleados nos dar empleados al
cuadrado, etc. Ser igual a cero cuando no exista
diferencia entre ella y los datos.-
Como su calculo es bastante complicado, surge la

llamada Formula de Calculo de la Variancia , que
abrevia mucho el calculo de la misma. x - n x
Sx = --------------------- para datos sin agrupar
n - 1
x fi - n x
Sx = ----------------------n - 1
para datos agrupados
Esta frmula ser para datos agrupados sin y con intervalos.- La

diferencia se da en el valor de las observaciones x i, ya que en
datos agrupados sin intervalo sern los datos originales, y en
datos agrupados con intervalos sern los puntos medios de los
intervalos.-
Como dijimos, la variancia me da un resultado

en unidades de medida de la variable al
cuadrado, entonces aparece otra medida que
llamamos Desvo Estndar .-
DESVIACIN ESTNDAR.La simbolizamos con sx en la muestra y con x en la poblacin.La desviacin estndar mide la dispersin promedio alrededor de
la media: como fluctan las observaciones mayores arriba de ella
y las observaciones menores debajo de ella.El desvo estndar es la verdadera medida de dispersin ya que
se expresa en las mismas unidades de medida que los datos
originales.Calculamos la desviacin estndar como:
sx =
variancia
Observamos que la media y el desvo estndar ayudan a definir en

donde se agrupan la mayor parte de los datos.-
Veamos un ejemplo de calculo del Desvo Estndar.Supongamos que se ha tomado un Parcial de la ctedra de
Estadstica en Ingeniera y se calific al mismo de 0 a 10.- Las notas
fueron resumidas en una tabla de frecuencia y son:
Notas
fi
xi
Xi * fi
x i
Xi * fi
27
81
14
70
25
350
20
140
49
980
10
18
81
162
50
-------
260
-----
1578
TOTAL
XI * fi
X = ---------------- =
n
260
= ----------- = 5,2
x fi - n x
Sx = ----------------------- =
n - 1
1578 - 1352
= ---------------------- =
49
50
5 puntos
sx =
variancia =
226
-------- = 4,61 ptos
49
4,61 ptos. = 2,15 puntos
En promedio cada nota se diferencia de la media en 2 puntos.-
USOS DEL DESVIO ESTANDAR.Un Desvo Estndar pequeo nos indica que los datos estn o se
encuentran localizados muy cerca de la media, caso inverso significa
que los datos estn muy lejos de su media.- Por supuesto ms chico
sea el DESVIO ESTANDAR mejor sern nuestros datos.El matemtico ruso Chebycheff (1821 1894) desarrollo un teorema
que permite determinar la proporcin mnima de valores que se
encuentran dentro de un nmero especfico de desviaciones
estndar con respecto a su media.Para este matemtico no importa la forma de la distribucin y dice:
Para un conjunto cualquiera de observaciones (muestra

o poblacin) la proporcin mnima de valores que se
encuentran dentro de k observaciones estndares
desde la media es al menos (1 - 1/ k) * 100, donde k es
una constante mayor que uno.-
Por ejemplo si suponemos K = 3, ser:

1 - 1 / 3 = 1 - 1/ 9 = 8 /9 = 88,89 %
Esto me est diciendo que entre la media 3 desvo
estndar se encuentra el 89 % de los datos.Si estoy estudiando sueldos, y se que su X = 580$ y el
s = 24,10$, ser:
507,70$
X 3 * s = 580 3 * 24,10 = 580 72,3
652,30$
Podemos decir, que del total de empleados a los cuales
estudiamos el sueldo, el 89 % de ellos cobran entre 508$
REGLA EMPIRICA.Esta regla se aplica solo a distribuciones que son simtricas, es

decir aquellas que las medidas de tendencia central son iguales, o
sea, la media, la mediana y el modo.Esta regla sostiene:
Que el 68,0% de los datos se encuentran entre la media ms
menos un desvo estndar.Que el 95,0% de los datos se encuentran entre la media ms
menos dos desvo estndar.Que el 99,0% de los datos se encuentran entre la media ms
menos 3 desvo estndar.En una clase prctica veremos aplicacin del uso del Desvo
Estndar.-
EJERCICIO PARA HACER EN CLASE

Los siguientes son datos que representan las
mediciones de viscosidad de los ltimos tres meses de
un producto lcteo.84
81
77
80
80
82
78
83
81
78
83
84
85
84
82
84
82
80
83
84
82
78
83
81
86
85
79
86
83
82
84
82
83
82
84
86
81
82
81
82
87
84
83
82
81
84
84
81
78
83
83
80
86
83
82
86
87
81
78
81
82
84
83
79
80
82
86
82
80
83
82
76
79
81
82
84
85
87
88
90
Calcule y explique segn corresponda la regla de

Chebycheff o regla emprica.-
COEFICIENTE DE VARIACIN.A diferencia de las medidas que hemos estudiado hasta ahora, el
Coeficiente de Variacin es una indicacin relativa de la variacin.Siempre se expresa como porcentaje, y lo simbolizamos con CV x.El hecho de no tener unidad de medida hace que pueda usarse para
comparar distribuciones en diferentes unidades de medidas, y
poder decir de ellas cual es ms homognea en sus datos respecto
a la media.Se calcula como:
El coeficiente de variacin es igual a la desviacin estndar
dividida entre la media, multiplicada por 100 por ciento.-
S
CVx = -------- * 100
x
Cuando comparamos dos distribuciones de datos en diferentes

unidades de medida, y queremos saber cual es ms homognea en
sus datos referentes a su media, no tenemos ms opcin que
comparar los CV, a menor CV ms homogneos son los datos.- Por
ejemplo, si tenemos una distribucin donde estudiamos sueldos de
la empresa y en la otra la antigedad en la empresa de esos mismos
empleados, y nos preguntamos en que son ms homogneos esos
empleados, en sueldos o en antigedad.Cuando comparamos dos distribuciones de datos en igual unidad
de medida podemos preguntarnos en cual distribucin son ms
homogneos los datos respecto a su media.- En este caso podemos
comparar los desvos estndar solo si las medias son iguales, y el
menor desvo estndar ms homogneos son los datos.-
Cuando las medias son diferentes

desviaciones, y en esos casos
Coeficientes de Variacin.- A menor
datos respecto a su media.-
no es objetivo comparar
recurrimos a comparar
CV ms homogneos son
las
los
los
EJERCICIO PARA HACER EN CLASE

Se tienen dos proveedores de una pieza metlica cuyo
dimetro ideal o valor objetivo es igual a 20,25 cm.- Se
toman dos muestras aleatorias de 14 piezas a cada
proveedor y los datos obtenidos se muestran a
continuacin:
Dimetros de las piezas de cada proveedor
1
21.38
20.13
19.12
19.85
20.54
8.00
22.24
21.94
19.07
18.60
21.89
22.60
18.10
19.25
21.25
22.22
21.49
21.91
21.52
22.06
21.51
21.29
22.71
21.65
21.53
22.22
21.92
20.82
Con cual proveedor se quedara usted?.-
MEDIDAS DE FORMA.Las medidas de forma hacen referencia a

distribucin de datos.- Ya hemos comentado
simtricas y asimtrica o segadas.-
la forma de la
que pueden ser
Para describir la forma, solamente se deben comparar

la media y la mediana.- Si ambas medidas son iguales,
por lo general se considera que los datos son
simtricos o con sesgo cero.- Por el contrario, si la
media excede a la mediana, los datos se describen
como sesgados a derecha o con sesgo positivo.- Si la
mediana excede a la media, los datos suelen llamarse
sesgados a izquierda o con sesgo negativo.Media > Mediana : sesgo positivo a la derecha
Media = Mediana; simetra o sesgo cero
Media < Mediana: sesgo negativo o a la izquierda.-
El sesgo positivo surge cuando la media aumenta debido a

algunos valores grandes y poco usuales; el sesgo negativo
ocurre cuando la media se reduce debido a algunos valores muy
pequeos.- Los datos son simtricos cuando en realidad no hay
valores extremos en ninguna direccin, de tal manera que los
valores grandes y pequeos se equilibra.-
COMO
MEDIR
LA
ASIMETRI
A
Como sealramos oportunamente la silueta de la forma

de la distribucin (polgono de frecuencias) nos da una
idea acerca de la simetra del conjunto de datos.- As
tenamos que, en la situacin de simetra, cada mitad de
la curva es una imagen espejada de la otra mitad y la
recta que hace de espejo (eje de simetra) es la que pasa
por las medidas de tendencia central media, mediana y
modo, que coinciden en el mismo valor.-
Eje de simetra
Variable
X = Me
= Mo
A medida que la distribucin se hace ms asimtrica

hacia uno u otro lado (derecha e izquierda), las medidas
de tendencia central tienden a alejarse una de otra,
siendo la media por estar afectada por los valores
extremos la que ms se desplaza hacia la cola de la
distribucin.-
X
X < Me
Me
Mo
<
Mo
Mo
Me X
X > Me
>
Mo
Vemos en los Grficos que, en el caso de una asimetra a

la izquierda, la media es menor que la mediana y esta a
su vez menor que el modo.- Inversamente en la asimetra
hacia la derecha, la media es mayor que la mediana y a
su vez esta mayor que el modo.Se puede ver adems que la mediana toma un valor
intermedio entre las otras dos medidas, ubicndose ms
prxima a la media.A medida que la asimetra crece en una u otra direccin,
tambin las distancias entre la media, mediana y modo
crecen.En consecuencia, podemos usar estas
diferencias ( X Mo) o ( X - Me) como medidas de la
asimetra de una distribucin.- Adems, se puede ver
que si la asimetra es a la izquierda, ( X Mo) dar un
valor negativo, en tanto que si la asimetra es a la
derecha dar un valor positivo.-
Para poder comparar asimetra de distribuciones de

variables medidas en distintas escalas o para valores
de distintas magnitudes, la solucin es construir
medidas relativas de asimetra.COEFICIENTE DE ASIMETRIA DE PEARSON.(CAP)
Una de las medidas de asimetra ms difundida es este
Coeficiente, que se calcula esa diferencia en trminos del
desvo estndar.CAP =
X - Mo
s
3 . (X - Me)
o
CAP =
Comentarios
La magnitud absoluta del coeficiente indica la
cantidad de desvo estndar a los que se encuentra
la media del modo. Se lo puede expresar en porcentaje, multiplicando
por cien el resultado de la expresin anterior. Si el coeficiente es igual a cero, estamos en una
situacin de simetra perfecta. En situaciones de asimetra el coeficiente puede
tomar una asimetra a derecha o a izquierda.Recordemos que una es positiva y la otra negativa.En trminos tericos, este Coeficiente puede tomar
valores que varan entre - 3 y +3.-
CURTOSIS.Una medida de que tan elevada o plana es la curva de

la distribucin de unos datos, se obtiene a travs del
estadstico llamado curtosis.Si el signo de la curtosis es positivo indicar que la
curva de la distribucin de los datos es ms empinada
o alta en el centro y con colas relativamente largas;
ambos aspectos respecto a la distribucin normal, que
veremos ms adelante en la Unidad 4.Si el signo es negativo, se tendr una curva ms
aplanada y con colas ms corta respecto a la
distribucin normal.
Los lmites de aceptacin de la curtosis estn entre
0,263 y 0,363.-
Entre las muchas formulas que hay para calcular la

curtosis, tomaremos la siguiente:
Q3
Q1
Cu =
2 ( P90
P10
platicurtica
mesocurtica
leptocurtica
DIAGRAMA DE CAJA Y BIGOTES.- (Boxplot)

Cuando hemos desarrollado el Anlisis Exploratorio de datos, se
dijo que ordenbamos los datos mediante un diagrama de tallo y
hoja.- Una vez calculada las medidas descriptivas, se desarrolla
un resumen de cinco nmeros y se construye un
diagrama de caja y bigotes.-
En un resumen
de cinco nmeros se
emplean cinco cantidades para resumir los
datos:
1.- Valor mnimo.2.- Primer cuartil.3.- Mediana.4.- Tercer cuartil.5.- Valor mximo.-
La forma ms fcil de elaborar un resumen de cinco nmeros es

poner los datos en orden ascendente, as es fcil identificar los
cincos datos.- Veamos un ejemplo:
Supongamos tener los salarios de 12 gerentes de empresas
medianas, ordenados son:
2710
2755
2850
3050
3130
3325
2880
2880
2890
2920
2940
2950
La mediana es Me = 2905 y los cuartiles Q1 = 2880 y Q3 = 3050 los

otros dos datos es fcil verlos.-
Un diagrama de caja es un resumen grfico de

los datos basado en un resumen de cinco datos
y nos da una idea de forma de la distribucin de
los datos, adems de poder determinar si
tenemos valores atpicos.-
Los pasos para trazar un diagrama de caja y bigote son:

1.- Se traza un rectngulo con los extremos en el primer cuartil y
tercer cuartil.- Este rectngulo contiene el 50% de los datos.2.- En la caja se traza una recta vertical en el lugar de la mediana, as,
la lnea de la mediana divide los datos en dos partes iguales.3.- Se ubican los lmites mediante el rango intercuartil RIC = Q3
Q1
Los lmites en el diagrama estarn dados segn la Regla de
Tuckey en Q1 - 1,5 * RIC y Q3 + 1,5 * RIC.Todos los valores que nos queden fuera de esos lmites son
considerados valores atpicos.4.- Las lneas punteadas a los costados de la caja se llaman bigotes
de la caja y se trazan del valor mnimo al cuartil 1 y del cuartil 3 al
valor mximo.5.- Por ltimo se marca con asterisco si hay algn valor atpico.-
Boxplot of Sueldo
3400
3300
Sueldo
3200
3100
3000
2900
2800
2700
1obs
41
78
84
60
46
64
43
37
50
57
24
78
51
41
56
46
99
71
41
41
22
62
64
44
41
2obs
70
53
34
36
47
16
53
43
29
83
42
48
57
29
64
41
86
54
2
39
40
70
52
38
63
3obs
22
68
48
25
29
56
64
30
57
32
39
39
50
35
36
16
98
39
53
36
46
46
57
60
62
Suponga
que
tiene
las
tres
observaciones correspondientes a tres
meses diferentes de su empresa.Decide comparar la situacin de su
empresa en los tres meses mediante
diagramas de caja y bigote.- Resulta el
diagrama siguiente:
Boxplot of 1obs; 2obs; 3obs

100
80
Data
60
40
20
0
1obs
2obs
3obs
VEAMOS OTRO EJEMPLO.La tabla siguiente muestra las puntuaciones obtenidas

en el examen final de Estadstica para quince
estudiantes de CIVIL, quince de AGROINDUSTRIAL y
quince de INDUSTRAL.CIVIL
AGROINDUSTRIA
L
56
76
47
72
52
72
59
52
78
57
INDUSTRIAL
43
80
80
48
80
59
83
50
83
81
61
83
55
85
63
81
67
84
61
89
64
86
69
90
67
91
69
91
73
94
72
97
71
76
78
Grfica de caja de ECONOMIA; ADMINISTRACION; CONTADOR

100
90
Datos
80
70
60
50
40
ECONOMIA
ADMINISTRACION
CONTADOR
La figura anterior contiene los diagramas de caja

de las puntuaciones de cada uno de estos tres
grupos.- En este ejemplo concreto, puede
apreciarse
que
no
hay
observaciones
excesivamente atpicas en ninguno de los tres
grupos.- Por eso, los bigotes de las cajas
corresponden a la menor y mayor puntuacin de
cada grupo.- En el diagrama se observa que los
estudiantes de Industrial consiguieron la mejor
mediana, pero sus puntuaciones tienen una
variabilidad considerablemente mayor que la de
los otros grupos.- Otro hecho que llama la
atencin es la gran cantidad de puntuaciones
bajas obtenidas por los estudiantes de Civil.-
EJERCICIO PARA COMENTAR EN CLASE
Los siguientes datos representan las horas

cadas de equipos por semana de tres lneas
de produccin.a)Analice los datos para cada lnea de
produccin
y
anote
las
principales
caractersticas de la distribucin de datos.b) Compare las tres lneas de produccin, nota
alguna diferencia importante?.-
Semana
LINEA 1
LINEA 2
LINEA 3
Semana
LINEA 1
LINEA 2
LINEA 3
7.7
6.6
7.5
14
6.3
6.5
8.5
6.8
5.2
8.1
15
7.8
7.7
8.0
8.5
7.2
6.2
16
6.7
7.4
7.7
8.6
9.2
7.4
17
7.3
6.1
7.5
5.7
6.7
8.2
18
5.7
6.2
8.2
7.9
6.2
6.0
19
6.2
7.3
7.7
8.1
7.1
8.2
20
7.3
6.9
7.0
7.6
8.1
8.1
21
5.0
6.1
6.5
7.1
6.4
6.7
22
5.0
6.9
6.2
10
7.3
6.3
8.0
23
5.4
8.4
6.0
11
7.8
8.2
8.1
24
7.5
5.0
6.1
12
6.1
8.4
8.1
25
6.0
7.4
5.8
13
6.4
7.4
7.0
Grfica de caja de LINEA 1; LINEA 2; LINEA 3

9
Datos
5
LINEA 1
LINEA 2
LINEA 3
POR MINITAB OBTENEMOS:

Medida
LNEA 1
LINEA 2
LINEA 3
MEDIA
6.872
6.996
7.312
DESVIO ESTAND
1.050
1.001
0.878
VARIANCIA
1.102
1.001
0.770
COEF. VARIA
15.28
14.30
12.00
MINIMO
5.000
5.000
5.000
CUARTIL 1
6.050
6.250
6.350
MEDIANA
7.100
6.900
7.500
CUARTIL 3
7.750
7.550
8.100
MAXIMO
8.600
9.200
8.500
RANGO
3600
4.200
2.700
SESGO
- 0.23
0.13
- 0.46
MODO
7.3
7.4
8.1
- 0.94
0.01
- 1.35
KURTOSIS
GRAFICAS
DE SERIES
DE TIEMPO
Las
grficas
consideradas
hasta
el
momento
(histogramas, diagramas de tallo y hoja, diagramas de
caja, etc) son mtodos visuales muy tiles para mostrar la
variabilidad presente en los datos.- Sin embargo, con
frecuencia el tiempo es un factor importante que
contribuye a la variabilidad observada en los datos y los
mtodos anteriores no lo toman en cuenta.- Una serie de
tiempo o secuencia de tiempo, es un conjunto de datos en
los que las observaciones se registran en el orden en que
ocurren.- La grfica de una serie de tiempo es un
diagrama en el que en el eje vertical denota el valor
observado (por ejemplo, x), mientras que el eje horizontal
denota el tiempo (que pueden ser, minutos, horas, das,
meses, aos, etc).- Cuando se grafiquen las mediciones
como una serie de tiempo, a menudo se observan
tendencias, ciclos u otras caractersticas importantes de
los datos que de otra manera pasaran inadvertidas.-
AOS
Grfica de series de tiempo de Montos

19000
18000
17000
Montos
16000
15000
14000
MONTOS
2000
10840
2001
10436
2002
13589
2003
13402
2004
13103
2005
14933
2006
14147
2007
14027
2008
16234
2009
15890
2010
18450
2011
16560
13000
12000
11000
10000
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Ao
Por ejemplo, la grfica anterior presenta una

serie de tiempo de las ventas anuales (en
millones de $) de una compaa donde
tomamos los ltimos 12 aos.- La impresin
general que ofrece esta grfica es que las
ventas tienen una tendencia a crecer.- Existe
cierta variabilidad en esta tendencia donde
las ventas en algunos aos aumentaron con
respecto al anterior
y en otros aos
bajaron.-
La tabla siguiente muestra las ventas trimestrales

realizadas por una empresa durante un periodo de 6 aos,
desde el 2001 al 2006.- Describa grficamente los datos:
AOS
TRIMESTRE
1
2001
271
199
240
255
2002
341
246
245
275
2003
351
283
353
292
2004
401
282
306
291
2005
370
242
281
274
2006
356
245
304
279
Grfica de series de tiempo de 1 TRI M; 2 TRIM; 3 TRIM; 4 TRI M

Variable
1 TRI M
2 TRI M
3 TRI M
4 TRI M
400
Datos
350
300
250
200
2001
2002
2003
2004
Ao
2005
2006
La figura anterior es un grafico de serie

temporales de los 24 intervalos de tiempo.Observamos que las ventas del primer trimestre
van
seguidas
sistemticamente
de
una
disminucin de las ventas en el segundo.- Tal vez
la estacin del ao sea una explicacin.- En el
estudio de Series de Tiempo se ven modelos para
ajustar los datos de las series temporales con el
fin de tener en cuenta la estacionalidad, las
tendencias, la conducta cclica o algn otro
componente irregular.-
EJERCICIO PARA DISCUTIR EN CLASE
La tabla siguiente representa

la
resistencia a la tensin, en libras por
pulgadas cuadrada (psi) de 80 muestras
de una aleacin de aluminio y litio que
esta siendo evaluada como posible
material para la fabricacin
de
elementos estructurales de aeronaves.-
105
221
183
186
121
181
180
143
97
154
153
174
120
168
167
141
245
228
174
199
181
158
176
110
163
131
154
115
160
208
158
133
207
180
190
193
194
133
156
123
134
178
76
167
184
135
229
146
218
157
101
171
165
172
158
169
199
151
142
163
145
171
148
158
160
175
149
87
160
237
150
135
196
201
200
176
150
170
118
149
Grfica de series de tiempo de C2

250
C2
200
150
100
16
24
32
40
ndice
48
56
64
72
80
La figura siguiente muestra las observaciones de

resistencia a la tensin, con la hiptesis que
estas se registraron en el orden en que
ocurrieron.- Esta grfica indica de manera eficaz
la variabilidad total de los datos de resistencia a
la tensin y de manera simultanea, presenta la
variabilidad en las mediciones con el paso del
tiempo.- La impresin general es que la
resistencia cambia alrededor del valor medio de
162,67 y no hay ningn padrn obvio sobre la
variabilidad con respecto al tiempo.-
LA ESTADISTICA
DESCRIPTIVA EN
EL CONTROL
ESTADISTICO DE
CALIDAD.-
El pensamiento estadstico se concentra principalmente en los

valores promedios tpicos.- En muchas situaciones, las inferencias
relacionadas con los valores promedios sern suficientes, aunque
hay un lmite a este tipo de razonamiento.- Hay ocasiones en donde
el valor promedio es irrelevante.- Un solo frmaco de gran
efectividad puede modificar el balance de una empresa farmacutica
y pasar de los nmeros rojos a los nmeros negros con mucha
rapidez; un nico desastre puede empujar a una compaa de
seguro a la bancarrota.Entonces, sera tonto ignorar el
pensamiento estadstico por estos motivos.- La mayora de los
productos no tendrn mucho xitos, ni la mayora de los accidentes
sern desastre que ocasionen quiebras y
bancarrotas.- Los
gerentes que suponen que sus resultados siempre sern mejores
que el promedio corren el grave peligro de convertirse en ex
gerentes.- Ya vimos que las medidas de variabilidad dan otra
dimensin a nuestro pensamiento.-
En el control estadstico de la calidad, una

herramienta extremadamente simple y til es el
diagrama de medias, llamado con frecuencia
diagrama de X-barras.- Un diagrama de medias
simplificado es simplemente una grfica de los
tiempos ( horas, das, semanas o meses) contra
las medias de las observaciones hechas durante
dichos tiempos.- La observacin atenta nos
mostrar aquellos patrones que indican
problemas: una tendencia lenta y creciente o
decreciente en la media, un salto o una cada
sbita, un patrn cclico.-
Ejemplo 1.- Un aspecto crtico de las transmisiones

automticas para automviles es la presin del fluido de
la transmisin.- En las unidades apropiadas, el valor
ideal es 35.- Una presin muy baja se traduce en una
operacin deficiente; los valores inferiores a 32 pueden
detectarse y cualquier presin por debajo de 30
provocan mal funcionamiento.- Una presin demasiado
alta es causa de vibraciones; 38 es detectable y 40 es
malo.- Un fabricante de transmisiones toma de la
produccin diaria una muestra aleatoria de 5 unidades y
mide la presin interna de cada una de ellas.A continuacin, mostramos una lista de las presiones
durante 40 das y un diagrama de medias comparadas
con los das.-
Da
Item
1
Item
2
Item
3
Item
4
Item
5
Media
36,01
34,46
34,90
33,83
34,61
34,762
36,06
36,26
35,44
33,86
35,88
35,500
34,46
36,17
34,07
34,29
34,29
34,656
35,08
34,68
34,37
34,50
34,40
34,606
34,11
35,84
35,67
34,55
35,62
35,158
34,58
35,90
34,35
35,25
34,18
34,852
36,04
34,45
34,22
35,09
34,68
34,896
34,98
35,19
35,70
34,91
32,97
34,750
36,48
35,95
34,53
36,25
36,08
35,858
10
35,30
35,98
35,36
33,83
34,56
35,006
11
33,56
35,95
36,38
34,90
34,86
34,730
12
34,96
36,78
36,56
34,32
35,25
35,574
13
34,39
33,16
34,31
34,43
36,33
34,524
14
32,88
34,62
35,70
35,77
33,83
34,560
Da
Item
1
Item
2
Item
3
Item
4
Item
5
Media
15
32,81
34,27
33,19
36,02
35,94
34,446
16
32,77
33,20
33,60
35,75
34,57
33,978
17
34,88
33,37
34,69
34,02
33,30
34,052
18
36,06
34,49
33,40
35,03
36,63
35,122
19
36,17
32,64
35,90
34,75
35,22
34,936
20
35,85
35,00
33,31
34,58
37,37
35,222
21
35,10
35,39
35,37
34,33
37,28
35,494
22
37,29
32,77
33,54
37,45
35,14
35,238
23
34,44
35,87
35,52
35,03
34,13
34,998
24
34,94
35,97
36,30
38,22
34,72
36,030
25
35,56
35,59
34,63
33,56
36,84
35,236
26
35,48
34,74
36,51
36,76
34,13
35,524
27
35,31
36,87
32,82
33,55
33,47
34,404
28
33,69
34,01
35,16
33,87
34,93
34,332
Da
Item
1
Item
2
Item
3
Item
4
Item
5
Media
29
33,32
36,22
32,12
36,01
35,60
34,654
30
35,14
36,57
36,37
36,98
36,66
36,344
31
34,93
36,02
35,10
35,58
36,62
35,650
32
34,93
35,45
32,16
36,25
35,05
34,768
33
36,64
37,00
35,39
34,87
36,76
36,132
34
37,85
34,97
34,68
35,48
34,07
35,410
35
34,02
36,64
37,62
35,91
34,15
35,668
36
34,51
35,42
34,81
35,00
33,74
34,696
37
33,62
35,41
34,78
31,78
33,88
33,894
38
33,06
35,90
36,96
34,96
32,72
34,720
39
32,04
33,22
33,76
33,44
36,76
33,844
40
34,99
36,20
34,73
33,87
33,79
34,716
EL DIAGRAMA DE MEDIA
Grfica de dispersin de MEDIA vs. DIA

36,5
36,0
MEDIA
35,5
35,0
34,5
34,0
0
10
20
DIA
30
40
Grfica Xbarra de MEDIAS

37
Media de la muestra
UCL=36,541
36
__
X=34,983
35
34
LCL=33,426
33
1
13
17
21
25
Muestra
29
33
37
No hay tendencias evidentes, ascendente ni descendentes, ni

saltos a nuevos niveles de estabilidad.- En la mayor parte, las
medias se mantienen en el rango de presiones medias de 34 a 36.Tal vez haya algunos ciclos que abarcan varios das, pero nada
exagerado.- Un rasgo inquietante es que las medias entre los das
31 a 40 parecen saltar de aqu para all con exageracin.Consideraremos esto con ms detalle cuando midamos la
variabilidad.-
La variabilidad es una idea de capital importancia en el control de

la calidad.- En muchas situaciones, tales como los medicamentos
que varan en su potencia, el cambio es un gran enemigo de la
calidad.- Uno de los temas principales del control estadstico de la
calidad es el de dar cuenta de las causas de la variabilidad.La primera tarea al tratar con la variabilidad es resumirla.- La
medida ms simple de la variabilidad es el Rango, la diferencia
entre el mayor y menor valor de la variable.- Esta medida es muy
fcil de calcular de modo que en el control de la calidad se utiliza
ampliamente para determinar la extensin de las variaciones.Cuando los datos se toman a lo largo de cierto perodo de tiempo y
el rango se relaciona con el tiempo, el resultado es un diagrama
R.-
Por ejemplo, en el caso de las transmisiones

automticas que venimos viendo, el calculo de los
rangos ser:
Da Rango
Da
Rango
Da
Rango
Da
Rango
2,18
11
2,82
21
2,95
31
1,69
2,40
12
2,46
22
4,68
32
4,09
2,10
13
3,17
23
1,74
33
2,13
0,71
14
2,89
24
3,50
34
3,78
1,73
15
3,21
25
3,28
35
3,60
1,72
16
2,98
26
2,63
36
1,68
1,82
17
1,58
27
4,05
37
3,63
2,73
18
3,23
28
1,47
38
4,24
1,95
19
3,53
29
4,10
39
4,72
10
2,15
20
4,06
30
1,84
40
2,41
EL DIAGRAMA EN R
Grfica de dispersin de RANGO vs. DIA

5
RANGO
1
0
10
20
DIA
30
40
Grfica Xbarra de RANGO

6
UCL=5,675
Media de la muestra
5
4
__
X=2,791
3
2
1
0
LCL=-0,093
1
13
17
21
25
Muestra
29
33
37
El diagrama nos muestra que al pasar el tiempo

se desarrolla un problema.- En general, a medida
que el tiempo transcurre, los rangos se estn
incrementando, de modo que la variabilidad va
en aumento.- Una variacin ms grande significa
que habr ms transmisiones con una presin o
muy alta o muy baja.- Al buscar la causa,
deberamos observar que no hay un salto sbito,
sino un incremento paulatino, habra que buscar
un factor gradual como el desgaste de las
mquinas o el estado de nimo de los
trabajadores.-
Dado que las desviaciones estndar se basa en

desviaciones de la media elevada al cuadrado, esta
medida es, por ejemplo, ms sensible a los valores
atpicos que la media, aunque lo es menos que el
rango.- De este modo, en el control de la calidad, un
diagrama S o una grfica de las desviaciones estndar
contra el tiempo es tambin una herramienta muy til
para conocer si ha habido un cambio en la variabilidad.En la diapositiva prxima se muestra un diagrama S de
las desviaciones estndar de los datos relativos a las
transmisiones automticas contra el nmero del da,
que venimos viendo.- Hay
evidencia de alguna
tendencia?.Observando el diagrama, hay claramente una tendencia
creciente en las desviaciones estndar que indican un
incremento de la variabilidad con el tiempo.-
DIAGRAMA S x
Grfica de dispersin de DESVIO ST vs. DI A
DESVIO ST
2,0
1,5
1,0
0,5
10
20
DIA
30
40
Grfica Xbarra de DESVIO

2,5
UCL=2,292
Media de la muestra
2,0
1,5
__
X=1,130
1,0
0,5
0,0
LCL=-0,032
1
13
17
21
25
Muestra
29
33
37
Clculos de las desviaciones estndar.-
Da
sx
Da
sx
Da
sx
Da
sx
0,80
11
1,10
21
1,09
31
0,69
0,97
12
1,06
22
2,13
32
1,55
0,86
13
1,14
23
0,72
33
0,94
0,29
14
1,24
24
1,39
34
1,46
0,78
15
1,50
25
1,22
35
1,57
0,71
16
1,19
26
1,12
36
0,63
0,72
17
0,73
27
1,66
37
1,38
1,04
18
1,28
28
0,67
38
1,82
0,77
19
1,40
29
1,83
39
1,75
10
0,83
20
1,51
30
0,71
40
0,98
Lmites de control
La desviacin estndar tambin es til en los diagramas de Xbarras para el control de la calidad.- Cuando un proceso est
bajo control, se puede calcular la desviacin estndar de las
medias a partir de los dato.- En un diagrama de X-barras
completo, se elige la media que se desee y se trazan lmites de
control por arriba y por debajo de ella, a una distancia de 3
desviaciones estndar.Cualquier media que caiga fuera de estos lmites se toma como
una evidencia de que el proceso esta fuera de control.- De acuerdo
con la regla emprica , si el proceso esta bajo control, muy pocas
medias deberan salir de los lmites de control, de modo que las
falsas alarmas deberan ser raras.Cuando el proceso esta
fuera de control (y solo entonces) las medias deberan rebasar
algunos de los lmites de control.- Estos lmites son muy tiles
para reducir la tendencia de los gerentes a perseguir cualquier
variacin por pequea que esta sea, solo las desviaciones que
probablemente no son aleatorias caern fuera de los lmites de
control.-
Diagrama X-barras
Grfica Xbarra de MEDIA
37
Media de la muestra
UCL=36,541
36
__
X=34,983
35
34
LCL=33,426
33
1
13
17
21
25
Muestra
29
33
37
En la diapositiva anterior se muestra un diagrama de

control para todos los datos de las transmisiones, que
venamos viendo.Cmo indica ste que se gesta un problema?.Cerca del extremo derecho del diagrama, el signo +
indica que la media esta fuera de los lmites de control.Dado que no hay un patrn de lecturas
consistentemente altas o consistentemente bajas, es
razonable pensar que el problema se debe a una
excesiva variabilidad.- Los resultados obtenidos en los
ejemplos anteriores confirman esta idea.- La tarea de
los gerentes consiste al parecer en encontrar por que
hay tal variacin en los datos de las transmisiones.-
METODOS ESTADISTICOS Y MEJORA DE LA

CALIDAD.Las herramientas estadsticas son una gran contribucin al control
de la calidad y a la mejora de procesos.- Hemos hecho una
pequea introduccin a los grficos de control, ya que este tema
se dejar para un postgrado.Los mtodos estadstico no son suficiente por si mismo.- Los
diagramas de control se conocen en la industria norteamericana
desde hace 60 aos.- Si con ellos se resolvieran todos los
problemas, los productos norteamericanos tendran la mejor
calidad del mundo.- Sin embargo, hay quienes afirman que la
calidad norteamericana no es en absoluto la mejor.Casi todas las personas que han estudiado las operaciones de
buena y mala calidad estn de acuerdo en que la mejora de la
calidad requiere esfuerzo y paciente y sostenido a lo largo del
tiempo por parte de gerentes, ingenieros y trabajadores en todos
los niveles.-
Probablemente el experto mejor conocido en problemas de calidad

es W. Edwards Deming, un estadstico profesional que introdujo el
control de la calidad y algunos mtodos de mejora en el Japn
durante la posguerra.- Deming (1986) ha precisado un programa de
14 puntos para la mejora de la calidad.Deming insiste en la necesidad absoluta de un compromiso
gerencial sostenido; repudia los temas publicitarios efmeros como
sustituto del esfuerzo verdadero.Casi todos los expertos en control de calidad se concentran en la
mejora de los procesos, como algo opuesto a la exhortacin de la
gente.- En el fondo, la mayora de las tareas fundamentales de las
organizaciones son procesos repetitivos que se realizan bajo
condiciones similares.- La mayora de la gente tiende a pensar en el
proceso de control de la calidad en el contexto de las industrias
manufactureras, pero las mismas ideas se aplican en casi todas las
ciencias y a actividades del sector servicios.-
Uno de los mensajes claves de los nuevos expertos en la mejora

de la calidad es que hay que pensar ms en la mejora de los
procesos a largo plazo y menos en tratar de apagar el fuego con
medidas a corto plazo.- Los gerentes deberan de identificar las
metas del proceso, considerar que aspectos del proceso se
pueden variar, y llevar a cabo experimentos bien pensados para
encontrar el mejor diseo posible del mismo.La calidad rara vez da un gran salto hacia arriba; ms bien, cuando
se mueve en esa direccin lo hace con pequeos incrementos.Una mejora en el diseo del producto aqu, una modificacin a un
proceso de servicio all, una mejora en la cooperacin con un
proveedor, un producto hecho a medida para satisfacer las
necesidades de los clientes, todos estos son pequeos `pasos que
se tienen que dar rpidamente para mejorar la calidad.- Los
descubrimientos de nuevos productos o servicios , que son pocos
comunes, son los que llaman la atencin, las pequeas mejoras
producen un gran efecto cuando se acumulan.- Se necesita que
los gerencia sea paciente y perseverante para insistir en la mejora
de la calidad sin recibir una recompensa inmediata.-
Una idea que hace posible la mejora de la calidad es la

experimentacin inteligente.- Casi toda tarea se puede realizar de
distintas maneras, algunas buenas y otra malas.- Una forma de evitar
la mejora de la calidad es insistir en no variar el modo de hacer una
cosa porque siempre la hemos hecho as. Otra forma que no
supera con mucho a lo anterior es el enfoque casual, la
experimentacin fortuita; modificar un aspecto de un proceso y
despus otro, sin ningn plan ni orden.- Un enfoque mucho ms
productivo es la experimentacin planificada, el
pensamiento
sistemtico acerca de todos los aspectos de un procesos y la
bsqueda deliberada de mejoras en todas sus partes.- Este es el
lugar donde el pensamiento estadstico es vital.- En los aos
recientes, el uso de experimentos estadsticos controlados ha sido
una de las causas de la mejora efectiva de la calidad.En particular, el pensamiento estadstico es crucial cuando hay que
tratar con las variaciones dentro de un proceso.- El pensamiento
estadstico aade la idea clave de variabilidad.- Todo proceso de
fabricacin o de servicio tendr algn grado de variacin en sus
resultados.-
Los accesorios y dispositivos mecnicos variarn entre si a

causas de las diferencias en la materia prima, el deterioro de
partes de la mquina, los cambios en la temperatura y humedad y
muchas otras razones.Un aspecto importante es saber si las variaciones recientes en los
resultados de un proceso caen dentro de un rango normal (es decir,
no hay que preocuparse demasiado por ello) o si estn fuera de
control ( y son, por consiguiente motivo de preocupacin).- Una de
las funciones importantes de los diagramas de control es indicar
que factores no requieren de mucha atencin.Las ideas estadsticas de variacin y experimentacin vienen
frecuentemente juntas.- En muchos problemas de mejora de la
calidad, reducir la variabilidad es al menos tan importante como
mejorar el promedio de la calidad.Un gerente que se vale de los experimentos estadsticos y piensa
tanto en los promedios como en la variabilidad, debera de ser
capaz de mejorar considerablemente la calidad, siempre y cuando
sea paciente y realice un esfuerzo sostenido.-
EJERCICIO
DISCUTIR
PARA
HACER
EN
CLASE
El Ingeniero de control de calidad a cargo de un proceso de

empaquetado de sal esta preocupado por el contenido de
humedad en los paquetes de sal.- Para determinar si el proceso
esta en control estadstico, primero se necesitan definir los
subgrupos racionales, y despus recolectar ciertos datos.Suponga que para el proceso de empaquetado de sal la
preocupacin principal es que la variacin en la humedad del
ambiente de la planta pueda variar el contenido de humedad
promedio de los paquetes a lo largo del tiempo.- Recuerde que
los subgrupos racionales deben elegirse de tal forma que la
variacin dentro de cada muestra se deba solo a causas
comunes , no a causas especiales.- Por consiguiente, en este
caso una buena opcin para los subgrupos racionales es extraer
muestras
de diversos paquetes, cada una en intervalos
regulares.-
Los paquetes de cada muestra sern producidos lo ms

prximo en tiempo entre si.- De este modo, la humedad
del ambiente ser casi la misma para cada paquete de la
muestra, de forma que la variacin dentro del grupo no
se ver afectada por esta causa especial.Suponga que se extrae cinco paquetes de sal cada 15
minutos durante ocho horas y que el contenido de
humedad en cada paquete se mide como un porcentaje
del peso total.A continuacin mostramos los valores obtenidos:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
2,53
2,69
2,67
2,10
2,64
2,64
2,58
2,31
3,03
2,86
2,71
2,95
3,14
2,85
2,82
3,17
2,66
2,38
2,23
2,26
2,42
1,63
2,69
2,39
2,68
3,22
2,80
3,54
2,84
3,29
3,71
3,07
1,88
2,34
2,10
2,51
2,56
2,95
3,01
2,60
2,27
2,72
3,09
2,59
3,77
3,25
3,36
3,14
2,21
2,47
2,43
2,58
2,51
2,12
3,01
2,40
2,54
3,09
2,60
3,31
2,80
3,35
2,95
3,63
2,26
2,61
2,54
2,28
2,36
2,67
2,23
2,46
2,63
2,48
3,39
2,87
3,22
3,59
3,37
3,70
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
2,81
2,99
3,11
2,83
2,76
2,54
2,27
2,40
2,41
2,40
2,56
2,21
2,56
2,42
2,62
2,21
3,21
2,65
2,74
2,74
2,85
2,63
2,54
2,62
2,72
2,33
2,47
2,61
2,26
2,37
2,11
2,15
2,95
2,79
2,59
3,03
2,59
2,32
2,82
2,84
2,29
2,40
2,11
2,59
1,95
2,13
2,47
2,18
3,04
2,80
3,01
2,68
2,23
2,48
2,11
2,50
2,35
2,02
2,43
2,24
2,26
2,09
2,27
2,59
2,85
2,95
3,03
2,49
2,87
2,93
2,69
2,51
2,63
2,43
2,85
2,34
2,40
2,41
2,49
2,61
ACTIVIDAD
N 1
HACER EJERCICIO
PARA ENTREGAR
QUE ESTA
EN LA PLACA, SOBRE
LA ESTADISTICA DESCRIPTIVA
EN EL CONTROL DE CALIDAD
Sntesis de datos
Una carnicera vende cortes de lomo porcionados
a una cadena de restaurantes. La carne se corta,
congela y empaqueta en dos lneas de produccin
llamadas (con no mucha imaginacin) lnea
derecha y lnea izquierda. Se procura que cada
porcin pese 12 onzas, aunque hay variaciones
debido a las diferencias en la densidad de la
carne, el corte, el contenido de grasa y otros
factores.
Cada
porcin
se
inspecciona
visualmente y se pesa con una balanza en la lnea
misma de produccin; se supone que sta
rechaza cualquier corte que pese menos de 11.5
onzas y separa cualquier corte que pese ms de
12.6 onzas
ALA IZQUIERDA
SEMANA
10
12.32
12.16
12.34
12.03
11.95
12.05
11.78
12.01
11.85
12.39
12.04
11.98
12.06
11.95
12.12
11.84
12.29
12.10
11.92
12.07
11.78
12.07
12.11
11.71
11.87
11.88
11.61
11.93
12.08
12.01
12.37
11.98
11.94
12.06
11.88
12.24
12.05
12.10
12.32
11.82
12.08
11.95
11.82
11.86
12.51
12.07
12.07
12.25
11.98
12.28
12.12
11.62
12.01
12.04
11.86
12.05
11.80
12.05
12.17
12.20
12.49
12.12
11.92
11.76
11.97
11.78
11.80
11.69
12.04
12.01
11.78
12.29
12.52
12.23
12.32
12.14
11.64
12.12
12.24
12.08
12.00
11.95
12.05
12.15
11.89
12.27
12.23
12.00
12.01
12.22
10
11.95
11.81
11.99
12.00
11.93
12.01
12.01
11.74
12.50
11.77
11
11.85
12.13
12.55
12.09
12.28
12.43
11.92
11.96
11.95
12.19
12
11.81
11.86
11.75
11.86
12.13
12.43
12.14
11.81
12.21
12.19
13
12.15
11.87
12.36
12.29
12.13
11.82
12.30
11.76
11.88
11.90
14
12.10
11.82
11.94
12.22
11.61
12.15
11.92
12.06
12.08
12.06
15
12.19
11.77
11.89
11.96
11.97
11.93
12.18
12.12
12.37
12.27
16
11.84
12.03
12.07
11.91
11.90
11.86
11.98
12.25
11.96
12.05
17
12.24
11.80
12.03
12.13
11.88
12.52
12.06
11.90
12.01
11.91
18
12.08
12.02
11.87
11.89
12.06
12.19
11.91
12.06
11.91
11.85
19
12.18
12.17
12.03
11.74
11.65
12.01
12.45
11.84
11.88
12.00
20
12.42
12.00
11.89
11.92
12.06
12.00
11.63
12.12
12.02
12.28
21
11.60
11.85
12.08
11.68
12.28
12.12
11.96
12.16
11.81
11.93
22
12.01
11.68
11.96
11.88
11.62
11.82
11.77
12.17
11.78
12.07
23
12.54
12.35
11.96
12.11
11.94
12.11
11.98
12.16
12.28
11.80
24
12.25
11.97
12.21
12.03
12.01
11.94
11.76
12.15
11.71
12.07
25
11.63
12.10
12.14
12.19
11.74
12.19
11.88
12.11
11.76
11.88
ALA DERECHA
SEMANA
10
12.07
11.88
11.89
12.21
11.93
11.94
11.99
12.21
11.90
12.20
11.82
11.83
12.22
12.06
11.96
12.11
11.52
11.96
12.11
11.93
12.34
12.02
12.08
12.33
12.07
12.38
12.06
11.97
11.81
11.97
11.87
12.17
12.01
12.02
12.21
12.33
11.98
12.04
11.80
12.33
12.17
11.60
12.22
12.06
11.70
12.12
11.90
12.13
12.08
11.83
12.00
12.05
11.91
12.24
11.99
12.00
12.21
12.15
11.98
11.73
12.40
11.90
11.72
12.57
11.60
12.20
12.02
12.31
11.82
12.25
11.99
11.95
12.19
12.24
12.19
12.08
12.27
12.15
12.43
12.14
11.83
12.19
11.40
11.69
11.99
11.85
12.14
12.17
12.10
12.04
10
11.82
12.00
11.89
12.07
11.70
11.67
12.07
11.95
12.06
11.86
11
11.83
12.04
12.35
12.40
11.82
12.28
11.94
12.21
12.34
12.23
12
11.81
11.71
11.60
12.03
11.91
11.93
12.10
12.51
12.09
11.86
13
11.99
12.12
11.67
11.88
12.27
11.50
12.18
12.25
11.71
12.23
14
12.78
11.34
11.58
12.82
11.40
13.10
11.55
12.70
12.44
12.22
15
11.59
12.13
11.94
12.45
12.55
11.23
11.52
12.48
12.74
11.07
16
12.20
12.36
12.00
12.30
11.08
12.21
12.16
12.04
12.50
11.65
17
12.18
11.70
11.96
12.71
12.07
12.06
11.64
12.78
12.03
11.57
18
11.96
12.43
11.37
12.54
12.32
12.67
12.21
12.32
12.64
11.90
19
12.31
12.37
11.74
11.56
11.94
12.24
11.93
11.93
12.74
12.06
20
11.58
12.06
12.13
12.16
11.94
11.90
11.89
12.33
12.28
12.46
21
11.90
12.27
11.94
12.37
12.13
11.47
12.26
11.33
11.49
11.63
22
11.64
11.41
11.90
12.24
11.66
12.23
12.36
12.43
11.57
11.41
23
11.73
11.34
11.81
12.62
11.43
12.14
12.41
12.46
12.57
11.64
24
12.15
12.29
12.64
12.40
12.62
12.43
12.47
12.50
11.28
12.08
25
12.25
12.28
11.94
11.88
12.09
12.24
11.91
11.80
11.62
10.98
Los gerentes de produccin observaron que hay un

incremento en el nmero de paquetes con 24 cortes que
fueron devueltos por los clientes por tener un peso
inadecuado. Al investigar el origen de cada uno de los
paquetes rechazados encontraron que todos ellos venan
de la lnea derecha. Le han escrito a usted pidindole su
ayuda. "Como usted sabe, el control de la calidad cada
semana toma 10 cortes de cada lnea para hacerles una
prueba minuciosa. Antes de ser cocinados, se les pesa
cuidadosamente. Hemos tomado los pesos de cada lnea,
durante las ltimas 25 semanas. Durante las primeras 10
semanas, estuvimos trabajando a un ritmo lento para
estar seguros de que los cortes se estaban haciendo
correctamente. Las ltimas 15 semanas, hemos trabajado
casi al lmite de nuestra capacidad. El peso promedio de
las dos lneas es prcticamente el mismo; en todo caso,
el promedio de la lnea derecha es un poco mayor.
Entonces, por qu tantos paquetes de la lnea

derecha tienen menor peso que el especificado?" Con
la carta se incluyen los pesos de las muestras
semanales de los cortes.
Puede usted identificar alguna diferencia entre los
datos de las lneas derecha e izquierda que explique el
problema? Se presenta la diferencia despus de las
10 primeras semanas o durante ese periodo? Usted
querr utilizar un programa de computadora para
realizar los clculos aritmticos. Escriba un
memorndum a los gerentes; ellos no conocen los
trminos tcnicos, de modo que trate usted de utilizar
un lenguaje coloquial, tanto como sea posible.
ACTIVIDAD
N 2
DURANTE UNA SEMANA SE MIDIO EL

CONTENIDO
DE
HUMEDAD
CORRESPONDIENTE A 20 PAQUETES DE UN
DETERMINADO PRODUCTO, TOMNDOLOS
AL AZAR A LA SALIDA DE LA LNEA DE
ENVASADO.Los datos
En la placa
siguiente.- Indique que conclusiones se
pueden obtener a partir del anlisis grafico
de estos datos.COORDINAR CON EL JEFE DE PRACTICA
LA FECHA DE ENTREGA DE ESTE TRABAJO EN
GRUPOS DE DOS ALUMNOS.
lunes
8,20
8,36
8,37
8,52
8,05
8,76
8,51
8,18
8,52
8,64
8,83
8,35
8,48
8,34
8,51
8,08
8,15
8,15
8,68
8,79
martes
8,61
9,14
8,52
9,20
9,30
9,58
8,81
8,68
8,59
8,66
8,70
9,08
8,32
8,33
8,41
9,07
9,08
9,13
8,69
8,46
mierc
9,43
8,85
8,66
8,89
9,28
9,14
9,41
9,34
9,59
9,15
9,75
9,18
8,86
9,28
8,50
9,19
9,19
9,12
9,20
8,80
jueves
8,97
9,02
9,61
9,15
9,21
9,53
9,28
9,28
8,86
8,75
9,64
9,05
8,76
9,21
8,76
9,40
9,55
9,50
9,48
9,58
viernes
8,46
8,00
8,32
8,91
8,17
8,60
8,48
8,65
8,97
8,20
8,33
8,26
8,64
8,81
8,73
8,73
8,40
8,60
8,47
8,10
ACTIVIDAD N 3
EN LOS EJERCICIOS SIGUIENTES
REALICE UN ANALISIS
ESTADISTICO COMPLETO
(ESTADISTICA DESCRIPTIVA) EN
FUNCION DE LO QUE HA VISTO.CUANDO CORRESPONDA
COMPARE.- COMENTE.COORDINAR CON JEFE DE
TRABAJOS PRACTICO FECHA DE
ENTREGA.-
1.- Se desea comparar el rendimiento alcanzado en un

curso de capacitacin por los operarios de los Turnos
Tarde y Maana de una cierta fabrica.- Para ello
dispone de los puntajes (de 0 a 100) obtenidos en la
evaluacin final:
TURNO MAANA
63
54
68
59
79
72
36
55
55
69
59
54
82
49
68
55
73
66
48
89
83
75
34
46
69
67
59
81
76
43
57
71
66
65
73
61
75
64
62
56
69
69
64
73
65
47
92
71
72
49
TURNO TARDE
76
53
54
51
38
64
81
45
79
48
52
59
69
79
54
67
58
69
60
64
91
56
59
62
60
67
62
62
59
69
83
71
57
48
57
56
71
95
64
47
49
71
73
53
59
79
66
72
52
47
REALICE UN ANALISIS ESTADISTICO

COMPLETO.-
2.- Un empresario del ramo metalrgico, pidi que se

hiciera un anlisis
de la cantidad de piezas
producidas por dos tornos, el I y II.- El torno I funcion
durante 62 das y el torno II durante 80 das.- Los
valores que se obtuvieron se registra a continuacin:
TORNO 1
111
160
148
140
136
147
144
143
140
146
140
147
136
141
156
138
154
138
121
120
135
158
153
151
134
136
145
128
138
143
130
159
136
149
143
143
131
137
161
134
150
132
150
146
153
162
138
127
160
144
133
147
130
150
136
170
128
150
149
147
170
113
TORNO 2
111
138
131
134
142
128
162
126
144
126
158
143
150
142
170
145
140
160
136
140
150
118
143
138
160
132
120
150
128
120
136
150
146
130
159
130
156
170
130
138
161
132
128
149
120
126
158
122
151
142
150
136
114
166
116
146
141
141
121
150
148
112
146
156
163
146
160
140
160
130
150
132
152
136
140
136
148
121
130
140

COMPLETO.-
3.- Una empresa de fabricacin de calzado

dispone de dos mquinas iguales, mquina 1 y
mquina 2, para el pegado de la suela de los
zapatos.- Recientemente se produjeron ciertos
desajustes en una de las mquinas que solo
afecto a su tiempo medio de pegado (en
unidades de tiempo u. t.), pero que ya han sido
reparados.- Se le pide que realice un anlisis
estadstico de cada una de las mquinas.Realice comparaciones y de conclusiones.Los datos recogidos de cada mquinas
fueron;
MAQUINA 1
3.49
5.08
4.57
5.44
5.11
4.97
4.81
5.63
5.46
3.91
4.33
4.83
4.48
4.51
6.14
4.93
4.41
3.70
4.52
5.21
4.94
4.81
4.21
5.14
5.39
5.43
5.02
4.47
4.95
4.64
5.55
4.60
5.39
5.50
6.36
6.71
4.84
4.34
5.23
4.21
3.81
5.70
4.70
4.70
5.33
3.82
4.74
5.14
4.53
4.84
5.58
4.86
5.54
5.04
5.30
4.69
5.28
5.09
5.85
4.73
5.02
5.50
4.74
5.14
5.05
4.01
MAQUINA 2
4.89
6.12
5.26
5.57
5.14
6.32
6.20
5.69
6.40
7.03
5.98
5.70
6.41
6.12
5.93
6.21
6.19
5.97
5.24
5.90
5.14
6.34
5.93
6.42
5.66
5.98
5.48
5.78
5.36
5.67
6.79
5.53
6.52
5.94
4.98
6.68
6.40
6.38
5.96
6.33
5.90
6.31
6.30
6.11
5.61
5.90
5.13
5.31
6.44
7.00
6.18
6.05
6.55
6.40
4.96
5.59
5.61
5.53
5.39
5.88
5.60
6.15
6.13
6.62
5.43
5.81
6.63
6.18
6.97
6.61

COMPLETO.-
4.- Una empresa de fabricacin dispone de un

proceso de envasado en botellas de cristal.Un proveedor de maquinarias le oferta una
mquina que le permitira envasar en Tetra
Brik,
que tiene un menor costo.- Este
proveedor adems afirma que el tiempo medio
de envasado es menor.- El proveedor rene
los siguientes datos de tiempos de
envasados.- Realice un estudio estadstico,
haga comparaciones y de conclusiones.-
BOTELLAS DE CRISTAL
1.24
2.04
1.78
2.22
2.05
1.99
1.90
2.31
2.23
2.14
2.01
1.87
1.46
1.67
1.91
1.74
1.76
2.57
1.41
1.92
2.02
2.04
2.06
2.07
1.76
2.11
1.97
2.20
2.21
2.01
1.87
2.29
2.15
2.43
2.38
2.02
2.27
1.80
2.19
2.25
2.68
2.86
2.07
1.93
1.84
1.92
1.67
2.11
1.60
1.41
2.35
1.85
1.85
2.06
1.99
1.79
2.16
1.98
1.97
2.41
2.16
1.69
2.06
2.05
1.91
2.17
1.97
1.91
1.73
1.87
2.12
1.93
1.77
1.71
1.60
1.98
2.25
2.25
2.16
2.27
1.35
2.07
1.82
1.50
2.15
2.07
TETRA BRIK
0.90
1.53
1.33
1.67
1.54
1.49
1.42
1.75
1.69
1.61
1.51
1.40
1.07
1.23
1.43
1.29
1.31
1.95
1.03
1.44
1.52
1.54
1.56
1.55
1.31
1.58
1.48
1.66
1.67
1.51
1.40
1.73
1.62
1.84
1.79
1.52
1.72
1.34
1.65
1.70
2.05
2.19
1.56
1.45
1.38
1.44
1.24
1.59
1.18
1.03
1.63
1.47
1.42
1.29
1.39
1.31
1.26
1.18
1.48
1.70
1.72
0.98
1.55
1.36
1.10

COMPLETO.-
5.- Un exportador de limones empaqueta mallas que en

trmino medio deben pesar 2kg, con una desviacin
estndar de 0,15 kg.-.- El sostiene que se han producido
ciertos desajustes en la mquina que rellena las mallas
que hace pensar que el peso medio ha cambiado.- Para
verificar extrae la siguiente muestra aleatoria simple de
pesos:
1,647
2,124
1,970
2.231
2,132
2,092
2,042
2,289
2,239
2,261
2,183
2,105
2,023
1,774
1,900
2,048
1,943
1,954
1,923
1,710
1,745
2,053
2,112
2,127
2,139
2,141
1,955
2,043
1,863
2,141
2,218
2,228
2,107
2,022
2.273
2,190
2,115
2.200
2.441
2.163
2.356
1.959
2.080
2.081
2.317

COMPLETO.-
6.- La empresa de lacado de puertas S.L, utiliza

el mtodo de lacado M1.- Sin embargo, los
ltimos desarrollos tecnolgicos han dado como
resultado una pintura que seca ms rpido pero
que necesita mayor tiempo en su aplicacin
sobre la madera, mtodo M2.- Los expertos
aseguran que con el M2 la empresa reducira el
tiempo medio total invertido en el lacado de una
puerta, con respecto al M1.- Lacado S.L, antes de
abandonar el mtodo tradicional y adoptar el
nuevo mtodo decide ponerlo a prueba durante
un tiempo y comparar resultados.- Los tiempos
de lacado (en unidades de tiempo, u.t) que
obtuvo en ambos mtodos son los siguientes:
METODO M1 TRADICIONAL
9,10
6,17
10,73
13,83
13,60
15,20
3,45
9,30
3,65
8,30
8,79
10,40
8,90
9,02
8,89
14,03
14,98
5,16
11,62
12,71
15,76
9,75
8,43
12,03
6,74
7,93
4,93
4,46
7,07
7,68
13,29
8,86
9,44
8,46
15,92
12,60
17,13
8,04
9,74
8,91
12,27
5,67
7,46
5,44
METODO M2
11,84
NUEVO
12,57
10,29 10,41
16,11
10,86
15,76
7,12
12,56 11,55
17,03 14,85
9,45
15,85
11,77
16,18
13,63 10,94
10,49 13,27
13,97
11,07
11,02
13,16
13,22 12,64
15,00 13,61
11,88
8,81
7,77
8,59
13,30 13,78
15,36 16,42
11,62
13,70
9,57
13,89
6,95
7,67
20,67
13,43
18,06
10,79
16,03
10,44
13,51 11,73
COMPLETO.-
ACTIVIDAD N 4
EJERCICIOS
PLANTEADOS
1.- Se realizan investigaciones para producir fibras

textiles a partir de fibras de turba.- Ello permitira tener
una fuente de materia prima barata para las industrias
textiles y papeleras.- Una variable que se estudia es X, el
porcentaje de contenido de ceniza de una variedad
particular de musgo de turba.- Suponga que se obtienen
las observaciones siguientes con una muestra de 50
musgos.0,5
1,8
4,0
1,0
2,0
1,1
1,6
2,3
3,5
2,2
2,0
3,8
3,0
2,3
1,8
3,6
2,4
0,8
3,4
1,4
1,9
2,5
1,2
1,9
2,3
2,6
3,1
2,5
1,7
5,0
1,3
3,0
2,7
1,2
1,5
3,2
2,4
2,5
1,9
3,1
2,4
2,8
2,7
4,5
2,1
1,3
0,7
3,7
1,8
1,7
2.- Se consider los tiempos de ignicin que

fueron registrados para una tela sinttica
producida por la empresa Ritex.-
30,1
31,6
34,5
38,0
31,1
36,0
33,0
31,5
34,5
37,6
31,0
32,5
31,3
36,9
34,0
37,5
30,5
32,4
35,6
33,0
31,4
37,5
30,2
32,0
35,0
31,2
36,5
33,5
30,1
31,6
35,0
39,5
33,0
31,3
37,0
3.- Se cont el nmero de pasas en cada una

de 14 minicajas para ventas a turistas de una
marca genrica A y otra de marca B.- Los
datos conjuntos se muestran en la siguiente
tabla.Marca A
25
26
25
28
26
28
28
27
26
27
24
25
26
26
28
30
27
28
24
Marca B
25
29
24
24
28
24
28
22
25
4.- En los ltimos aos, ha habido numerosas mejoras

en la iluminacin.- Una nueva bombilla (foco), Herat
Light, de Philips, usa un bulbo fluorescente
atornillable con una balastra electrnica en su base.Se calcula que dura 10-13 veces ms que las bombillas
domesticas
usadas en el pasado.- Los datos
siguientes se obtuvieron respecto de la vida til de
una muestra de estas nuevas bombillas (tiempo en
miles de horas).9,1
10,5
10,1
9,5
9,0
12,0
11,4
9,1
12,2
9,0
13,1
9,6
10,0
11,1
9,3
9,1
13,3
9,0
10,7
11,0
9,1
9,2
9,0
11,6
5.- Los conductores metlicos o tubos huecos

se usan en el cableado elctrico.- En la prueba
de tubos de 1 pulgadas, se obtienen los datos
siguientes respecto del dimetro exterior (en
pulgadas) del tubo:
1,281
1,288
1,293
1,293
1,287
1,291
1,286
1,295
1,292
1,289
1,291
1,289
1,290
1,286
1,296
1.291
1,291
1,288
1,289
1,286
6.- El acabado superficial de proteccin anticorrosiva

suele ser el ltimo proceso de manufactura que tiene
lugar antes de la venta o ensamblaje de partes
metlicas usadas en producto como los artefactos
domsticos.Una tcnica para la aplicacin de
plateado de zinc brillante al acero es sometida a
prueba.- La variable en estudio es el grosor del
recubrimiento obtenido en micras en 25 franjas de
pruebas.6,4
8,5
8,3
7,0
7,9
7,4
7,5
7,2
6,9
6,8
7,1
7,8
8,1
7,3
7,5
8,4
7,7
8,0
8,5
7,8
7,5
7,8
7,6
8,4
9,9
7.- En cierto artculo de una revista de Ingeniera,

se analiza la resistencia de la cermica antigua.Se evaluaron algunas muestra de cada uno de
tres tipos de cermica.- Las cargas (en kg.)
requeridas para romper las muestras son las que
aparecen en la tabla siguiente:
a) Construya un diagrama de caja comparativo
para las tres muestras.b) Cuntos datos atpicos contiene cada
muestra?.c) Comente acerca de las caractersticas de las
tres muestras.-
Tipo de cermica: Sacaton

15
30
51
20
17
22
29
15 13
15
19
20
34
17
15
23
19
15
18
16
25 28
Tipo de cermica: Planicie del ri Gila

27
18
28
25
55
21
18
34
23
30
20
30
31
26
17
19
16
24
19
31
19
27
20
45
15
Tipo de cermica: Casa Grande

20 16
20
36
27
20
23
21
13 21
24
35
66
15
18
24
21
30
8.- Los siguientes datos son mediciones de

viscosidad de un producto qumico tomada cada
hora.-
47.9
48.8
48.6
43.2
43.0
47.9
48.1
48.0
43.0
42.8
48.6
48.3
47.9
43.5
43.1
48.0
47.2
48.3
43.1
43.2
48.4
48.9
48.5
43.0
43.6
48.1
48.6
48.1
42.9
43.2
48.0
48.0
48.0
43.6
43.5
48.6
47.5
48.3
43.3
43.0

2013 Unidad 1 Ingenieria-1

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2013 Unidad 1 Ingenieria-1

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DE LA

LA CATEDRA CUENTA CON

INFORMACION PARA TOMAR

El campo de la estadstica tiene que ver con la

Esta materia busca dotar al ingeniero y cientfico con las

requerimientos para inspeccin y prueba, y las perdidas

Otro ejemplo; si se cuenta el nmero de defectos en los

En general, la variabilidad es el resultado

El muestreo tambin puede ser causa de variabilidad.- Por

Es as como el proceso de muestreo introduce cierta

EL ROL DEL CIENTIFICO Y DEL

El ingeniero y el cientfico, con sus conocimientos

Es una palabra que encontramos frecuentemente en

Es la ciencia que aporta las

Dependiente del propsito del

La Estadstica Descriptiva comprende

La mayora de los experimentos y las investigaciones

Propuesta : determinar si es posible encontrar una

Sin embargo, desde un punto de vista prctico, a

Es el conjunto de todas las

Poblacin infinita : cuando el nmero de

Los elementos de una poblacin poseen

Por ejemplo: si tenemos un estudio sobre personal

Los caracteres de un elemento de la poblacin pueden

CARACTERES CUALITATIVOS, ATRIBUTOS O

CARACTERES CUANTITATIVOS O VARIABLES

Por ejemplo: puntajes de un

Dentro de los caracteres cuantitativos o variables

Una variable estadstica es DISCRETA si toma

Una variable estadstica es CONTINUA si

Por ejemplo : peso de una persona, altura, produccin

Veamos un ejemplo de como acta en parte la

Scatterplot of CAJ AS (MI LES) vs DI A

Sin embargo, en los das 7 y 8 el nivel de

Respecto a la Estadstica Inferencial, diremos:

Estimar la proporcin de clientes que estn insatisfecho

Las respuestas a estas preguntas pueden ayudar a la

Influye la tasa de crecimiento de la oferta monetaria en

Las predicciones de los futuros tipos de inters son

Todas las variables deben tener una

Para el anlisis de datos se debe estar familiarizado con

PARA VARIABLES CATEGORICAS

PARA VARIABLES NUMERICAS

Estas escalas tienen ciertas

Escala ordinal o de orden

Las propiedades bsicas de

Podemos sealar las siguientes

La caracterizaremos del siguiente

La serie de nmeros reales tienen

MUESTRA.Muy frecuentemente es necesario seleccionar una muestra y en base

Una muestra estadstica es un

METODOS DE SELECCIN DE LA MUESTRA

Existen dos mtodos bsicos para

MUESTRA ALEATORIA SIMPLE.Una muestra aleatoria simple, es aquella en la cual

Existen dos mtodos bsicos para seleccionar muestras:

El muestreo con reemplazo , implica que una vez

En el muestreo sin reemplazo , no se regresa la persona

Sin importar si el muestreo es con o sin reemplazo,

Uno de estos mtodos utiliza una TABLA DE

Para usar una tabla como la que vemos en prctica en

Ejemplo1 : El Director de Recursos Humanos desea

Ejemplo 2 : Una ingeniera que supervisa la calidad

En algunos casos, es difcil o imposible extraer una

Una muestra de conveniencia