2.1. Fundamentos de Estadística

UTN Santa Fe | TSM | Gestión de calidad y metrología
Estadística y herramientas de análisis
2.1. FUNDAMENTOS DE
ESTADÍSTICA
Para debatir
Antes de empezar…
• Se producen 25 lotes de
500 resistencias de carbono
de 100 Ω ± 5%...
Para debatir
• ¿Cómo harías para saber si

Antes de empezar…
cumplen las
especificaciones? Si hay
diferentes opciones… qué
ventajas/desventajas tiene
cada una?
• ¿En qué valor de
resistencia se agrupan los
resistores? ¿Cuál es el
máximo… y el mínimo?
Tipos de estadística
Descriptiva Inferencial
• Recolecta, presenta y • Comprende los métodos

caracteriza un conjunto y procedimientos que
de datos con el fin de por medio de la
describir inducción determina
apropiadamente las propiedades de una
diversas características población estadística, a
de ese conjunto. partir de una muestra.
Población, muestra e individuo
Población Inferencia
Muestra
Universo total
de elementos
Subconjunto
de referencia
sobre el que se
realizan las
representativo
de individuos
Individuo
observaciones de una
población sobre Elemento básico que contiene información sobre el fenómeno
el que se realiza que se estudia, sobre el cual se realizan las mediciones o
el estudio determinaciones de los parámetros
Población, muestra e individuo

• Generalmente la población es finita (p.e. total de
productos fabricados). A veces puede ser infinita o
potencialmente infinita (p.e. resultados de
mediciones en condiciones de repetibilidad).
• La muestra siempre es finita. Puede ser acotada por
muestreo aleatorio (p.e. toma al azar de productos
en un lote), temporal (p.e. todos los certificados
emitidos en una semana), etc.
Tipos de datos
Continuas: Susceptibles
de ser divididas
infinitamente.
Variables: Características
medibles.
Discretas: Pueden tomar
solamente ciertos
Tipos de datos
valores, existen saltos
Atributos: Características entre valores.
que pueden tomar
solamente dos valores
(p.e. SI-NO).
Tipos de datos: ejemplos

• Variables continuas: resultados de mediciones físicas
(temperatura, masa, presión, etc).
• Variables discretas: conteos, resultados de
mediciones con resolución limitada, resultados de
clasificaciones por niveles, etc.
• Atributos: resultados de ensayos cualitativos,
evaluación de variables continuas o discretas con
calibres P/NP, etc.
ESTIMADORES ESTADÍSTICOS
BÁSICOS
Estimadores básicos
Agrupamiento de
datos (medidas de
tendencia central)
Distribución de datos
(distribuciones y
medidas de forma)
Variación entre datos

(medidas de dispersión)
Medidas de tendencia central

• Estas medidas sirven para describir la ubicación
central de los datos, ó donde tienden a agruparse.
• Se utilizan tres tipos de medidas:
– Media
– Mediana
– Moda

• Media de n datos individuales:
n
X i
X i1
n
• Media de n datos agrupados en h frecuencias:
h
f  Xi fi
f1  Xf1  f2  Xf 2  ...  fh  X fh
X i1

n f1  f2  ...  fh

• Media ponderada, calculada a partir de n promedios,
cada uno de los cuales se obtuvo en base a wi
diferentes cantidades de mediciones:
n
w X i i
X i1
n
w
i1
i
Media ponderada: ejemplo

• En un proceso de llenado de paquetes de 1 kg se toman
muestras de cada lote producido, en cantidad
proporcional al tamaño de cada uno. Los resultados de la
última semana son los siguientes; calcular el promedio
semanal:
– L (6 m) = 1,002 kg;
– M (5 m) = 1,001 kg;
– X (8 m) = 0,999 kg;
– J (6 m) = 1,001 kg;
– V (4 m) = 0,998 kg.
Media ponderada: ejemplo

• Utilizando la media ponderada, resulta:
n
w X i i
X i1
n
w
i1
i
6  1,002  5  1,001  8  0,999  6  1,001  4  0,998

X
65864
X  1,000

• Moda Mo: es el valor que aparece con la mayor
frecuencia (que más se repite) en una serie de datos.
• Puede haber una, ninguna ó varias modas.
• En datos individuales sin agrupar, se obtiene
simplemente por conteo.
• En datos agrupados, la moda corresponde al punto
medio de la celda con frecuencia más alta.

• Mediana Md: es el valor que divide a una serie de
datos ordenados por la mitad.
• Para un número impar de datos, la mediana es el
dato del centro, p.e.:
3, 4, 5, 6, 8, 8, 10
• Para un número par, es el promedio de los dos datos
centrales, p.e.:
3, 4, 5, 6, 8, 8, 10, 11 → Md = 7
Medidas de dispersión
• Sirven para analizar cómo se dispersan los datos
alrededor del punto central, es decir cuán juntos
están entre sí.
• Las medidas más utilizadas son:
– Rango
– Desvío estándar
– Varianza (desvío estándar al cuadrado)
• El rango es una medida rápida de la dispersión total,
y se obtiene como la diferencia de los valores
extremos. Se utiliza sólo con un número de datos
reducido (menor de 10).
• El desvío estándar es mas preciso, y se utiliza cuando
el número de datos es mayor.
• Desvío estándar de n datos individuales:
n
 i
(X  X)2
S i1
n 1
– Si bien el desvío estándar se puede calcular también

para datos agrupados utilizando la distribución de
frecuencia, se obtienen datos más precisos al trabajar
con los valores individuales.
Medidas en población y muestras

• Generalmente no es posible trabajar con datos de la
totalidad de la producción, por lo que se escoge una
muestra que resulte representativa.
• Por lo tanto, las medidas de tendencia central y
dispersión calculadas a partir de la muestra, pueden
diferir de las reales de la población total.
• Asimismo, diferentes muestras darán diferentes
valores, aunque los mismos deberían ser
consistentes.
Medidas en población y muestras

• Los valores calculados a partir de muestras, son
estimadores de los valores de la población:
– El promedio X de la muestra, se aproxima a la media
poblacional (esperanza) µ.
– El desvío estándar S de la muestra, se aproxima al
desvío estándar poblacional σ.
• Cuanto mayor es la muestra, mejor la estimación de
estos parámetros.
Estadísticas en Excel
• Las planillas de cálculo permiten hacer los cálculos
estadísticos de forma mucho más simple.
• Los cálculos básicos están disponibles por defecto.
• Cálculos más avanzados se pueden realizar
habilitando un complemento.
• Estadísticos básicos:
– Media: PROMEDIO(RANGO)
– Mediana: MEDIANA(RANGO)
– Moda: MODA.UNO(RANGO)/MODA.VARIOS(RANGO)
– Desv. est.: DESVEST(RANGO)≡DESVEST.M(RANGO) ó
DESVEST.P(RANGO)
1. Entrar en
Archivo > Opciones
2. Seleccionar
Complementos
3. Clic en Ir…
4. Clic en Aceptar
4. Habilitar
Herramientas para
análisis
Repaso y discusión
Para resumir y fijar…
• Relación entre población,

muestra e individuo. ¿Por
qué se necesitan muestras?
• ¿Cuáles son las 3
características principales
para describir un grupo de
datos? ¿Cuáles son los
estimadores para eso?
DISTRIBUCIONES DE PROBABILIDAD
Y DE FRECUENCIAS
Distribuciones de probabilidad
• La distribución de probabilidad de una variable
aleatoria es una función que asigna a cada suceso
definido sobre la variable aleatoria la probabilidad de
que dicho suceso ocurra. La función puede ser:
– Función de densidad de probabilidad (para variables
continuas).
– Función de probabilidad (para variables discretas).
Función de densidad de Función de probabilidad

probabilidad (continuas) (discretas)
• Caracteriza el • Asocia a cada punto de
comportamiento de una su espacio muestral X la
población, especificando probabilidad de que ésta
la probabilidad relativa lo asuma.
de que una variable
aleatoria continua tome
un valor cercano a X.
Ejemplo variable continua Ejemplo variable discreta

• El área total bajo las curvas (o la suma de los valores
individuales para variables discretas) indica 100% de
probabilidad. El área comprendida entre dos valores,
representa la probabilidad de que un individuo al
azar esté incluido en dicho rango.
• Las distribuciones se caracterizan por su esperanza
matemática µ y por su desvío estándar σ.
• Dos de las más comunes son:
Distribución normal Distribución uniforme

Los valores cercanos a la Todos los valores tienen la
media son los más misma probabilidad.
probables.
Distribución normal
• Numerosos fenómenos físicos, naturales, sociales y
psicológicos siguen la distribución normal (o
gaussiana).
• La distribución normal también es importante por su
relación con la estimación por mínimos cuadrados, y
porque la combinación de variables de diferentes
distribuciones converge a la normal (de acuerdo al
teorema del límite central).
• La curva se determina con una función que tiene

como variables µ y σ.
k %
1 68,3
1,96 95,0
2 95,5
2,57 99,0
3 99,7
mayor
menor 
-2 -  + +2
• La distribución de los promedios de una serie de n
mediciones tiene una campana más estrecha que la
distribución de los valores individuales.
• Se utiliza el desvío estándar de la media.

x 
n
• En una curva normal estandarizada, µn = 0 y σn =

1. Hay tablas que indican la proporción del área
total bajo la curva desde -∞ hasta un valor
determinado de X.
X
• Como generalmente µ <> 0 y σ <> 1, hay que

utilizar un valor normal estandarizado para entrar
en la tabla:
Xi  μ
Z
σ
– Los valores µ y σ son los de la población.
– El valor Xi es el punto hasta el cual se desea calcular la
probabilidad.
• Para calcular la probabilidad entre dos puntos, se

restan las probabilidades de los extremos:
P(X1,X2) = P(-∞,X2) - P(-∞,X1)
X1 X2
Ejemplo: Distribución normal

• Durante un mes se han registrado los días empleados
para completar un ensayo de cierto tipo. Se ha
obtenido un promedio de 8,7 días, con un desvío
estándar de 0,9 días.
– Si se ofrecen tiempos de entrega de resultados de 10
días, ¿qué tasa de incumplimiento se puede esperar?
– ¿Cuál es el tiempo mínimo que se puede
comprometer, si se desea tener un incumplimiento
menor de 1 en 200 ensayos?

• Se calcula el valor normalizado:
X  10  8,7
Z   1,44
 0,9
• Se busca el valor en la tabla, obteniendo 0,9251 (lo
que significa 92,51%).
• Como se pide la tasa de no cumplimiento, sería:
1 – 0,9251 = 0,0749 = 7,49 %
Valor a
buscar: 1,44

• Para el tiempo mínimo, se desea un incumplimiento
menor a 1 en 200, es decir 0,5%. Por lo tanto, el
cumplimiento debe ser ≥ 99,5% = 0,995.
• Se busca ese valor en la tabla, obteniendo 2,58.
X  X  8,7
Z   2,58  X  0,9  2,58  8,7  11,02
 0,9
• Finalmente, el menor tiempo a comprometer es de
11 días.
Valor a
buscar: 0,995
• Probabilidad distribución normal:
– DISTR.NORM.N(X;μ;σ;ACUMULADO?)
• Acumulado debe ser VERDADERO para que calcule la
probabilidad acumulada hasta el valor dado de X.
• Probabilidad distribución normal estándar (es decir
μ=0 y σ=1):
– DISTR.NORM.N(Z;ACUMULADO?)
Distribución T de Student
• Se utiliza cuando una variable con distribución normal se
evalúa a partir de pocas mediciones. Su forma es similar a la
normal, y tiende a ésta cuando n tiende a infinito. Por
ejemplo, si n = 6:
-2.65  +2.65
Distribución T de Student
n-1 (vef) 68.27% 90% 95% 95.45% 99% 99.73%
1 1.84 6.31 12.7 14.0 63.7 236
2 1.32 2.92 4.30 4.53 9.92 19.2
3 1.20 2.35 3.18 3.31 5.84 9.22
4 1.14 2.13 2.78 2.87 4.60 6.62
5 1.11 2.02 2.57 2.65 4.03 5.51
6 1.09 1.94 2.45 2.52 3.71 4.90
7 1.08 1.89 2.36 2.43 3.50 4.53
8 1.07 1.86 2.31 2.37 3.36 4.28
9 1.06 1.83 2.26 2.32 3.25 4.09
10 1.05 1.81 2.23 2.28 3.17 3.96
11 1.05 1.80 2.20 2.25 3.11 2.85
12 1.04 1.78 2.18 2.23 3.05 3.76
13 1.04 1.77 2.16 2.21 3.01 3.69
14 1.04 1.76 2.14 2.20 2.98 3.64
15 1.03 1.75 2.13 2.18 2.95 3.59
16 1.03 1.75 2.12 2.17 2.92 3.54
17 1.03 1.74 2.11 2.16 2.90 3.51
18 1.03 1.73 2.10 2.15 2.88 3.48
19 1.03 1.73 2.09 2.14 2.86 3.45
20 1.03 1.72 2.09 2.13 2.85 3.42
Distribución uniforme
• En varios fenómenos, los valores son igualmente
posibles entre dos valores extremos a y b (y la
probabilidad de ocurrencia es 0 fuera de dicho
intervalo).
• La distribución uniforme (a veces llamada
rectangular) puede utilizarse para variables continuas
o discretas.
• Se define solamente por dos parámetros: el valor
máximo y el mínimo.
Distribución uniforme
r
a -  + b
• El desvío estándar se calcula: b  a  r

2 3 2 3
• Y la media: 0,5 (a + b)
Actividad 2.1
Entre toda la clase
• Para el ejemplo de los
resistores (25 lotes x500 u):
– Realizar un muestreo de 5 u
por lote. Usar los valores para
estimar la media y desvío
poblacionales.
– Comparar estos valores
estimados con los reales de la
población. Debatir.
– Asumiendo distribución
normal, verificar cumplimiento
de las especificaciones. Debatir
los resultados.
Para debatir
Antes de continuar…
• ¿Cómo harías para saber

qué distribución de
frecuencia siguen los
resistores del primer
ejemplo?
Distribuciones de frecuencias
• Para poder trabajar con un número grande de datos
es conveniente agruparlos de acuerdo a su
distribución de frecuencia, es decir, la cantidad de
ocurrencias de cada valor ó grupo de valores.
• Los datos “crudos” pueden obtenerse en forma
desordenada, ó pre-ordenada (si se conoce con
anterioridad los valores posibles a obtener).
• Pasos a seguir:
– Si son muchos datos, hacer una primera tabulación
con valores individuales.
– Determinar el rango de valores y la cantidad de
valores individuales.
– Determinar la cantidad e intervalo de celdas.
– Calcular los límites de las celdas y sus puntos medios.
– Ordenar los datos en las celdas.
• Paso 1: Tabular los datos
Valor Cuenta Valor Cuenta Valor Cuenta
2.531 I 2.546 IIII 2.561 IIII
2.532 II 2.547 III 2.562 II
2.533 I 2.548 2.563 I
2.534 II 2.549 II 2.564 III
2.535 2.550 IIII 2.565 II
2.536 II 2.551 IIII III 2.566 I
2.537 II 2.552 IIII I 2.567 II
2.538 III 2.553 III 2.568 II
2.539 I 2.554 II 2.569 III
2.540 2.555 I 2.570 III
2.541 2.556 IIII 2.571 II
2.542 III 2.557 I 2.572 II
2.543 III 2.558 III 2.573
2.544 II 2.559 IIII 2.574 II
2.545 IIII 2.560 IIII 2.575 II
• Paso 2: Calcular rango y valores únicos
– Rango R = XS – XI
– La cantidad de valores individuales se determina
incrementando en 1 el último dígito del rango, por
ejemplo:
R = 1,2 13 valores
R = 0,008 9 valores
R = 0,25 26 valores
R = 0,10 11 valores
• Paso 3: Elegir celdas
– La cantidad de celdas h (entre 5 y 20) se elige según la
cantidad de valores únicos calculados en el paso anterior.
– El número de valores por celda debe ser un entero impar,
tal que:
cant. valores indiv.
h
cant. valores por celda
– Finalmente, el intervalo i se obtiene multiplicando el
número de valores por celda, por el menor dígito del
rango.
• Paso 4: Límites y puntos medios
– El límite inferior de la primera celda es el valor más
bajo (XI). Los límites inferiores de las celdas
subsiguientes se obtienen sumando sucesivamente a
este valor, el intervalo de celda i.
– El límite superior de una celda es un dígito menos que
el límite superior de la celda siguiente.
– El punto medio es simplemente el valor que queda
junto entre el límite superior y el inferior.
• Paso 5: Ordenar los datos
Límites Punto intermedio Frecuencia
2.531 - 2.535 2.533 6
2.536 - 2.540 2.538 8
2.541 - 2.545 2.543 12
2.546 - 2.550 2.548 13
2.551 - 2.555 2.553 20
2.556 - 2.560 2.558 19
2.561 - 2.565 2.563 13
2.566 - 2.570 2.568 11
2.571 - 2.575 2.573 8
25
20
15
10
0
2.533 2.538 2.543 2.548 2.553 2.558 2.563 2.568 2.573
• La frecuencia relativa (unitaria ó porcentual) se
obtiene dividiendo la frecuencia por la sumatoria de
frecuencias individuales. Permite comparar
fácilmente los valores entre sí.
• La frecuencia acumulativa es la suma de las
frecuencias de todas las celdas anteriores a una
celda determinada. Permite obtener en forma rápida
la cantidad de valores acumulados. También se
puede expresar en forma relativa.
Límites Punto Frecuencia Frecuencia Frecuencia
intermedio relativa acum. Relat.
2.531 - 2.535 2.533 6 0.05 0.05
2.536 - 2.540 2.538 8 0.07 0.13
2.541 - 2.545 2.543 12 0.11 0.24
2.546 - 2.550 2.548 13 0.12 0.35
2.551 - 2.555 2.553 20 0.18 0.54
2.556 - 2.560 2.558 19 0.17 0.71
2.561 - 2.565 2.563 13 0.12 0.83
2.566 - 2.570 2.568 11 0.10 0.93
2.571 - 2.575 2.573 8 0.07 1.00
Actividad 2.2
Entre toda la clase
• Para el ejemplo de los

resistores (25 lotes x500 u),
con el muestreo ya
realizado:
– Acomodar los datos en una
distribución de frecuencias.
– Realizar un histograma y
analizarlo. Debatir.
Repaso y discusión
Para resumir y fijar…
• ¿Qué es una distribución
de probabilidad? ¿Para qué
sirven? ¿Cuáles son las más
comunes?
• ¿Cómo se obtienen las
probabilidades en cada una
de ellas?
• ¿Qué es una distribución
de frecuencias? ¿Para qué
sirve?

2.1. Fundamentos de Estadística

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2.1. Fundamentos de Estadística

Cargado por

Copyright:

Formatos disponibles

UTN Santa Fe | TSM | Gestión de calidad y metrología

Estadística y herramientas de análisis

• ¿Cómo harías para saber si

• Recolecta, presenta y • Comprende los métodos

Población, muestra e individuo

Población, muestra e individuo

Tipos de datos: ejemplos

Variación entre datos

Medidas de tendencia central

Medidas de tendencia central

Medidas de tendencia central

Media ponderada: ejemplo

Media ponderada: ejemplo

6  1,002  5  1,001  8  0,999  6  1,001  4  0,998

Medidas de tendencia central

Medidas de tendencia central

– Si bien el desvío estándar se puede calcular también

Medidas en población y muestras

Medidas en población y muestras

• Relación entre población,

Función de densidad de Función de probabilidad

Ejemplo variable continua Ejemplo variable discreta

Distribución normal Distribución uniforme

• La curva se determina con una función que tiene

• En una curva normal estandarizada, µn = 0 y σn =

• Como generalmente µ <> 0 y σ <> 1, hay que

• Para calcular la probabilidad entre dos puntos, se

Ejemplo: Distribución normal

Ejemplo: Distribución normal

Ejemplo: Distribución normal

Ejemplo: Distribución normal

Ejemplo: Distribución normal

• El desvío estándar se calcula: b  a  r

• ¿Cómo harías para saber

• Para el ejemplo de los

También podría gustarte