INSTITUTO TECNOLGICO SUPERIOR

DE ALVARADO Campus Medelln

INGENIERA EN
GESTIN EMPRESARIAL
MATERIA:
Calidad aplicada a la gestin empresarial

7. Semestre Grupo Escolarizado

Producto Acadmico: 2.2 Estadstica inferencial (casos de aplicacin).

2.3 Las siete herramientas bsicas para el control de la calidad.

Presenta:
Mara Nelly Jimena Cullar Leboreiro

Docente:
Ing. Albino Soto Fuertes

MEDELLN DE BRAVO, VER. 01-10- 2017

ndice

Captulo 2. Estadstica inferencial

2.1. Introduccin
2.2. Poblacin
2.3. Muestra
2.4. Muestra aleatoria
2.5. Muestra aleatoria aplicada
2.6. Parmetro
2.7. Estadstico
2.8. Distribucin muestral
2.9. Estimacin
2.10. Prueba de hiptesis
2.11. Estadstica paramtrica
2.12. Estadstica no paramtrica
Ejercicios propuestos

CAPTULO 2

ESTADSTICA INFERENCIAL

2.1. INTRODUCCIN

Tambin se le llama Inferencia Estadstica, pero previamente recordemos que la

Estadstica (EI) comprende el conjunto de mtodos estadsticos que permiten deducir
(inferir) cmo se distribuye la poblacin bajo estudio a partir de la informacin que
proporciona una muestra representativa, obtenida de dicha poblacin.

Para que la Estadstica Inferencial proporcione buenos resultados debe:

1. Basarse en una tcnica estadstico-matemtica adecuada al problema y

suficientemente validada.
2. Utilizar una muestra que realmente sea representativa de la poblacin y de un
tamao suficiente.

Veamos el siguiente ejemplo:

Ejemplo 2.1

Se realiza un estudio para comparar tres mtodos para ensear tcnicas de

comprensin lectora en ingls a escolares de segundo grado de Educacin Bsica
Secundaria, como son:

El mtodo de la enseanza recproca.

El mtodo de instruccin directa.

La combinacin de mtodos de instruccin directa y enseanza recproca.

Las preguntas por resolver son:

1. Cul de los mtodos mejora la comprensin lectora?

2. Para el prximo ao el mtodo identificado como el mejor, dar buenos resultados,

para el alumno Javier Hernndez Len, quin realizar el segundo grado de
Educacin Bsica Secundaria?

La primera pregunta es un caso de incertidumbre, porque, basndonos en el estudio de

tres muestras independientes y en igualdad de condiciones se aplicar uno de los tres
mtodos a cada muestra de manera independiente; con el apoyo de la Estadstica
Inferencial absolvemos esta pregunta, eligiendo a la que mejora significativamente la
Comprensin Lectora, para este tipo de alumnos.

La segunda pregunta es un caso de toma de decisiones, porque Javier Hernndez Len

no ha participado en el estudio, pero se le aplicar el mejor mtodo que resulte de la
investigacin realizada, ahora bien, con qu confianza, diremos que ese mtodo lograr
que Javier mejore su comprensin lectora en ingls.

Los casos de incertidumbre y toma de decisiones son resueltos por la Estadstica

Inferencial, por supuesto apoyado por la probabilidad.

Para iniciarse en el estudio y aplicacin de la Estadstica Inferencial es necesario

conocer los conceptos bsicos que a continuacin se van a tratar.
2.2. POBLACIN

Este concepto vamos a definir bajo diferentes enfoques. En investigacin cientfica se

le define como la totalidad de elementos sobre los cuales recae la investigacin. A
cada elemento se le llama unidad estadstica, sta se le observa o se le somete a una
experimentacin, estas unidades son medidas pertinentemente.

Si representamos mediante, X, una variable aleatoria bajo investigacin, al estudiar a

esta variable en la poblacin, como resultado tendremos los valores:

X 1, X 2, X 3,..., X N

Donde N es el total de elementos de la poblacin.

Ejemplo 2.2

Sea X , una variable aleatoria que representa la calificacin obtenida en la prueba de

conocimientos sobre educacin ambiental (escala vig esimal), de los alumnos de la
Facultad de Educacin, si la poblacin consta de 300 alumnos , entonces:

X1 , X 2 , X 3 ,..., X 300

Es una poblacin en trminos de variable aleatoria, que se lee as:

La calificacin que ha obtenido el alumno 1 en la prueba de conocimientos sobre

educacin ambiental, la calificacin que ha obtenido el alumno 2 en la prueba de
conocimientos sobre educacin ambiental, la calificacin que ha obtenido el alumno 3
en la prueba de conocimientos sobre educacin ambiental, y as sucesivamente hasta
la calificacin que ha obtenido el alumno 300 en la prueba de conocimientos sobre
educacin ambiental.

El propsito de un estudio estadstico es extraer conclusiones acerca de la naturaleza

de la poblacin, pero resulta que las poblaciones son grandes o por razones de tica,
recursos
financieros, metodolgicos u otros no ser posible entonces se debe trabajar con una
muestra extrada de la poblacin bajo estudio.

2.3. MUESTRA

Sierra Bravo (1991) anota que: Una muestra en

general, es toda parte representativa de la
poblacin, cuyas caractersticas debe reproducir en
pequeo lo ms exactamente posible.

Para que sea representativa se debe seleccionar empleando el muestreo, tpico

importante de la Estadstica, con la finalidad de que los resultados de esta muestra
sean vlidos para la poblacin de la que sea obtenido la muestra. Esta generalizacin
se realiza empleando la estadstica inferencial.

2.4. MUESTRA ALEATORIA

Una muestra aleatoria de tamao n de la funcin de distribucin de la variable aleatoria

X es una coleccin de n variables aleatorias independientes X1 , X 2 , X 3 ,..., X n cada
una con la misma funcin de distribucin de la variable aleatoria X.

Ejemplo 2.3

Consideremos nuevamente la poblacin definida en el ejemplo 2.2, la variable de

inters es X, calificacin obtenida en la prueba de conocimientos sobre educacin
ambiental (escala vigesimal), de los alumnos de la Facultad de Educacin.
Asumiremos que tiene distribucin de probabilidad con media y Varianza 2 . No
x x

se conoce ni la distribucin exacta de X ni el valor numrico de o de 2. Se trata

x x

de caractersticas de la poblacin que pueden determinarse con precisin si se revisa

cada una de las calificaciones de los 300 alumnos. Para tener una idea del valor de
x se extrae una muestra aleatoria de tamao n = 6 de la poblacin. Entonces:

X 1 : La calificacin que ha obtenido en la prueba de conocimientos sobre educacin

ambiental, el primer alumno seleccionado en la muestra.
X 2 : La calificacin que ha obtenido en la prueba de conocimientos sobre educacin
ambiental, el segundo alumno seleccionado en la muestra.

X 6 : La calificacin que ha obtenido en la prueba de conocimientos sobre educacin

ambiental, el sexto alumno seleccionado en la muestra.

Puesto que la seleccin de los alumnos, en este caso es seis, es aleatoria o al azar:

X1 , X 2 , X 3 , X 4 , X 5 , X 6

Constituye variables aleatorias. Se admite que son independientes y cada una con la
misma distribucin que la variable aleatoria X. En un sentido matemtico el trmino
muestra aleatoria, se refiere, no a seis alumnos seleccionados para este estudio sino a
las seis variables aleatorias X1 , X 2 , X 3 , X 4 , X 5 , X 6 asociadas con los alumnos.

La definicin matemtica de variable aleatoria es terica, para extraer conclusiones

prcticas acerca de la poblacin en base a la muestra seleccionada deben
determinarse los valores numricos de las variables X1 , X 2 , X 3 ,..., X n .

No estamos tratando con un conjunto de unidades estadsticas seleccionadas, ni con

un grupo de variables tericas sino con un conjunto de n nmeros reales, es decir x1 ,
x2 , x3 ,..., xn . Estos nmeros son los valores observados de las variables X1 , X 2 , X
3 ,..., X n respectivamente, para una determinada muestra aleatoria extrada de la
poblacin. Esto conduce a la siguiente definicin.

2.5. MUESTRA ALEATORIA APLICADA

Una muestra aleatoria de tamao n es un conjunto de n observaciones x1 , x2 , x3

,..., xn sobre las variables X1 , X 2 , X 3 ,..., X n independientes e idnticamente
distribuidas.
Ejemplo 2.4

Para el caso del ejemplo 2.3, una vez identificados los seis alumnos, podemos
determinar los valores numricos de las seis variables aleatorias X1 , X 2 , X 3 , X 4 , X
5 , X 6 . Supongamos que el primer alumno seleccionado ha obtenido 13 en la prueba
de educacin ambiental en este caso, la variable aleatoria X 1 toma el valor x1 = 13.

Si el segundo alumno seleccionado ha obtenido 10 en la prueba de educacin

ambiental en este caso, la variable aleatoria X 2 toma el valor x2 = 10. De igual forma
las variables aleatorias X 3 , X 4 , X 5 , X 6 tomarn valores numricos que van a
depender de slacalificaciones que obtienen los alumnos seleccionados en tercera,
cuarta, quinta y sexta seleccin.

Ahora estamos utilizando el termino muestra aleatoria no para referirnos a los alumnos
seleccionados o a las variables aleatorias asociados con ellos sino a los seis valores
numricos x1 , x2 , x3 , x4 , x5 , x6 que toman respectivamente cada una de las seis
variables aleatorias.

Por tanto hay tres formas de considerar a una muestra aleatoria:

1. Como un conjunto de unidades seleccionadas y que son sometidos al estudio.

2. Como un conjunto de variables aleatorias tericas a sociadas con esas unidades

3. Como un conjunto de valores numricos tomadas por las variables.

Las definiciones no son equivalentes pero estn estrechamente relacionadas.

2.6. PARMETRO

Sierra Bravo (1991) indica que parmetro deriva del vocablo griego parmetreoque
significa medir una cosa con otra:
 En estadstica se refiere a los valores o medidas que caracterizan una
poblacin como por ejemplo la media y la desviacin tpica de una poblacin
() Son cantidades indeterminadas constantes o fijas respecto a una
condicin o situacin que caracteriza a un fenmeno en un momento dado que
ocurre en una poblacin.

Se suele representar a un parmetro mediante letras griegas, por ejemplo la media

poblacional se representa mediante x y se lee como media poblacional de la variable
aleatoria X, la varianza poblacional se representa mediante 2 y se lee como
x

varianza poblacional de la variable aleatoria X.

En trminos prcticos un parmetro es un valor que resulta al emplear los valores que
se obtiene de una poblacin.

Ejemplo 2.5

Si al obtener las calificaciones de los 300 alumnos que conforman la poblacin, estos
se promedian, entonces x = 14.78 es el parmetro correspondiente. Para su clculo
se ha empleado la siguiente expresin, llamada media poblacional:

N
Xi
i 1
x (2.1)
N

Obviamente que N toma el valor 300, para este ejemplo.

Si de estos 300 alumnos 198 son mujeres, entonces la proporcin poblacional de

mujeres representada por x = 0.66 (66%). Para su clculo se ha empleado la
siguiente expresin, llamada proporcin poblacional:

N
Xi
i 1
x (2.2)
N
Pero ahora la variable aleatoria se define como:

1 si alumna
X i
0 si alumno

En este caso el numerador de la expresin (2.2) es 198 y N toma el valor 300.

2.7. ESTADSTICO

Se contrapone al parmetro, porque es un valor que se obtiene a partir de los valores

muestrales, se puede obtener media y varianzas mustrales, por ejemplo.

Los estadsticos son variables aleatorias porque estn sujetos a la fluctuacin de la

muestra en relacin al valor poblacional que se asume es constante.

Ejemplo 2.6

Continuando con el ejemplo 2.4, al seleccionar una muestra aleatoria de tamao seis,
una vez identificados los seis alumnos, obtienen las siguientes calificaciones x1 = 13,
x2 = 10, x3 = 13, x4 = 14, x5 = 11, x6 = 10 la media obtenida de los seis alumnos es de
11,83, llamada
media muestral y se representa mediante x , cuya expresin es:

n
xi
i 1
x (2.3)
n

El numerador de la expresin (2.3) es la suma de lo s seis valores, que da 71, que

dividido por

6, resulta x = 11,83, es decir en promedio los alumnos han obtenido 11,83 de

calificacin en la prueba de educacin ambiental.
La varianza de esta muestra aleatoria es 2,4722 y se representa mediante S 2 , cuya
expresin es:
n xi x 2
i
1
S2 (2.4)
n

Para su clculo, disponemos de la tabla, 2.1, en laque mostramos paso a paso el uso
de la expresin (2.4) sabiendo que x = 11,83:

Tabla 2.1
Clculos para obtener el valor de la varianza (ejemplo 2.6)

xi xi
Unidad xi x x 2
1 13 1,17 1,3689

2 10 -1,83 3,3489

3 13 1,17 1,3689

4 14 2,17 4,7089

5 11 -0,83 0,6889

6 10 -1,83 3,3489

Total 71 0,02* 14,8334

Tericamente:
n xi x 0
i 1

El numerador de la expresin (2.4) es la suma del cuadrado de las seis desviaciones

de cada valor que toma la variable, respecto a su media aritmtica, que es igual a
14,8334, que dividido por 6 es justamente 2,4722.
La raz cuadrada, positiva, de la varianza se llama desviacin estndar o desviacin
tpica, esto es:

S S 2 (2.5)

Entonces, usando la expresin anterior (2.5) la desviacin estndar es S = 1,5723.

2.8. DISTRIBUCIN MUESTRAL

Sierra Bravo (1991) anota que la distribucin muestral:

Est formada por estadsticos o valores determinados obtenidos de muestras:

medias, varianzas, etc., acompaados de sus respectivas frecuencias relativas
o probabilidades, o de la proporcin de veces que se repiten en el conjunto de
todas las muestras posibles del mismo tamao obtenidas de la poblacin.

De manera ms formal, Tsokos y Milton (1998) anotan que: () la distribucin de

probabilidad del estadstico se llama distribucin muestral.

Ejemplo 2.7

Vamos a obtener la distribucin muestral de las calificaciones obtenidas en la prueba

que mide la educacin ambiental de una poblacin hipottica compuesta por 3
estudiantes y que toman calificaciones iguales a: X 1 = 13, X 2 = 11, X 3 = 07. Fijamos
para una muestra de tamao 2, en la tabla 2.2 se muestra los posibles resultados de
la muestra de tamao 2, as como su respectiva media muestral:
Tabla 2.2
Resultados de posibles muestras de tamao 2

Muestras Medias muestrales

Posibles (media para cada muestra)

13,11 12

13,7 10

11,13 12

11,7 9

7,13 10

7,11 9

Ahora se muestra la distribucin de frecuencias par a los valores de la media muestral:

Tabla 2.3
Distribucin muestral de la media muestral

Valor de las medias Frecuencia Frecuencia relativa

muestrales

9 2 2/6 = 0.33

10 2 2/6 = 0.33

12 2 2/6 = 0.33

La distribucin muestral de la media muestral es la distribucin de frecuencias o de

probabilidad, en este caso, de las frecuencias relativas de todas las medias
muestrales posibles, obtenidas de muestras de tamao 2, de la poblacin de tamao
3.

Por cultura estadstica estudiaremos algunos estadsticos y su distribucin de

probabilidad (distribucin muestral).
2.8.1. MEDIA MUESTRAL

La expresin (2.3), nos indica cmo se obtiene una media muestral. Veamos sus
propiedades:

PROPIEDADES DE LA MEDIA MUESTRAL

Si X es una variable aleatoria con esperanza o media poblacional y varianza

poblacional

s 2 , entonces la media muestral, x tiene las siguientes propiedades:

1. E x

2. V x 2 /n

3. La desviacin estndar de x , que se representa mediante x , conocida tambin

como error estndar de la media muestral es igual a / n

4. Sea X1 , X 2 , X 3 ,..., X n una muestra aleatoria de tamao n, de una distribucin

con media poblacional y varianza poblacional 2 . Entonces para n grande, la
variable aleatoria:

x
/ n (2.6)

Se distribuye aproximadamente como una normal estandarizada N 0,1 . Se

considera una buena aproximacin cuando n 30 (Teorema del Lmite Central). De
este modo, incluso an cuando la variable aleatoria X no est normalmente distribuida,
podemos aplicarla en la Inferencia Estadstica.

2.8.2. VARIANZA MUESTRAL

A partir de cada muestra aleatoria de tamao n de X : x1 , x2 ,..., xn tambin se puede

calcular
la varianza muestral, definida como:
30
 1
s 2 n xi x 2 (2.7)
n 1i 1

Cabe precisar, que algunos autores la llaman cuasivarianza.

PROPIEDADES DE LA VARIANZA MUESTRAL

Si X es una variable aleatoria con esperanza y varianza y 2 respectivamente,

entonces para la varianza muestral de tamao n se cumple que:

1. E s2 2

n
1 s2 es una variable aleatoria
2. Si X tiene distribucin de probabilidad normal, con
2
distribucin chi-cuadrado con n 1 grados de libertad.

2.8.3. PROPORCIN MUESTRAL

Consideremos una poblacin en la que existe una pro porcin de elementos que
tienen el atributo A (o pertenecen a la categora A ).

Si se toma una muestra aleatoria de n elementos, de esa poblacin y se calcula el

nmero nA de elementos con el atributo A , entonces:

nA
p (2.8)
n

Es la proporcin muestral de los elementos que tienen el atributo A en la muestra,

esta proporcin muestral corresponde a una variable aleatoria.
PROPIEDADES DE LA PROPORCIN MUESTRAL

1. E p

2. V p 1 /n
La desviacin estndar o error estndar de la proporcin muestral, se denota como

p y es igual a (1 )/ n

3. Para n suficientemente grande, la variable aleatoria:

p

Z (2.8.)
(1 )/n
Se distribuye aproximadamente como una N 0,1 . Se considera una buena
aproximacin cuando n 30 (Teorema del Lmite Central).

CUL ES LA DIFERENCIA ENTRE DESVIACIN ESTNDAR

Y EL ERROR ESTNDAR?
La diferencia es que la desviacin estndar describe la variabilidad de los
valores de una variable, en cambio el error estndar describe la precisin del
estadstico.

Ejemplo 2.8

En una muestra aleatoria de 15 docentes de educacin secundaria, de la Institucin

Educativa Martn Adn, se les aplico un cuestionario para recoger su opinin sobre el
investigador educativo, se presenta la respuesta de 3 preguntas, de un total de 27:
Tabla 2.4
Muestra aleatoria de 15 docentes de la Institucin Educativa Martn Adn
(Lima)

Docentes Edad (1) Investigador (2) Remuneracin (3)

1 34 1 1

2 38 1 1

3 49 2 1

4 42 1 1

5 35 1 2

6 44 2 1

7 30 1 2

8 36 1 1

9 43 2 1

10 47 2 1

11 39 1 2

12 46 2 1

13 48 2 1

14 36 1 2

15 44 1 1

(1) Edad en aos cumplidos del docente.

(2) La profesin de investigador es profesin atractiv a para:

1. Docentes jvenes. 2. Docentes maduros.

(3) El investigador educativo debe ser bien remunerado

1. S. 2. No.
MEDIA MUESTRAL

La edad en aos cumplidos tiene distribucin con media poblacional, = 38,5 aos y
varianza poblacional, 2 = 30 aos2.

Usando la expresin 2.3 se obtiene x = 40,73 aos, y al usar la expresin 2.7 se

obtiene s 2 = 33,21 aos2.

Por tanto la desviacin estndar muestral de la edad es: s s2 33,21 = 5,76.

En cambio el error estndar del estadstico media muestral, empleando la propiedad

3, es:

5,4 5,4 = 1,42

8 8 aos
x
n 15 3,87

PROPORCIN MUESTRAL

Para la segunda variable, interesa que el docente encuestado indique que la profesin
de investigador es una profesin atractiva para docent es jvenes ( A ). La muestra
aleatoria es igual a 15 docentes n 15 .

En esta poblacin se asume que la proporcin poblac ional de docentes que

consideran que la profesin de investigador es una profesin atractiv a para docentes
jvenes es igual a 0,71
0,71 .

De la tabla contamos que nA = 9, es decir, 9 docentes afirman que la profesin de

investigador es una profesin atractiva para docent es jvenes, entonces empleando
la expresin 2.8 se obtiene:

p 9 = 0,6 (60%)
15

34
Esto es, el 60% de docentes encuestados afirman que la profesin de investigador
es una profesin atractiva para docentes jvenes.

El error estndar del estadstico p es:

(1 0,71(1 0,71(0,29 0,205

) 0,71) ) 9 0,013
p 7 = 0,1170
n 15 15 15

2.9. ESTIMACIN

La Inferencia Estadstica se clasifica como: Estimacin y Prueba de Hiptesis de

parmetros estadsticos. En ambos casos hay una poblacin bajo investigacin y
generalmente al menos un parmetro de esta poblacin, al que vamos a representar
mediante la letra griega .

Cuando no se tiene una nocin preconcebida sobre el valor de , se desea responder

a la pregunta: Cul es el valor de ?

En este caso el intentar conocer el valor de es en termino estadsticos, estimar el

valor de es decir tratar de conocer el valor del parmetro en trminos prcticos.

Sierra Bravo (1991) anota que:

Estimacin proviene del latn estimatio y significa estimacin, precio y valor que
se da a una cosa. En estadstica es la operacin que mediante la inferencia un
parmetro, utilizando datos incompletos procedentes de una muestra, se trata
de determinar el valor del parmetro. Pero los valores de la muestra estn
sujetos al error muestral esto es a las fluctuaciones de la muestra.

La estimacin de un parmetro puede ser, mediante una:

1. Estimacin puntual.

2. Estimacin mediante intervalos de confianza.

Para cualquiera de estas dos situaciones empleamos el estadstico que como ya se
ha mencionado es una variable aleatoria.

La aproximacin se hace utilizando estadsticos apropiados. A un estadstico

empleado para aproximar o estimar un parmetro de la poblacin se le llama
estimador puntual de y se denota mediante . De este modo por ejemplo, al
estimador de la media , se le denotara por . Una vez que la muestra ha sido
tomada y se han hecho algunas observaciones, se puede obtener el valor numrico
del estadstico . A tal nmero se le denomina una estimacin puntual de . Ntese
que hay una diferencia entre los trminos estimador y
estimacin.

ESTIMADOR: Es el estadstico utilizado para generar una estimacin y es una

variable
aleatoria.
ESTIMACIN: Es el valor que toma el estimador.

Ejemplo 2.9

Consideremos las variables edad en aos cumplidos X y el docente considera

que el
educativo ser bien remunerado Y , distinguir entre estimador
investigadordebe para y
estimacin:

Variable Parmetro Estimador Estimacin

xi

i 1 x = 40,73 aos
x
n

n
2 1 xi x 2 2 22
s2
s = 33,21 aos
n 1 i 1

36
 nA
Y
p
p
n 0,7333 (73,33%)

PRUEBA DE HIPTESIS

Proceso mediante el cual, a partir de los valores de una muestra aleatoria se decide si
se rechaza o no el supuesto que plantea el investigador para el parmetro o parmetros
de la poblacin o poblaciones bajo estudio, pero con cier ta probabilidad de error (riesgo)
por tomar una decisin.

Ejemplo 2.10

En cierta investigacin, se requiere estudiar el ni vel de comprensin lectora en nios

de 8 aos de edad, que asisten a Instituciones Educativas estatales y privados, para
tal fin se elige al azar una muestra de alumnos de cada tipo de Institucin Educativa
(IE). Se pretende lograr los siguientes objetivos:

1. Determinar el nivel promedio poblacional del puntaje de la prueba de comprensin

lectora para tipo de IE.

2. Verificar si el nivel promedio poblacional del puntaje de la prueba de comprensin

lectora en nios de IE estatal es diferente de los nios de IE privados.

Explicar cul rama de la Inferencia Estadstica emplear, para lograr cada objetivo.

Solucin

Previamente se requiere identificar:

Poblacin. Se trata de dos poblaciones bajo estudio:
1: Nios de 8 aos de edad, que asisten a Instituciones Educativas Estatales.
2: Nios de 8 aos de edad, que asisten a Instituciones Educativas Privadas.

Muestra. Nios de 8 aos de edad seleccionados aleatoriamente independiente de

cada
poblacin.

Variable Aleatoria. Est representada mediante X y se define como Puntaje de

comprensin lectora obtenida mediante una prueba especial.

Parmetros. En relacin a la variable aleatoria bajo estudio y considerando que se

investiga para dos tipos de IE, los parmetros son:
1 = Nivel promedio poblacional del puntaje de la prueba de comprensin lectora para
nios de 8 aos de edad que asisten a IE Estatales.
m 2 = Nivel promedio poblacional del puntaje de la prueba de comprensin lectora
para nios de 8 aos de edad que asisten a IE Privados.
s 1 = Desviacin estndar poblacional del puntaje de la prueba de comprensin lectora
para
nios que asisten a IE Estatales.
s 2 = Desviacin estndar poblacional del puntaje de la prueba de comprensin
lectora para nios que asisten a IE Privadas.

Para lograr el objetivo 1. Se debe emplear la estimacin debido a que se requiere

tener un valor aproximado de 1 y 2 empleando muestras aleatorias que se han
obtenido de manera independiente de cada tipo de institucin educativa .

Para el logro del objetivo 2. Se desea verificar que los promedios poblacionales 1

y 2 son diferentes a partir de muestras aleatorias, aritmticamente significa: 1

diferente de 2 ( 1 2 ) o equivalentemente 1 - 2 = 0.

En este caso se parte del supuesto que no existe diferencias entre el nivel promedio
poblacional del puntaje de la prueba de comprensin lectora para nios que asisten a
IE
Estatales y Privados. Por tanto se empleara la prueba de hiptesis estadstica,
mediante el cual se somete a prueba 1 - 2 = 0.

ESTADSTICA PARAMTRICA

Segn Sierra Bravo (1991) es parte de la estadstica que exige determinados requisitos
para emplear en la inferencia estadstica generalmente requiere para su uso el
supuesto de normalidad es decir que las muestras aleatorias se extraen de poblaciones
que estn normalmente distribuidas o aproximadamente.

Ejemplo 2.11

Se desea verificar si el tiempo promedio requerido para resolver un problema sencillo

en nios de 10 aos de edad con secuelas neurolgicas derivadas de hiperbilirubenia
al nacer, se incrementa despus de haber recibido una capacitacin especial para
resolver problemas de ese tipo.

En este caso se debe elegir una muestra aleatoria de la poblacin conformada por
nios de esta poblacin, es decir, nios de 10 aos de edad con secuelas
neurolgicas derivadas de hiper bilirrubina al nacer.

La variable aleatoria bajo estudio X, es el tiempo, en minutos, para resolver un

problema sencillo, cuyo parmetro se define como:

m = Tiempo promedio poblacional, en minutos, requerido para resolver un problema

sencillo.

Para estudiar a este parmetro se requiere evaluara la muestra aleatoria de esta

poblacin antes de la capacitacin especial y despus de la capacitacin especial, es
decir los parmetros para este esquema, sujetos a estudio estadstico son:
 1 : Tiempo promedio poblacional, en minutos, requerido para resolver un problema
sencillo antes de la capacitacin.

m 2 : Tiempo promedio poblacional, en minutos, requerido para resolver un

problema sencillo antes de la capacitacin.

En este caso la muestra aleatoria es relacionada, porque a cada unidad de la muestra

se le evala bajo dos condiciones antes, y despus de la capacitacin especial.

Para verificar el supuesto propuesto: la capacitacin especial incrementa el tiempo

promedio requerido para resolver problemas sencillos en nios de esta poblacin a
partir de muestras relacionadas, se aplica una prueba de hiptesis par a someter a
prueba: 1 : tiempo, en minutos, promedio poblacional requerido para resolver un
problema sencillo 1 < 2 o equivalentemente 1 - 2 < 0.

La Estadstica Inferencial nos da la herramienta llamada estadstica para someter a

prueba la diferencia de medias poblacionales empleando muestras relacionadas, cuya
aplicacin requiere que las diferencias de cada par de observaciones (tiempo
empleado para resolver un problema sencillo antes y despus de la capacitacin
especial) debe tener distribucin normal de probabilidad. En este caso se est
empleando la estadstica paramtrica debido a que debe cumplir con el supuesto de
normalidad.

ESTADSTICA NO PARAMTRICA

Cuando no se da el supuesto de la normalidad se tiene dos alternativas, una de ellas

es aproximar los valores de los datos a una distribucin normal para el cual a una serie
de mtodos y la segunda alternativa es emplear los mtodos de la estadstica no
paramtrica, es decir, mtodos que no supone nada acerca de la distribucin poblacin
muestreada por eso tambin a los mtodos de la estadstica no paramtrica se le llama
de distribucin libre.

Y que son excelentes cuando los tamaos muestrales son pequeos (n 10 ),

asimismo estos
mtodos se basan en el anlisis de los rangos de los datos que en las propias
observaciones.
 Ejemplo 2.12

Considerando el caso anterior si las diferencias muestrales no cumplen con el

supuesto de normalidad, cuya verificacin se realiza con herramientas estadsticas
pertinentes, entonces se recurrir a la estadstica no paramtrica; y que se tratar en
el captulo 6.

En base a este resumen, plantear como sera la aplicacin de la inferencia estadstica

bajo el enfoque de:

2.1. Estimacin de parmetros.

2.2. Prueba de hiptesis de parmetros.

Las 7 herramientas bsicas de calidad

Estas herramientas son:
1. Diagrama Causa - Efecto (tambin llamado grfico de Ishikawa o espina de pescado).
2. Diagrama de flujo (Puede sustituirse por estratificacin o por grfico de ejecucin).
3. Hojas de verificacin o de chequeo.
4. Diagrama de Pareto.
5. Histogramas.
6. Diagramas o grfico de control.
7. Diagramas de dispersin.

Diagrama Causa - Efecto

Identifica muchas causas posibles de un efecto o problema y clasifica las ideas en
categoras tiles.
El enunciado del problema, colocado en la cabeza de la espina de pescado, se utiliza
como punto de partida para trazar el origen del problema hacia su causa raz.
Tpicamente, el enunciado describe el problema como una brecha que se debe cerrar
o como un objetivo que se debe lograr. El mecanismo para encontrar las causas
consiste en considerar el problema y preguntarse por qu hasta que se llegue a
identificar la causa raz o hasta que se hayan agotado las opciones razonables en
cada diagrama de espina de pescado.
Diagrama de flujo
Muestran la secuencia de pasos y las posibilidades de ramificaciones que existen en
un proceso que transforma una o ms entradas en una o ms salidas. Los diagramas
de flujo muestran las actividades, los puntos de decisin, las ramificaciones, las rutas
paralelas y el orden general de proceso.
Los diagramas de flujo pueden resultar tiles para entender y estimar el costo de la
calidad de un proceso. Esto se consigue mediante la aplicacin de la lgica de
ramificaciones del diagrama de flujo y sus frecuencias relativas para estimar el valor
monetario esperado para el trabajo conforme y no conforme requerido para entregar
la salida conforme esperada.
Estratificacin
La estratificacin es una tcnica utilizada en combinacin con otras herramientas de
anlisis de datos. Cuando se han agrupado los datos de una variedad de fuentes o
categoras, el significado de los mismos puede ser imposible de ver. Esta tcnica los
separa para que los patrones se puedan ver.

Hojas de verificacin
Tambin conocidas como hojas de control, se pueden utilizar como lista de
comprobacin a la hora de recoger datos.
Las hojas de verificacin se utilizan para organizar los hechos de manera que se
facilite la recopilacin de un conjunto de datos tiles sobre un posible problema de
calidad.
Son especialmente tiles a la hora de recoger datos de los atributos mientras se
realizan inspecciones para identificar defectos. Por ejemplo, los datos sobre
frecuencias o consecuencias de defectos recogidos en las hojas de verificacin se
representan a menudo utilizando diagramas de Pareto.

Diagrama de Pareto
Los diagramas de Pareto son una forma particular de un diagrama de barras
verticales y se utilizan para identificar las pocas fuentes clave responsables de la
mayor parte de los efectos de los problemas.
Las categoras que se muestran en el eje horizontal representan una distribucin
probabilstica vlida que cubre el 100% de las observaciones posibles.
Las frecuencias relativas de cada una de las causas especificadas recogidas en el eje
horizontal van disminuyendo en magnitud, hasta llegar a una fuente por defecto
denominada otros que recoge todas las causas no especificadas. Por lo general, el
diagrama de Pareto se organiza en categoras que miden frecuencias o
consecuencias.

Histogramas
Son una forma especial de diagrama de barras y se utilizan para describir la tendencia
central, dispersin y forma de una distribucin estadstica. A diferencia del diagrama
 de control, el histograma no tiene en cuenta la influencia del tiempo en la variacin
existente en la distribucin.

Diagramas o grficos de control

Se utilizan para determinar si un proceso es estable o tiene un comportamiento
predecible. Los lmites superior e inferior de las especificaciones se basan en los
requisitos establecidos previamente. Reflejan los valores mximo y mnimo
permitidos. Puede haber sanciones asociadas al incumplimiento de los lmites de las
especificaciones. Los lmites de control superior e inferior son diferentes de los lmites
de las especificaciones. Estos se determinan mediante la utilizacin de clculos y
principios estadsticos estndar para establecer la capacidad natural de obtener un
proceso estable.
Se puede utilizar los lmites de control calculados estadsticamente para identificar los
puntos en que se aplicarn medidas correctivas para prevenir un desempeo anormal.
En general la accin correctiva busca el mantener la estabilidad natural de un proceso
estable y eficaz.
Para procesos repetitivos, los lmites de control se establecen por lo general en 3 s
alrededor de una media del proceso, que se establece a su vez en 0 s.
Un proceso se considera fuera de control cuando:
1. Un dato excede un lmite de control.
2. Siete puntos consecutivos se encuentran por encima de la media, o
3. Siete puntos consecutivos se sitan por debajo de la media.
Se puede utilizar los diagramas de control para monitorear diferentes tipos de
variables de salida. Se utilizan con mayor frecuencia para realizar el seguimiento de
actividades repetitivas relativas a la fabricacin de lotes.
Diagramas de dispersin
Representan pares ordenados (X, Y) y a menudo se les denomina diagramas de
correlacin, ya que pretenden explicar un cambio en la variable dependiente Y en
relacin con un cambio observado en la variable independiente X.
La direccin de la correlacin puede ser proporcional (correlacin positiva), inversa
(correlacin negativa), o bien puede no darse un patrn de correlacin (correlacin
cero). En caso de que se pueda establecer una correlacin, se puede calcular una
lnea de regresin y utilizarla para estimar cmo un cambio en la variable
independiente influir en el valor de la variable dependiente.