Control Estadístico de Procesos

Medidas de Tendencia Central

Una característica importante de cualquier población es su

posición, es decir, donde está situada con respecto al eje de
abscisas (Eje horizontal). En nuestro caso, es importante saber si los
datos se agrupan alrededor de 60 Kg. o de 90 Kg. o alrededor de 12
Kg. Una manera de obtener un dato numérico que nos dé idea de la
posición de nuestra población es calcular el Promedio o Media de
todas las observaciones:

Xi
X
N
Este importante parámetro nos permite efectuar comparaciones entre
distintas poblaciones. Por ejemplo, si tuviéramos una población
formada por mediciones del peso de mujeres de 30 años, otra de
peso de varones de 40 años y una tercera de peso de niños de 8
años, es indudable que los promedios van a ser diferentes. El
promedio, entonces, nos está diciendo que las tres poblaciones son
diferentes y también en que medida difieren.

Ahora, si tuviéramos una población de varones con peso promedio

70 Kg. y otra población de varones con el mismo promedio, se puede
afirmar que ambas poblaciones son equivalentes? Para responder
esta pregunta necesitamos tener medidas de la dispersión de la
población de datos.

Medidas de Dispersión

La otra característica muy importante de una población es el grado

de dispersión de las observaciones. No es lo mismo si en nuestra
población encontramos que todos los valores están entre 75 y 90 Kg.
que si están entre 60 y 105 Kg., aunque el promedio sea el mismo. Si
llegara a la tierra un marciano y le dijéramos
que el peso promedio de los seres humanos
adultos es de 70 Kg., puede llegar a creer
que existen hombres de 350 Kg., o de 5 Kg.
Es necesario agregar alguna idea de la
dispersión de los valores. Una manera es a
través del Rango de las observaciones, es
decir, el valor Máximo y el valor Mínimo de los datos de la población.
Entonces, una descripción mas realista acerca de los seres humanos
sería decir que pesan en promedio 70 Kg. y que el rango es de 40 a
120 Kg. (Estos valores son supuestos).
Una manera mas precisa de
dar idea de la dispersión de valores
Altura de una población es a través de la
Varianza o su raíz cuadrada, que es
la Desviación Standard. Vamos a
calcular la varianza y la desviación
standard de un número pequeño de
datos (Una muestra) para ilustrar el
cálculo. Supongamos que se midió la
altura de 10 personas adultas y de
sexo femenino, y se obtuvieron los
valores siguientes:

165 cm.
163 cm.
171 cm.
156 cm.
162 cm.
159 cm.
162 cm.
168 cm.
159 cm.
167 cm.
El promedio de estas observaciones es:

X 163,2 cm.

Si a cada una de las observaciones le restamos el promedio,

obtenemos los Residuos:

Xi Xi X
165 1,8
163 −0,2
171 7,8
156 −7,2
162 −1,2
159 −4,2
162 −1,2
168 4,8
159 −4,2
167 3,8

Los residuos también nos dan una idea de la dispersión de las

observaciones individuales alrededor del promedio. Si el valor
absoluto (El valor numérico sin el signo) de los residuos es grande,
es porque los valores están muy dispersos. Si el valor absoluto de
los residuos es pequeño, significa que las observaciones individuales
están muy cerca del promedio, y por lo tanto, hay poca dispersión.

Pero nosotros necesitamos un sólo número que nos provea

información acerca de la dispersión de los valores. Si sumamos los
residuos, como algunos son positivos y otros negativos, se
cancelarían entre sí, con lo cual perdemos la información acerca de
la dispersión. Entonces, los elevamos al cuadrado:
 2
Xi Xi X Xi X

165 1,8 3,24

163 −0,2 0,04
171 7,8 60,84
156 −7,2 51,84
162 −1,2 1,44
159 −4,2 17,64
162 −1,2 1,44
168 4,8 23,04
159 −4,2 17,64
167 3,8 14,44

Si ahora sumamos los residuos elevados al cuadrado, tenemos un

número donde se condensa toda la información de la dispersión de la
población:

2 2
Suma de Cuadrados X Xi 191,60 cm

Este número, la suma de cuadrados, es dependiente del número de

datos N, y por lo tanto no nos sirve para comparar poblaciones con
distinto número de observaciones.
Pero si dividimos la suma de cuadrados por N, tenemos un número
que es independiente del número de observaciones, que se
denomina Varianza:

2
Suma de Cuadrados X Xi
Varianza
N N

En nuestro caso:

191,60
Varianza 19,16 cm 2
10

Las fórmulas anteriores son las que se aplican al cálculo de la

varianza y desviación standard de una población de datos. Mas
adelante veremos que las fórmulas a aplicar en el caso de una
muestra son ligeramente diferentes. La varianza es un número que
nos permite comparar poblaciones. Cuando la dispersión de las
observaciones es grande (Datos que se alejan mucho por encima y
por debajo del promedio), el valor de los residuos (distancia entre
cada dato y el promedio) será grande. Entonces aumenta la suma de
cuadrados de los residuos y por lo tanto la varianza.

También se utiliza la raíz cuadrada de la varianza:

2
X Xi


Desviación Standard

Varianza

Por lo tanto:

Desviación Standard 

19,16 cm 2 4,38 cm

La desviación standard o desviación típica tiene las mismas
unidades que la variable con la que estamos trabajando, en nuestro
caso el centímetro. Tanto la varianza como la desviación standard
nos permiten comparar el grado de dispersión de distintas
poblaciones.

Media y Varianza de una Muestra

Hasta ahora hemos visto como se calcula la media o promedio de

una población y también como se calcula la varianza y la desviación
standard de una población o universo de observaciones. Cuando
tenemos una muestra (Subconjunto de algunos datos extraídos de
una población), también podemos calcular su media, su varianza y
su desviación standard. Es muy importante distinguir entre la media,
varianza y desviación standard poblacional, de la media, varianza y
desviación standard muestral.
La media, varianza y desviación standard de una población o
universo se denominan parámetros de la población y en general se
designan con letras griegas: µ para la Media, σ2 para la Varianza y σ
para la Desviación Standard poblacionales. En el caso de una
muestra, la media, varianza y desviación standard se denominan
estadísticos y se utilizan letras de nuestro alfabeto:

X para la Media

s2 para la Varianza

s para la Desviación Standard muestral

El cálculo de la varianza y la desviación standard de una muestra de
n observaciones se realiza con una fórmula levemente diferente que
la ya vista para la varianza y desviación standard de una población:

2
X X i
V a r i a n z a
n 1
2
X Xi 

Desviación Standard

Varianza

n 1 

En lugar de dividir por n, el número total de observaciones en la

muestra, dividimos por n − 1. Este valor, n − 1, son los Grados de
Libertad de la muestra. En general, cuando tenemos una muestra de
n observaciones, se dice que la misma tiene n − 1 grados de libertad.

La media, varianza y desviación standard de una muestra, en

general, no van a coincidir con los mismos parámetros de la
población de la cual se extrajo la muestra (Aunque usemos la misma
fórmula para calcular la varianza muestral y poblacional). Si
extraemos n muestras de una población, vamos a obtener n
promedios muestrales distintos del promedio de la población y n
varianzas muestrales distintas de la varianza de la población. Esto se
debe a que una población o universo tienen un número muy grande
de datos, mientras que una muestra son sólo algunos pocos datos
extraídos de ese universo. Cuando sacamos una segunda, tercera,
... etc. muestras, los datos extraídos no tienen por que ser los
mismos que en la primer muestra. Por lo tanto, el promedio y la
varianza de las muestras van a ser distintos para las distintas
muestras, y distintos de la media y la varianza de la población de la
cual se extrajeron las muestras.
Muestreo Aleatorio

En general, no es posible disponer de todas las observaciones de un

universo o población, ya sea porque es un universo hipotético o
porque el relevamiento de todos los datos resulta una tarea excesiva
para nuestras posibilidades. Normalmente se dispone de una
muestra de datos extraídos de un universo, y lo que se pretende es
estimar (Conocer de manera aproximada) los parámetros del
universo por medio de cálculos realizados sobre la muestra. En este
sentido decimos que la media muestral es una estimación de la
media del universo, y que la varianza y desviación standard
muestrales son estimaciones de la varianza y desviación standard
poblacionales respectivamente.

Veamos algunos ejemplos. Supongamos que un partido político

necesita averiguar la cantidad de personas que están dispuestas a
votar por su candidato. Entonces, encarga a una empresa la
realización de una encuesta el día previo a las elecciones. El
encargado de la encuesta podría pensar en consultar la intención de
voto de toda la población de votantes (Mas de 18 millones en la
Argentina). Esto, obviamente, es una tarea excesiva que por distintas
razones no se puede realizar. Entonces, el camino que resta es
tomar una muestra representativa de esa población de personas y
consultar la intención de voto en esa muestra. Los resultados que se
obtengan son solamente una estimación del resultado que se hubiera
obtenido si la consulta se hubiera efectuado sobre toda la población
de votantes.

Ahora bien, cómo se obtiene una muestra representativa?

Para tratar de entenderlo, vamos a trabajar con una población de
muy pocos datos. Supongamos que nuestra población son 10 bolillas
con los siguientes números:

2 2
9
2
9
2 2 5

5
2

Si ordenamos las bolillas de menor a mayor:

2 2 2 2 2 2 5 5 9 9

Inmediatamente comprobamos que nuestra población consta de 6

dos, 2 cincos y 2 nueves:

Dato Frecuencia
2 6
5 2
9 2

El promedio de la población es 4. Supongamos que queremos

obtener una muestra de 5 elementos de esa población. Hay varias
maneras de hacerlo.
Supongamos que puedo ver los números y elijo 2, 2, 2, 2 y 5 porque
me gustan esos números. El promedio de estos 5 números extraídos
de la población es 2,6 que difiere sustancialmente del promedio de la
población.

2 2
9 2
2 2
9
2
2 2 5 5
2
5
2

Promedio=4 Promedio=2,6

Es evidente que dicha muestra no es representativa de la población

de la que fue extraída. No se mantiene la misma proporción de cada
número que existe en la población. Una muestra de 5 elementos en
la que hay la misma proporción de cada dígito debería tener 3 dos, 1
cinco y 1 nueve, y su promedio es 4, el mismo de la población:

2 2
9 2 2
2
9 2
9
2 2 5
5
5
2
Promedio=4
Promedio=4

En una población de muchos datos, no es posible obtener una

muestra eligiendo cada elemento para que figure en la misma
proporción que en la población, porque para ello deberíamos
disponer de todos los datos de la misma, y en ese caso no sería
necesario sacar una muestra. Si a cada elemento de la población se
le da la misma oportunidad de ser elegido, entonces se supone que
cada número estará en la muestra en un número proporcional a la
cantidad de veces que está en la población. Por ejemplo, el 2 va a
estar en la muestra mas veces que el 5, porque en la población hay
6 dos y sólo 2 cincos. Si metemos las diez bolillas en una bolsa y las
mezclamos suficientemente, la probabilidad que tiene una bolilla
individual de ser extraída es la misma para cualquiera de las bolillas.
En esas condiciones, si sacamos cinco bolillas sucesivas,
mezclándolas previamente en cada oportunidad, es razonable
pensar que vamos a extraer el 2 en mas oportunidades que el 5 ó el
9. Esta forma de obtener la muestra es lo que se conoce como
Muestreo Aleatorio.

El muestreo aleatorio no garantiza que la muestra va a ser

representativa de la población, pero al eliminar toda influencia
externa en el acto de extraer un elemento de la población, la
proporción de cada uno estará influída sólo por la cantidad de veces
que está presente en la población de la cual se extrae la muestra.

2
5
3
7
3
3
Extracción 2
Aleatoria 6
2

Población o Universo de Muestra

Mediciones Representativa
Entonces, realizando el muestreo en forma aleatoria (al azar), la
probabilidad de obtener una muestra representativa de la población
es mayor que si en la elección de los elementos de la muestra
interviene la voluntad del que efectúa la operación o algún otro factor
de influencia.

−−−−−−−−−−−−−−−−−−−−−−−−−−−−