Analisis de Datos y Estadisticos

PROGRAMA CERTIFICADO EN BIG DATA
Profesor: Alexander Toscano

Obtención de datos
• Big DATA

Mejora de procesos y los sistemas de la
calidad en la obtención de datos
La toma de decisiones
se apoye en un Contar con
correcto análisis de información de calidad
datos e información

Ejemplo: está el Tabúes y errores
Obtención de
diseño de sobre el papel de la
información para
“Datitis” cuestionarios con estadística en la
validar decisiones
papel, lápiz y obtención de
previamente tomadas
ocurrencias información
Es raro que se
tenga un plan global
de por qué se va a
Se obtienen datos
obtener
sin ningún propósito
información, cuál es Por ejemplo,
claro ni importante,
Es decir, sólo tomar la mejor fuente, tamaño de la
lo cual resulta en
en cuenta la cómo, cuándo, muestra, confianza
datos, cuestionarios,
información quién, dónde, cómo estadística y
registros y reportes
favorable. se va a analizar, y selección aleatoria
en espera de que
qué decisiones se de la muestra.
tengan alguna
pretenden tomar. a
utilidad.
Información poco
representativa y
sesgada.

Problema u Objeto Objetivos que se ¿Qué información
de Estudio persiguen se requiere?
La toma de
decisiones y ¿Dieron
Resultados?
Obtenerla
No
Existe
la estadística
Acciones y
Conclusiones Análisis
Deciciones

• La variabilidad y el pensamiento
estadístico

“

Esta variación que ocurre en nuestras vidas, también
ocurre en los resultados de los procesos, ya que son
generados por la interacción de
Mano o
Materiales Maquinas Mente de
obra
Medio
Mediciones Métodos
Ambiente


“

Identificar dónde, cómo, cuándo y con qué frecuencia se
presentan los problemas (regularidad estadística).
Analizar los datos procedentes de las guías clave del negocio,

para así identificar las fuentes de variabilidad, analizar su
estabilidad y pronosticar su desempeño.
Detectar con rapidez, oportunidad y a un bajo costo

anormalidades en los procesos y sistemas de medición
(monitoreo eficaz).
Ser objetivos en la planeación y toma de decisiones, evitando

frases como el “yo siento”, el “yo creo”, “mi experiencia” y el
abuso de poder en la toma de decisiones.
Expresar los hechos en forma de datos y evaluar de manera

objetiva el impacto de acciones de mejora.

Pensamiento Estadístico
1) todo el trabajo
3) entender y reducir la
ocurre en un sistema 2) la variación existe
variación son claves
de procesos en todos los procesos
para el éxito
interconectados

• Tipos de variables

Variables cualitativas
(nominales o de atributos)

Variables Cuantitativas
Variables discretas
Variables continuas
Variables de entrada
Variables de salida
Variables de Salida
• Son variables o • Son variables o • Variables que deben
Entre más grande mejor.

Entre más pequeño mejor.
El valor nominal es el mejor.

características de características de tener un valor
calidad cuya única calidad a las que se les específico y que, por lo
exigencia es que no exige que sean tanto, no deben ser
excedan un cierto mayores que un valor menores que una
valor máximo tolerado mínimo o que una especificación inferior
o una especificación cierta especificación (EI), pero tampoco
superior (ES), y entre inferior (EI), y entre mayores que una
más pequeño sea su más grande sea el superior (ES). Por
valor es mejor. Por valor de la variable es ejemplo, el diámetro
ejemplo, el porcentaje mejor. Por ejemplo, la interior de una tuerca
de impurezas en una resistencia de una o la longitud de una
sustancia o la cantidad pieza de plástico pieza para ensamble;
de sustancias tóxicas inyectado o la no pueden ser ni muy
en un producto “blancura” de una tela chicas ni muy grandes.
alimenticio. de color blanco.

Una tarea primordial del control de calidad es conocer qué tanto
los valores de una variable de salida de un proceso son
satisfactorios, y saber de esa manera si el proceso es capaz de
cumplir las especificaciones para esa variable. Por ello es
necesario tomar datos de esta variable y analizarlos
adecuadamente.

• Capacidad de un proceso,
estadística descriptiva

Las variables de Por ello, una tarea
salida o de respuesta primordial del control
de un proceso deben de calidad es conocer
cumplir con ciertas la capacidad o
metas y/o habilidad de un
especificaciones, a fin proceso, que consiste
de que sea posible en determinar la
considerar que el amplitud de la
proceso funciona de variación natural del
manera satisfactoria. proceso para una
característica de
calidad dada.

el histograma y la tabla de frecuencias permiten visualizar estos dos
aspectos de un conjunto de datos, y además muestran la forma en la que
los datos se distribuyen dentro de su rango de variación. Específicamente,
el histograma es una representación gráfica, en forma de barras, de la
distribución de un conjunto de datos o una variable, cuyos datos se
clasifican por su magnitud en cierto número de grupos o clases, y cada
clase se representa por una barra, cuya longitud es proporcional a la
cantidad de datos que pertenecen a dicha clase. Usualmente, el eje
horizontal está formado por una escala numérica para mostrar la magnitud
de los datos y en el eje vertical se representan las frecuencias.

484
501 501 502 509
490 497 500 502 498
501
496 500 502 500
501
487 500
502 505 506
501
493 501 508 506
506 504
493
506 508 510
508 504 509 510

511 518 515
505
Construcción de un Histograma
Paso 1 (Hallar el Rango)
• 𝑅 = 𝐷𝑎𝑡𝑜 𝑀á𝑥𝑖𝑚𝑜 − 𝐷𝑎𝑡𝑜 𝑀í𝑛𝑖𝑚𝑜

• 𝑅 = 515 − 484 = 31
Paso 2 (Hallar el Número de Clases – NC) (de 5 a 15)

𝑠𝑒 𝑎𝑐𝑒𝑟𝑐𝑎 𝑎
• NC(5−15) = 1 + 3,3 ∗ 𝐿𝑜𝑔10 40 = 6,33 7
𝑠𝑒 𝑎𝑐𝑒𝑟𝑐𝑎 𝑎
• NC(5−15) = 40 = 6,29 7
Paso 3 (Hallar la Longitud de la Clase – LC)
• 𝐿𝐶 = 𝑅 + /𝑁𝐶 = (520 − 480) 7 = 5.7

Construcción de un Histograma
Paso 4
• Construir los Intervalos de Clases
Paso 5
• Obtener la Frecuencia de Cada Clase
Paso 6
• Graficar el Histograma

Interval (480 - (485,7 - (491,4 - (497,1 - (502,9 - (508,6 - (514,3 -
o 485,7) 491,4) 497,1) 502,9) 508,6) 514,3) 520)
484 490 493 498 508 510 515
487 493 502 505 510 518
496 502 505 509
497 501 506 511
500 506 509
500 506
Datos
501 504
502 506
500 508
500 508
501 504
501
502
501

Tabla de Frecuencias para el peso de un
producto dado

Ejemplo Histograma

Datos

Ejemplo A

Ejemplo B

Información del ejercicio
• En un proceso de inyección de plástico una característica de calidad del producto
(disco) es su grosor, que debe ser de 1.20 mm con una tolerancia de ±0.10 mm
• Así, para considerar que el proceso de inyección fue satisfactorio, el grosor del
disco debe estar entre la especificación inferior, EI = 1.10 y la superior, ES = 1.30.
En un estudio de capacidad para este proceso es necesario contestar las
siguientes interrogantes: ¿qué tipo de discos en cuanto a grosor se están
produciendo? ¿El grosor medio es adecuado? ¿La variabilidad del grosor es
mucha o poca?
• Para contestar estas preguntas, durante una semana se obtuvieron de una línea
de producción los 125 datos de la tabla. El muestreo fue sistemático: cada
determinado tiempo se tomaban cinco productos y se medían y al final de la
semana se tuvieron los datos referidos. A continuación se analizarán estos datos
por medio de diferentes estadísticos.

Elementos Relevantes
Límites Cantidad de datos Calidad
• Especificación • 125 • Grosor de 1,20

inferior EI=1.10 mm
• Especificación • Tolerancia de
superior ±0,10 mm
ES=1.30

Datos
1,15 1,2 1,17 1,16 1,16 1,15 1,17 1,2 1,16 1,19 1,17 1,13 1,15 1,2 1,18 1,17 1,16
1,2 1,17 1,17 1,2 1,14 1,19 1,13 1,19 1,16 1,18 1,16 1,17 1,15 1,21 1,15 1,2 1,18
1,17 1,17 1,13 1,16 1,16 1,17 1,2 1,18 1,15 1,13 1,2 1,17 1,19 1,23 1,2 1,24 1,17
1,17 1,17 1,17 1,18 1,24 1,16 1,18 1,16 1,22 1,23 1,22 1,19 1,13 1,15 1,15 1,22 1,19
1,18 1,19 1,17 1,16 1,17 1,18 1,19 1,23 1,19 1,16 1,19 1,2 1,17 1,13 1,22 1,19 1,21
1,2 1,19 1,17 1,19 1,22 1,19 1,18 1,11 1,19 1,19 1,17 1,19 1,17 1,2 1,16 1,19 1,2
1,2 1,17 1,25 1,16 1,16 1,2 1,2 1,16 1,18 1,21 1,2 1,22 1,19 1,14 1,19 1,17 1,2
1,16 1,15 1,2 1,12 1,11 1,18

Media muestral
• Medida de tendencia
central que es igual al
promedio aritmético de
un conjunto de datos,
que se obtiene al
sumarlos y el resultado es decir, la media muestral se obtiene
se divide entre el número sumando todos los datos y el resultado de
de datos. la suma se divide entre el número de datos
(n).
MEDIA POBLACIONAL O DEL PROCESO, 𝜇

se denota con la letra griega μ (mu)

Problemas de la Media

Mediana o
percentil 50
Medida de tendencia central
~
=1,18
que es igual al valor que
divide a la mitad a los datos
cuando son ordenados de
menor a mayor. 𝑋

Datos Organizados
1,11 1,11 1,12 1,13 1,13 1,13 1,13 1,13 1,13 1,14 1,14 1,15 1,15 1,15 1,15
1,15 1,15 1,15 1,15 1,15 1,16 1,16 1,16 1,16 1,16 1,16 1,16 1,16 1,16 1,16
1,16 1,16 1,16 1,16 1,16 1,16 1,16 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17
1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17 1,17
1,18 1,18 1,18 1,18 1,18 1,18 1,18 1,18 1,18 1,18 1,18 1,19 1,19 1,19 1,19
1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19 1,19
1,19 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2 1,2
1,21 1,21 1,21 1,22 1,22 1,22 1,22 1,22 1,22 1,23 1,23 1,23 1,24 1,24 1,25
1,18

Otra forma de medir la
tendencia central de un
Moda
conjunto de datos es
mediante la moda, que es
igual al dato que se repite
más veces. Si varios datos
se repiten el mismo número
de veces, entonces cada uno
de ellos es una moda, y se
dice que el conjunto de datos
es multimodal. La función
MODA( ) de Excel calcula la
moda de un conjunto de
datos.

Desviación estándar poblacional o del proceso, 𝜎
• Refleja la variabilidad de un
proceso. Para su cálculo se debe
2
utilizar un número grande de datos (𝑋 − 𝜇)
que hayan sido obtenidos en el
𝜎=
transcurso de un lapso de tiempo
amplio. Se denota con la letra 𝑁
griega sigma σ.
VARIANZA, 𝜎 2 (𝑋 − 𝜇)
2
2
• Media aritmética de las desviaciones 𝜎 =
de la media elevadas al cuadrado. 𝑁

Bibliografía y recursos electrónicos

Bibliografía
• Gutiérrez Pulido, H., & de la Vara Salazar,

R. (2009). Control Estadístico de Calidad y
Seis Sigma. México: McGraw Hill.
• Real Academia Española © Todos los
derechos reservados

¡Muchas Gracias!

Analisis de Datos y Estadisticos

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analisis de Datos y Estadisticos

Transféré par

Droits d'auteur :

Formats disponibles

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

Analizar los datos procedentes de las guías clave del negocio,

Detectar con rapidez, oportunidad y a un bajo costo

Ser objetivos en la planeación y toma de decisiones, evitando

Expresar los hechos en forma de datos y evaluar de manera

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

Profesor: Alexander Toscano

Entre más grande mejor.

El valor nominal es el mejor.

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

508 504 509 510

• 𝑅 = 𝐷𝑎𝑡𝑜 𝑀á𝑥𝑖𝑚𝑜 − 𝐷𝑎𝑡𝑜 𝑀í𝑛𝑖𝑚𝑜

Paso 2 (Hallar el Número de Clases – NC) (de 5 a 15)

Paso 3 (Hallar la Longitud de la Clase – LC)

• 𝐿𝐶 = 𝑅 + /𝑁𝐶 = (520 − 480) 7 = 5.7

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

• Construir los Intervalos de Clases

• Obtener la Frecuencia de Cada Clase

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano

PROGRAMA CERTIFICADO EN BIG DATA

Profesor: Alexander Toscano