Reporte de Revisin y Aplicacin de Conocimientos o de primer nivel denominado:

LA ESTADSTICA APLICADA A LA NECESIDADES DE LA VIDA Materia: Estadstica Aplicada

Presenta

Christian Chantre Solano

Reporte de Revisin y Aplicacin de Conocimientos

DE NI C

1. INTRODUCCIN..............................................................................................3 2. INFERENCIAS ACERCA DE LAS VARIANZAS DE POBLACIN.................3 3. PRUEBAS DE BONDAD DE AJUSTE E INDEPENDENCIA..........................4 4. INTRODUCCIN AL ANLISIS DE VARIANZA.............................................6 5. REGRESIN LINEAL SIMPLE........................................................................8 6. REGRESIN MULTIPLE..............................................................................10 7. ANLISIS DE REGRESIN...........................................................................11 8. NMEROS NDICE........................................................................................13 9. COMPONENTES DE UNA SERIE DE TIEMPO.............................................15 10. MTODOS NO PARAMTRICOS..............................................................17 11. METODOS ESTADISTICOS PARA EL CONTROL DE CALIDAD.............20 12. ENCUESTAS...............................................................................................22 13. CONCLUSIONES........................................................................................24 14. BIBLIOGRFIA............................................................................................24 -LOPEZ LOZADA, L. (2004) PENSAMIENTO ESTADSTICO DIRECTIVOS CON NUEVAS
TECNOLOGAS DE INFORMACIN Y COMUNICACIN.

ESPACIOS. SET. 2004, VOL. 25, NO. 3........25

ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

1. INTRODUCCIN
La estadstica es una disciplina que proporciona principios y herramientas para hacer juicios sobre colectivos, con base en datos que se han obtenido para un propsito especfico. Con sus tcnicas y principios brinda la metodologa para saber qu datos obtener, cmo obtenerlos y, una vez obtenidos, proporciona mtodos y procedimientos para organizarlos y transformarlos con diferentes propsitos, a fin de extraer de ellos la mxima informacin segn nuestros intereses y objetivos. Del anlisis de los datos se obtiene la base para la construccin de juicios concluyentes sobre el colectivo bajo estudio; por tal motivo, es muy importante saber de qu colectivo se est hablando. En resumen, la Estadstica nos proporciona un mtodo y numerosas herramientas para obtener el conocimiento necesario en la resolucin de problemas.

2. INFERENCIAS POBLACIN

ACERCA

DE

LAS

VARIANZAS

DE

La Inferencia Estadstica comprende los mtodos que son usados para obtener conclusiones de la poblacin en base a una muestra tomada de ella. Incluye los mtodos de estimacin de parmetros y las pruebas de hiptesis. Supongamos que de una poblacin normal con media desconocida y varianza conocida 2 se extrae una muestra de tamao n, entonces de la distribucin de la media muestral se obtiene que: Z= x n se distribuye como una normal estndar. Luego P ( Z 2 < Z < Z 2 ) = 1 Donde Z/2 es el valor de la normal estndar tal que el rea a la derecha de dicho valor es /2. Sustituyendo la frmula de Z, se obtiene:
ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

P( - Z/2 / < < + Notar que los dos intervalo son

Z/2 / ) = 1 extremos del aleatorios. (Fig.1)

Fig.1 Intervalos aleatorios De lo anterior se puede concluir que un Intervalo de Confianza del 100 (1-) % para la media poblacional , es de la forma: x Z 2 n , X + Z 2 n

3. PRUEBAS DE INDEPENDENCIA

BONDAD

DE

AJUSTE

PRUEBA DE LA BONDAD DEL AJUSTE Pruebas de tablas de contingencias En muchas ocasiones, los elementos de una muestra de poblacin pueden clasificarse de acuerdo con dos criterios diferentes. Por ello interesa conocer si los dos mtodos de clasificacin son estadsticamente independientes; por ejemplo, podemos considerar la poblacin de ingenieros graduado y tal vez deseemos determinar si el salario inicial es independiente de las disciplinas acadmicas. Supngase que el primer mtodo de clasificacin tiene r niveles y que el segundo mtodo de clasificacin tiene c niveles. Sea oij la frecuencia observada para el nivel i del primer mtodo de clasificacin y el nivel j del segundo mtodo de clasificacin. Los datos apareceran, en general, como en

ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

la tabla. Una tabla de tal es caractersticas se llama comnmente tabla de contingencia rXc. Estamos interesados en probar la hiptesis de que los mtodos de clasificacin de rengln y de columna son independientes. Si rechazamos esta hiptesis, concluimos que hay cierta interaccin entre los dos criterios de clasificacin. Los procedimientos de prueba exactos son difciles de obtener, pero una estadstica de prueba aproximada es valida para n grande. Supngase las oij como variables aleatorias multinomiales y pij como la probabilidad de que un elemento elegido al azar cae en la celda ijesima, dado que las dos clasificaciones son independientes. Entonces pij = uivj, donde ui es la probabilidad de que un elemento elegido al azar caiga en el rengln de clase iyvj es la probabilidad de que un elemento seleccionado en forma aleatoria caiga en la columna de clase j. Luego, suponiendo independencia, los estimadores de mxima probabilidad de ui y vj son: ui =

1 Oij n j 1

uj=

1 Oij n i 1

Una tabla de contingencia r X c Fig.2

(Fig.2) PRUEBA DE IDEPENDENCIA Cuando cada individuo de la poblacin a estudio se puede clasificar segn dos criterios A y B, admitiendo el primero a posibilidades diferentes y b el segundo, la representacin de las frecuencias observadas en forma de una matriz a x b recibe el nombre de Tabla de contingencia. Los datos se disponen de la forma siendo el nmero de individuos que presentan simultneamente la i-sima modalidad del

ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

carcter A y la j-sima del B. La hiptesis nula a contrastar admite que ambos caracteres, A y B, se presentan de forma independiente en los individuos de la poblacin de la cual se extrae la muestra; siendo la alternativa la dependencia estocstica entre ambos caracteres. La realizacin de esta prueba requiere el clculo del estadstico donde: y son las frecuencias absolutas marginales y el tamao muestra l total. El estadstico L se distribuye como una con (a-1) (b-1) grados de libertad. El contraste se realiza con un nivel de significacin del 5%.

4. INTRODUCCIN AL ANLISIS DE VARIANZA

El anlisis de varianza lo vamos a utilizar para verificar si hay diferencias estadsticamente significativas entre medias cuando tenemos ms de dos muestras o grupos en el mismo planteamiento. En estos casos no utilizamos la t de Student que solamente es un procedimiento vlido cuando comparamos nicamente las medias de dos muestras. Como explicaremos ms adelante, cuando tenemos ms de dos muestras y comparamos las medias de dos en dos suben las probabilidades de error al rechazar la hiptesis de no diferencia porque queda suficientemente explicada por factores aleatorios (error muestral). En primer lugar recordamos qu es la varianza y qu nos cuantifica. La frmula de la varianza ya nos es conocida; es la desviacin tpica elevada al cuadrado: N Utilizamos el smbolo X para designar las puntuaciones individuales, y el smbolo M para designar la media aritmtica de la muestra; va a ser el smbolo de la desviacin tpica de la muestra si no se indica expresamente que se trata del smbolo de la desviacin tpica de la poblacin El denominador ser N-1 si queremos obtener una estimacin de la varianza de la poblacin. Esto es lo que haremos habitualmente en el clculo de las varianzas propias del anlisis de varianza. Una varianza grande indica que hay mucha variacin entre los sujetos, que hay mayores diferencias individuales con respecto a la media; una varianza pequea nos indica poca variabilidad entre los sujetos, diferencias menores entre los

(X M ) =

ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

sujetos. La varianza cuantifica todo lo que hay de diferente entre los sujetos u observaciones. Como iremos viendo la varianza se puede descomponer en varianzas parciales y a este descomponer la varianza le denominamos anlisis de varianza. La varianza expresa variacin, y si podemos descomponer la varianza, podemos aislar fuentes de variacin. Cuando de los sujetos tenemos varios tipos de informacin, el anlisis de varianza nos va a responder a esta pregunta De dnde vienen las diferencias? El anlisis de varianza1 no constituye un mtodo o procedimiento nico; segn los diseos y datos disponibles existen diversos modelos de anlisis de varianza. En esta introduccin nos referiremos al anlisis de varianza para varias muestras independientes, y ms concretamente al anlisis de varianza para slo dos muestras independientes (aunque en este caso solemos utilizar la t de Student) porque es de comprensin ms sencilla. La misma explicacin bsica se puede extrapolar a otras situaciones (ms de dos muestras independientes, ms de dos muestras relacionadas, diseos factoriales, etc. Por qu utilizamos el anlisis de varianza en vez de la t de Student Cuando tenemos dos muestras y queremos comprobar si difieren significativamente (si proceden de la misma poblacin con una nica media) utilizamos la t de Student. Cuando tenemos ms de dos grupos utilizamos el anlisis de varianza: No podramos comparar todos los grupos de dos en dos con la t de Student? A primera vista parecera lo ms lgico, sin embargo no se hace as por una serie de razones que exponemos a continuacin. 1 La razn ms importante (y suficiente) para no utilizar la t de Student con ms de dos grupos es que, al hacer muchas comparaciones de dos en dos, aumenta la probabilidad de que algunas diferencias resulten significativas por azar y entonces cabe la posibilidad de afirmar que hay una diferencia (de no aceptar la hiptesis nula) cuando realmente no la hay.
1

Tambin denominado ANOVA; del ingls ANalysis Of VAriance, y ANVA en espaol.

ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

Si por ejemplo tenemos tres grupos podramos hacer tres comparaciones: entre el 1 y el 2, entre el 1 y el 3 y entre el 2 y el 3. Operando con un nivel de confianza de = .05, la probabilidad de encontrar al menos una diferencia significativa por azar es de hecho del 9.75% y no del 5% (no es importante el entender ahora el por qu, algo aclaramos en el anexo I). 2 Otra razn adicional es que una prueba estadstica basada en todos los datos simultneamente, es ms estable que la prueba o anlisis que parcializa los datos y no los examina todos juntos. El error tpico (que expresa la variacin en las medias que podemos encontrar en diversas muestras) es menor cuando el nmero de sujetos es mayor, como sucede cuando se analizan todos los datos de todos los grupos simultneamente. En principio es preferible utilizar un mtodo de anlisis global que abarque todos los datos que se quieren examinar. Aun as, si se tiene como hiptesis previa a la recogida de datos que dos de los grupos difieren estadsticamente, es legtimo utilizar en ese caso y para esos dos grupos la t de Student. Pero lo normal es que el anlisis de varianza implique hiptesis relativas a todos los datos tomados simultneamente, en un nico planteamiento. 3 El ahorro de tiempo es otra razn que a veces se aduce, aunque en s misma no es una razn vlida2. El nmero de comparaciones de dos en dos de k elementos es igual a k (k-1)/2; con seis grupos habra que hacer 15 comparaciones y con 10 grupos subiran a 45. El anlisis de varianza nos dice de entrada si hay o no hay diferencias significativas entre pares de medias, y si no las hay no necesitamos hacer ms anlisis. En cualquier caso no sera legtimo comparar todas las medias de dos en dos, en un mismo planteamiento, por las razones dichas antes.

5. REGRESIN LINEAL SIMPLE

Regresin lineal simple. Tiene como objetivo el estudiar cmo los cambios en una variable, no aleatoria, afectan a una variable aleatoria, en el caso de existir una relacin funcional entre ambas variables que puede ser establecida por una expresin lineal, es decir, su representacin grfica es una lnea recta.
2

Adems la importancia que podra suponer el trabajo extra es nula utilizando programas de ordenador.
ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

Cuando la relacin lineal concierne al valor medio o esperado de la variable aleatoria, estamos ante un modelo de regresin lineal simple. La respuesta aleatoria al valor x de la variable controlada se designa por Yx y, segn lo establecido, se tendr: E (Yx ) = x = + x Donde y son los coeficientes de regresin. De manera equivalente, otra formulacin del modelo de regresin lineal simple sera: si xi es un valor de la variable predictora e Yi la variable respuesta que le corresponde, entonces Yi = + xi + Ei , donde Ei = Yi ( + x i ) Ei es el error o desviacin aleatoria de Yi Estimacin de los parmetros de la recta de regresin. El primer problema a abordar es obtener los estimadores de los parmetros de la recta de regresin, partiendo de una muestra de tamao n, es decir, n pares (x1, Y1), (x2, Y2),..., (xn, Yn); que representan nuestra intencin de extraer para cada xi un individuo de la poblacin o variable Yi. Una vez realizada la muestra, se dispondr de n pares de valores o puntos del plano (x1, y1), (x2, y 2),..., (xn, yn). El mtodo de estimacin aplicable en regresin, denominado de los mnimos cuadrados, permite esencialmente determinar la recta que "mejor" se ajuste o mejor se adapte a la nube de n puntos. Las estimaciones de los parmetros de la recta de regresin obtenidas con este procedimiento son:
n

(x
i =1 n

x )( y i y )
i

(x
i =1

x)2

= y x

Donde x e y representan las medidas muestrales Por tanto la recta de regresin estimada ser: y = + x = y + (x x)

ESTADISTICA APLICADA

Reporte de Revisin y Aplicacin de Conocimientos

Un ejemplo. La regresin corresponde a la obtenida a partir observaciones: x temperatura recinto cerrado e cardaco de un (3)

recta representada estimacin

de

de 20 pares de representa fijada Y el en la un ritmo Fig.

vertebrado.

Fig.3 Representacin de la recta de regresin

6. REGRESIN MULTIPLE
Utilizamos regresin mltiple cuando estudiamos la posible relacin entre varias variables independientes (predictoras o explicativas) y otra variable dependiente (criterio, explicada, respuesta). La tcnica de regresin mltiple se usa frecuentemente en investigacin. Se aplica al caso en que la variable respuesta es de tipo numrico. Cuando la respuesta es de tipo dicotmico (muere/vive, enferma/no enferma), usamos otra tcnica denominada regresin logstica. Es cierto que la regresin mltiple se utiliza para la prediccin de respuestas a partir de variables explicativas. Pero no es sta realmente la aplicacin que se la

ESTADISTICA APLICADA

10

Reporte de Revisin y Aplicacin de Conocimientos

suele dar en investigacin. Los usos que con mayor frecuencia encontraremos en las publicaciones son los siguientes: Identificacin de variables explicativas. Nos ayuda a crear un modelo donde se seleccionen las variables que puedan influir en la respuesta, descartando aquellas que no aporten informacin. Deteccin de interacciones. Entre variables independientes que afectan a la variable respuesta. Un ejemplo de interaccin clsico es el de estudiar la respuesta de un paciente al alcohol y a un barbitrico, y observar que cuando se ingieren ambos, el efecto es mucho mayor del esperado como suma de dos. Identificacin de variables confusoras. Es un problema difcil el de su deteccin, pero de inters en investigacin no experimental, ya que el investigador frecuentemente no tiene control sobre las variables independientes.

7. ANLISIS DE REGRESIN
En trminos generales, el anlisis de Regresin trata sobre el estudio de la dependencia de un fenmeno econmico respecto de una o varias variables explicativas, con el objetivo de explorar o cuantificar la media o valor promedio poblacional de la primera a partir de un conjunto de valores conocidos o fijos de la/s segunda/s. Fig. (4)

ESTADISTICA APLICADA

11

Reporte de Revisin y Aplicacin de Conocimientos

Fig. 4 Representacin Grfica del anlisis de regresin Regresin. Estudiar y predecir el valor promedio de una variable sobre la base de valores fijos de otras variables. Existe una asimetra en el tratamiento que se les da a las variables. La variable dependiente es aleatoria o estocstica: su valor depende de una distribucin de probabilidades. Las variables independientes tienes valores fijos en muestras repetidas. Correlacin. El objetivo es medir el grado de asociacin lineal entre dos variables. El tratamiento de las variables es simtrico: No se distinguen entre variable dependiente y variable explicativa. Se asume que las dos variables son simtricas. La forma ms intuitiva de formarse una primera impresin sobre el tipo de relacin que existe entre dos variables es a travs del Diagrama de Dispersin. Un diagrama de dispersin es un grfico en el que una de las variables (Xi) se coloca en el eje de las abscisas y la otra (Yi) en el eje de las ordenadas y los pares de puntuaciones de cada sujeto (xi, yi) se representan como una nube de puntos. Fig. (5)

Fig.5 Diagrama de dispersin.

ESTADISTICA APLICADA

12

Reporte de Revisin y Aplicacin de Conocimientos

Poblacin (Universo): un conjunto total de elementos que poseen una o ms caractersticas en comn. Hace referencia al conjunto total de elementos que se desea estudiar. Puede ser finitas, formadas por un nmero finitos de elementos, o infinitas donde el nmero de elementos es infinito. Dado que es imposible describir con exactitud todas las caractersticas de una poblacin infinita o conformada por un gran nmero de elementos, lo habitual es trabajar con muestras. Muestra Es un subconjunto de la poblacin. Suelen ser conjuntos de elementos de tamao reducido. La informacin que contiene permite extraer conclusiones sobre las propiedades de la poblacin, siempre que los elementos que conformen la muestra sean representativos de la poblacin. FUNCIN DE REGRESIN MUESTRAL: Son aproximaciones de la funcin de regresin poblacional. Las diferencias con respecto a esta ltima son ocasionadas por las fluctuaciones muestrales. Por lo que se tendran N FRMs para N muestras diferentes y tales FRMs no necesariamente coinciden. OBJETIVO PRINCIPAL: Del anlisis de regresin es por tanto estimar la funcin de regresin poblacional (FRP) a partir de la funcin de regresin muestral (FRM). FUNCIN DE REGRESIN MUESTRAL: Yi = 1 + 2 X i + u i FUNCIN DE REGRESIN POBLACIONAL: Yi = 1 + 2 X i + u i

8. NMEROS NDICE
Los nmeros ndices son un mtodo estadstico que sirve para hacer comparaciones entre un ao y otro, una variable o un conjunto de variables, respecto a otras, etc. Si se imaginara la cantidad de todas las ventas de carros, el incremento del salario, el crecimiento de la poblacin, el PNI 3, en un ao y un lugar determinado, al final de este periodo nos encontraremos con una gran cantidad de datos y de diferentes naturalezas, pero Cmo hacer que estos datos, representen una
3

P.N.I significa Positivo, Negativo e Interesante. Tambin es conocido como P.M.I (Plus, Minus, Interesting).
ESTADISTICA APLICADA

13

Reporte de Revisin y Aplicacin de Conocimientos

informacin til?, pues a travs de los nmeros ndices, en este caso seria uno para cada variable (las ventas, el salario, etc.). Para llevar toda esa informacin a un solo numero que nos de una idea de la poblacin que representa, se lleva a cabo una reduccin de los datos, para poder expresar un numero general. Su aplicacin es ilimitada, solo se necesita estudiar una variable, pero el campo donde tienen mas utilidad es en la economa, ya que esta basa su estudios en indicadores econmicos, que son nmeros ndices, dichos indicadores condicionan otras ciencias relacionadas, como la administracin, las finanzas, la sociologa, entre otras. APLICACIONES DE LOS NMEROS NDICES Los nmeros ndices son muy verstiles, lo que los hace aplicable a cualquier ciencia o campo de estudio. Esencialmente se usan para hacer comparaciones. En educacin se pueden usar los nmeros ndices para comparar la inteligencia relativa de estudiantes en sitios diferentes o en aos diferentes. Los gerentes se valen de los nmeros ndices como parte de un clculo intermedio para entender mejor otra informacin. Los ndices estacinales sirven para modificar o mejorar las estimaciones del futuro. En el campo donde los nmeros ndices son de mayor utilidad es, en la economa, ya que esta se vale de indicadores econmicos, para estudiar las situaciones presentes y tratar de predecir las futuras, dichos indicadores econmicos en esencia son nmeros ndices, ejemplo de ello son IPC4, PNI, deflactor implcito del PNI, entre muchos otros. VENTAJAS DE LOS NMEROS NDICES Un ndice muestra el cambio en porcentajes del ao base. Si no existiera cambio alguno, el numerador y el denominador serian iguales. Un nmero ndice puede representar cambios en muchas cantidades. Un nmero ndice facilita comparar los cambios en diferentes tipos de informacin.
4

IPC son las siglas de ndice de Precios al Consumidor, ndice de Precios de las marcas al Consumo o ndice de Precios al Consumo.
ESTADISTICA APLICADA

14

Reporte de Revisin y Aplicacin de Conocimientos

Como los nmeros ndices muestran cambios en porcentaje, ms bien que cambios aritmticos, el tamao de la informacin y las unidades de medicin no son importantes.

9. COMPONENTES DE UNA SERIE DE TIEMPO

Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos, generalmente a intervalos iguales. Los datos de una serie de tiempo se pueden descomponer en componentes individuales para facilitar su estudio los cuales se explican a continuacin. Tendencia. Es la componente de largo plazo que constituye la base del crecimiento o declinacin de una serie histrica, como se presenta en la figura 6. Las fuerzas bsicas que producen o afectan la tendencia de una serie son: cambios en la poblacin, inflacin, cambio tecnolgico e incremento en la productividad.

Fig.6 Grfica de una serie de datos con tendencia Ciclicidad. Es un conjunto de fluctuaciones en forma de onda o ciclos, de ms de un ao de duracin, producidos por cambios en las condiciones econmicas, como se presenta en la figura 7. Representan la diferencia entre los valores esperados de una variable (tendencia) y los valores reales (la variacin residual que flucta alrededor de la tendencia).

ESTADISTICA APLICADA

15

Reporte de Revisin y Aplicacin de Conocimientos

Figura 7. Grfica de una serie de datos con ciclicidad Estacionalidad. Las fluctuaciones estacionales se encuentran tpicamente en los datos clasificados por trimestres, mes o semana. La variacin estacional se refiere a un patrn de cambio, regularmente recurrente a travs del tiempo. El movimiento se completa dentro de la duracin de un ao y se repite a s mismo ao tras ao, como se presenta en la figura 8.

Figura 8. Grfica de una serie de datos con estacionalidad. Aleatoriedad. Este comportamiento irregular est compuesto por fluctuaciones causadas por sucesos impredecibles o no peridicos, como el clima poco usual, huelgas, guerras, rumores, elecciones y cambio de leyes, como se presenta en la figura 9.

ESTADISTICA APLICADA

16

Reporte de Revisin y Aplicacin de Conocimientos

Figura 9. Grfica de una serie de datos con aleatoriedad

Estacionaria. Es aquella serie de datos cuyas propiedades estadsticas bsica, como media y la varianza, permanecen constantes en el tiempo, se dice que una serie que no presenta crecimiento o declinacin es estacionaria, como se presenta en la figura 10.

Figura 10. Grfica de una serie de datos estacionaria

10. MTODOS NO PARAMTRICOS

Los mtodos de estadstica inferencial presentados, son llamados mtodos paramtricos porque ellos son basados en muestreo de una poblacin con parmetros especficos, como la media (), la desviacin estndar () o la proporcin (p). Estos mtodos paramtricos usualmente tienen que ajustarse a algunas condiciones completamente estrictas, as como el requisito de que los
ESTADISTICA APLICADA

17

Reporte de Revisin y Aplicacin de Conocimientos

datos de la muestra provengan de una poblacin normalmente distribuidos. Esta seccin presenta los mtodos no paramtricos, los cuales no tienen tales estrictos requisitos. DEFINICIN Las pruebas paramtricas requieren supuestos acerca de la naturaleza o forma de las poblaciones involucradas. Las pruebas no paramtricas no requieren estos supuestos. Consecuentemente, las pruebas no paramtricas de hiptesis son frecuentemente llamadas pruebas de libre distribucin. Aunque el trmino no paramtrico sugiere que la prueba no est basada en un parmetro, hay algunas pruebas no paramtricas que dependen de un parmetro tal como la media. Las pruebas no paramtricas, sin embargo, no requieren una distribucin particular, de manera que algunas veces son referidas como pruebas de libre distribucin. Aunque libre distribucin es una descripcin ms exacta, el trmino no paramtrico es ms comnmente usado. Las siguientes son las mayores ventajas y desventajas de los mtodos no paramtricos. Ventajas de los Mtodos No Paramtricos 1. Los mtodos no paramtricos pueden ser aplicados a una amplia variedad de situaciones porque ellos no tienen los requisitos rgidos de los mtodos paramtricos correspondientes. En particular, los mtodos no paramtricos no requieren poblaciones normalmente distribuidas. 2. Diferente a los mtodos paramtricos, los mtodos no paramtricos pueden frecuentemente ser aplicados a datos no numricos, tal como el gnero de los que contestan una encuesta. 3. Los mtodos no paramtricos usualmente involucran simples computaciones que los correspondientes en los mtodos paramtricos y son por lo tanto, ms fciles para entender y aplicar. Desventajas de los Mtodos No Paramtricos 1. Los mtodos no paramtricos tienden a perder informacin porque datos numricos exactos son frecuentemente reducidos a una forma cualitativa. 2. Las pruebas no paramtricas no son tan eficientes como las pruebas paramtricas, de manera que con una prueba no paramtrica generalmente se
ESTADISTICA APLICADA

18

Reporte de Revisin y Aplicacin de Conocimientos

necesita evidencia ms fuerte (as como una muestra ms grande o mayores diferencias) antes de rechazar una hiptesis nula. Cuando los requisitos de la distribucin de una poblacin son satisfechos, las pruebas no paramtricas son generalmente menos eficientes que sus contrapartes paramtricas, pero la reduccin de eficiencia puede ser compensada por un aumento en el tamao de la muestra.

EFICIENCIA: COMPARACIN DE LAS PRUEBAS PARAMTRICAS Y NO PARAMTRICAS Aplicacin Prueba Paramtrica Prueba No Paramtrica Valor de eficiencia de la prueba paramtrica con poblacin normal 0.63 0.95

Pares pareados de Prueba t o Prueba datos de la z muestra

Prueba del signo Prueba de Wilcoxon de rangos con signo Prueba de Wilcoxon de rangos sumados Prueba KruskalWallis Prueba de correlacin de rangos Prueba Runs

Dos muestras independientes

0.95

Prueba t o Prueba z Anlisis de varianzas (Prueba F) Correlacin lineal Ninguna prueba paramtrica

0.95

Varias muestras independientes Correlacin Aleatorio

0.91 No hay base para comparacin

ESTADISTICA APLICADA

19

Reporte de Revisin y Aplicacin de Conocimientos

Todos los autores de esta materia sealan que las pruebas estadsticas paramtricas son ms eficaces que las pruebas no paramtricas. La eficacia de una prueba paramtrica se refiere a la probabilidad de rechazar la hiptesis nula cuando sta sea realmente falsa. Es decir, la eficacia es igual a 1 menos la probabilidad de cometer un error de Tipo II, o sea, 1 . Un factor importante que contribuye a la eficacia de una prueba estadstica es el tamao muestral n, la probabilidad de cometer un error de Tipo II se reduce, y por consiguiente aumenta la eficacia de la prueba.

11. METODOS ESTADISTICOS PARA EL CONTROL DE CALIDAD

Definimos el Control Estadstico de la Calidad como la aplicacin de diferentes tcnicas estadsticas a procesos industriales (mano de obra, materias primas medidas, mquinas y medio ambiente), procesos administrativos y/o servicios con objeto de verificar si todas y cada una de las partes del proceso y servicio cumplen con unas ciertas exigencias de calidad y ayudar a cumplirlas, entendiendo por calidad la aptitud del producto y/o servicio para su uso. La aplicacin de tcnicas estadsticas al control est basada en el estudio y evaluacin de la variabilidad existente en cualquier tipo de proceso que es principalmente el objeto de la Estadstica. Las fuentes que producen la variabilidad objeto de estudio en la Estadstica, se clasifica en variabilidad controlada o corregible que no entra dentro de nuestro campo pero si es posible detectarla por causar una variabilidad muy grande (ajuste incorrecto de la mquina, errores humanos, siendo posible eliminar la causa o causas que la han producido, y la variabilidad debida al azar, tambin denominada variabilidad no controlable que no puede ser asignada a una causa nica sino al efecto combinado de otras muchas. Supongamos un esquema de un proceso de fabricacin determinado que produce cierta pieza donde la caracterstica de calidad sea Y (medible u observable). Se observa que la magnitud de la caracterstica vara de unidad a unidad de producto; esto es, se dice que el producto posee variabilidad, objetivo primario o base de la Estadstica. Fig. 11.
ESTADISTICA APLICADA

20

Reporte de Revisin y Aplicacin de Conocimientos

Fig.11. Esquema de Proceso. En el desarrollo prctico de la asignatura tendremos en cuenta siempre su aplicacin a procesos industriales que permiten la disponibilidad de gran variedad de datos donde la o las caractersticas de calidad podrn ser medibles y se conocen como variables o podrn ser observadas a las que se refiere como atributos, utilizando distintas tcnicas segn el tipo de ellas. En todo proceso industrial cabe distinguir la calidad de diseo que no es objetivo de la asignatura y la calidad de fabricacin, sobre la que nos centraremos especialmente, aplicando los mtodos estadsticos al: Control del proceso o en curso de fabricacin que proporciona no solo detectar fallos en curso de fabricacin sino tambin permite aprender cules son las causas que provocan variabilidad, aportando datos para mejorar el proceso. El objetivo del Control Estadstico de la Calidad es: 1. Detectar rpidamente la ocurrencia de variabilidad debida a causas asignables. 2. Investigar la(s) causa(s) que la han producido y eliminarla(s). 3. Informar de ella para la toma de decisin oportuna, pues de lo contrario se produciran gran cantidad de unidades de calidad no aceptable, originando una

ESTADISTICA APLICADA

21

Reporte de Revisin y Aplicacin de Conocimientos

disminucin de la capacidad productiva e incremento de costos del producto terminado (supervisor). 4. Eliminar, si es posible, o al menos reducir al mximo la variabilidad del proceso (direccin).

12. ENCUESTAS
Las encuestas corresponden a uno de los mtodos ms utilizados en la investigacin debido, fundamentalmente, a que a travs de las encuestas se puede recoger gran cantidad de datos tales como actitudes, intereses, opiniones, conocimiento, comportamiento (pasado, presente y pretendido), as como los datos de clasificacin relativos a medidas de carcter demogrfico y socio econmico. La captacin de informacin a travs de las encuestas se realiza con la colaboracin expresa de los individuos encuestados y utilizando un cuestionario estructurado como instrumento para recoger la informacin. Por tanto, la encuesta es un procedimiento utilizado en la investigacin periodstica para obtener informacin mediante preguntas dirigidas a una muestra de individuos representativa de la poblacin o universo, de forma que las conclusiones que se obtengan puedan generalizarse al conjunto de la poblacin siguiendo los principios bsicos de la inferencia estadstica, ya que la encuesta se basa en el mtodo inductivo, es decir, a partir de un nmero suficiente de datos podemos obtener conclusiones a nivel general. Ventajas y desventajas de la encuesta La principal ventaja de la encuesta frente a otras tcnicas es su versatilidad o capacidad para recoger datos sobre una amplia gama de necesidades de informacin. Sin embargo, tambin presenta ciertas limitaciones o inconvenientes como son: La posible renuncia del encuestado a suministrar la informacin que se desea obtener. El encuestado puede ser incapaz de aportar la informacin requerida por mltiples motivos (que no recuerde hechos, no los conozca, no distinga entre diferentes situaciones, etc.)

ESTADISTICA APLICADA

22

Reporte de Revisin y Aplicacin de Conocimientos

El propio proceso de interrogacin puede influir en las respuestas del encuestado por cansancio en el interrogatorio cuando se trata de encuestas excesivamente largas, por dar respuestas socialmente aceptadas, etc. Tipos de encuesta Existen tres mtodos bsicos para llevar a cabo las encuestas: personalmente, por telfono o por correo. Estos diferentes tipos de encuesta presentan ventajas e inconvenientes que determinan el que su aplicacin sea ms recomendable ante determinadas situaciones. En el siguiente cuadro se resumen las principales ventajas y limitaciones de cada tipo de encuesta. Fig.12.

ESTADISTICA APLICADA

23

Reporte de Revisin y Aplicacin de Conocimientos

Fig.12 (Cuadro)

13. CONCLUSIONES
El resultado final de este trabajo es el de formarnos una idea de los conceptos bsicos de la Estadstica Aplicada prcticamente desde sus bases, esto es de suma importancia ya que nos ayuda a comprender la tarea fundamental de esta asignatura que esta basada en la reduccin de datos, con el objetivo de representar la realidad y transformarla, predecir su futuro o simplemente conocerla. Esto nos va a capacitar para realizar estudios (investigaciones) en los que, bien poner a prueba conjeturas (hiptesis) que nos planteemos, bien buscar la respuesta a preguntas que nos surjan. A su vez nos va a proporcionar un tipo de conocimientos y competencias que favorecen el pensamiento analtico y crtico. Con esto se concreta que la Estadstica puede dar respuesta a muchas de las necesidades que la sociedad actual nos plantea.

14. BIBLIOGRFIA
-Webster, L. Allen. (2001). Estadistica Aplicada a los Negocios y la Economa. Colombia. Ed.Mc. Graw Hill. -Perucha, Benancio Tomeo y Uas Juarez, Isaas. (2003), Lecciones de estadstica descriptiva Curso terico prctico. Madrid. Ed. Thomson. -Spiegel, Murray. (1991). Estadstica. Chile. Ed. Mc. Graw Hill.

ESTADISTICA APLICADA

24

Reporte de Revisin y Aplicacin de Conocimientos

-Ebdon, David. (1982).Estadstica para gegrafos. Ediciones Oiko Tau. Barcelona. -Cortada de Kohan, Nuria. (1994). Diseo estadstico (para investigadores de las ciencias sociales y la conducta). Buenos Aires. Ed. EUDEBA. -Jonson, Robert y Kuby, Patricia. (2003). Estadstica elemental. Lo esencial. Mxico. Ed.Thomson. - Behar Gutierrez, R. Miguel Ojeda, M. (2006). Estadstica Productividad y Calidad. Ed. Universidad Veracruzana. Mxico.

- Montgomery, D.C. y Peck, E. (2002). Anlisis de Regresin. Limusa Wiley.

-Lopez Lozada, L. (2004) Pensamiento estadstico directivos con nuevas tecnologas de informacin y comunicacin. Espacios. set. 2004, vol. 25, no. 3 -Montgomery, D.C., y Runger, G.C. (2003). Probabilidad y Estadstica aplicadas a la Ingeniera. Limusa Wiley

ESTADISTICA APLICADA

25