Vous êtes sur la page 1sur 415

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

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)

Grfica de dispersin de Muestra vs. Orden


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

Fuente: Elaboracin propia

% 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

Fuente: Elaboracin propia

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

Fuente: Elaboracin propia


Total de alumnos segn si corri o no

Fuente: Elaboracin propia

Total de alumnos segn fuman

Situacin

Total
Alumnos

% del
Total

Fuma

12

30

No Fuma

28

70

TOTAL

40

100.0

Fuente: Elaboracin propia

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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA


DEL TOTAL DE HOMBRES EL 48% NO CORRIO
DEL TOTAL DE MUJERES EL 8% CORRIO

TOTAL ALUMNOS SEGN SEXO Y SI CORRIO

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA


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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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
FUENTE: ELABORACIN PROPIA

26

13
40

TENEMOS 18 ALUMNOS QUE SON HOMBRE Y TIENEN BAJA


ACTIVIDAD
CINCO ALUMNOS TIENEN ACTIVIDAD MEDIA
13 ALUMNOS SON MUJERES

TOTAL DE ALUMNOS SEGN SEXO Y TIPO DE


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
FUENTE: ELABORACIN PROPIA
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

TOTAL DE ALUMNOS SEGN SEXO Y TIPO DE


ACTIVIDAD

FUENTE: ELABORACIN PROPIA

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
FUENTE: ELABORACIN PROPIA
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

FUENTE: ELABORACIN PROPIA

TOTAL DE ALUMNOS SEGN SEXO Y TIPO DE


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
FUENTE: ELABORACIN PROPIA
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
FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

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

TOTAL DE ALUMNOS SEGN FUMAN Y TIPO DE


ACTIVIDAD

FUENTE: ELABORACIN PROPIA

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

FUENTE: ELABORACIN PROPIA

100,00

DEL TOTAL DE ALUMNOS CON BAJA ACTIVIDAD EL 20% FUMAN


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

TOTAL DE ALUMNOS SEGN FUMAN Y TIPO DE


ACTIVIDAD

FUENTE: ELABORACIN PROPIA

TOTAL DE ALUMNOS SEGN FUMAN Y TIPO DE


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

FUENTE: ELABORACIN PROPIA

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

DETALLE DEL PROBLEMA

Burlete defectuoso

Burlete roto o deforme que no ajusta

Pintura defectuosa

Defectos de pintura en superficie exterior

Gavetas defectuosas

Gavetas interiores con rajaduras

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

No para el motor cuando alcanza temperatura

36

No enfra

El motor arranca pero la heladera no enfra

27

No funciona

Al enchufar no arranca el motor

Otros

Otros defectos no incluidos en los anteriores

Puerta defectuosa

Puerta del refrigerador no cierra hermticamente

Puerta no cierra

La puerta no cierra correctamente

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

DETALLE DEL PROBLEMA

Burlete defectuoso

Burlete roto o deforme que no ajusta

10,2

Pintura defectuosa

Defectos de pintura en superficie exterior

5,7

Gavetas
defectuosas

Gavetas interiores con rajaduras

1,1

Mal Nivelacin

La heladera se balancea y no se puede cerrar

1,1

Motor no arranca

El motor no arranca despus de ciclos de paradas

1,1

Motor no se detiene

No para el motor cuando alcanza temperatura

36

40,9

No enfra

El motor arranca pero la heladera no enfra

27

30,7

No funciona

Al enchufar no arranca el motor

2,3

Otros

Otros defectos no incluidos en los anteriores

0,0

Puerta defectuosa

Puerta del refrigerador no cierra hermticamente

0,0

Puerta no cierra

La puerta no cierra correctamente

2,3

Rayas

Rayas en la superficie externas

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

DETALLE DEL PROBLEMA

Motor no se detiene

No para el motor cuando alcanza temperatura

36

40,9

No enfra

El motor arranca pero la heladera no enfra

27

30,7

Burlete defectuoso

Burlete roto o deforme que no ajusta

10,2

Pintura defectuosa

Defectos de pintura en superficie exterior

5,7

Rayas

Rayas en la superficie externas

4,5

No funciona

Al enchufar no arranca el motor

2,3

Puerta no cierra

La puerta no cierra correctamente

2,3

Gavetas defectuosas

Gavetas interiores con rajaduras

1,1

Mal Nivelacin

La heladera se balancea y no se puede cerrar

1,1

Motor no arranca

El motor no arranca despus de ciclos de paradas

1,1

Otros

Otros defectos no incluidos en los anteriores

0,0

Puerta defectuosa

Puerta del refrigerador no cierra hermticamente

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.-

fr e c u e n c i a r e l a ti v a

POLIGONO DE FRECUENCIA CON 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

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

Res is tencia a la tens in en ps i.-

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

EJERCICIOS PARA HACER EN CLASE


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.-

EJERCICIOS PARA HACER EN CLASE


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.
El cuartil de orden 2 es aquel que me deja un 50 % de datos a
izquierda y un 50 % a la derecha, de su valor. Coincide con la
mediana.
El cuartil de orden 3 es aquel que me deja un 75 % de datos a
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
50% de los datos son
al valor del Q2 y el 50%
restantes mayores a el

75% de los datos son


al valor del Q3 y el 25%
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
El 25% de los empleados
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.-

El 82% de los empleados


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
El 70% de los empleados
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 i a r e l a ti v a

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

REALICE UN ANALISIS ESTADISTICO


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

REALICE UN ANALISIS ESTADISTICO


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

REALICE UN ANALISIS ESTADISTICO


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

REALICE UN ANALISIS ESTADISTICO


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
REALICE UN ANALISIS ESTADISTICO
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