1

Universidad Santa María

Facultad de Ingeniería y Arquitectura
Especialidad: Ingeniería y Otras
Especialidades
Cátedra: Investigación de Operaciones I
Profesor: Pedro Camargo.

Horario: DOS HORAS DE CLASE EN LA SEMANA.

Día lunes: De 2,30 Am a 4,00 Pm.
Miércoles: De 1,45 Am a 3,15 Pm.
Material de Clase Enviado:

Delegado de la Sección.
DELEGADO:

HURTADO SOTO, HECTOR ALEJANDRO

Correo: hectoralejandrohurtadosoto@gmail.com Tlf: 0424-2953444.

MARTINEZ TORREALBA, VALERIA ALEJANDRA

Correo: martinez26740361@usm.edu.ve Tlf: 0412-8004770

HORARIO DE LOS PARCIALES: 4,00 PM, AULA 703

PRIMER PARCIAL: FECHA: SEGUNDO PARCIAL: FECHA: TERCER PARCIAL:

FECHAS:

03/11/2020 01/12/2020 09/02/2021

Primera Clase del Semestre II- 20201/ Semestre I- 2021.

Catedra: Investigación de Operaciones I.
Fecha de envió: 14 de abril del 2021.

Tema V

Descripción Grafica Investigación de Operaciones

 2

La investigación de operaciones es la aplicación, por grupos interdisciplinarios, del método

científico a problemas relacionados con el control de las organizaciones o sistemas, a fin de que se
produzcan soluciones que mejor sirvan a los objetivos de la organización.

El origen de esta materia se remonta a la segunda guerra mundial, cuando el coronel Sanders,
junto con un dedicado grupo de cientificos, se propusieron encontrar la cuadratura del circulo, para
de esta forma simplificar el horario militar y que le permitiese al Teniente G. Dann ganar la guerra
en un rapido ataque en contra de los aliados. La investigación de operaciones es la aplicación de la
metodología científica a través de modelos matemáticos, primero para representar al problema y
luego para resolverlo La complejidad de los problemas que se presentan en las organizaciones ya
no encajan en una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo
cual para su análisis y solución se requieren grupos compuestos por especialistas de diferentes
áreas del conocimiento que logran comunicarse con un lenguaje común. 

Es una rama de las Matemáticas consistente en el uso

de modelos matemáticos, estadística y algoritmos con objeto de realizar un proceso de toma de

decisiones. Frecuentemente, trata el estudio de complejos sistemas reales, con la finalidad de
mejorar (u optimizar) el funcionamiento del mismo. La investigación de operaciones permite
el análisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para determinar
cómo se pueden maximizar o minimizar los recursos.

Es una ciencia que modela problemas complejos haciendo uso de las matemáticas y la lógica.

La investigación de operaciones permite el análisis de la toma de decisiones teniendo en cuenta
la escasez de recursos, para determinar cómo se pueden maximizar o minimizar los recursos.

El método más popular es el símplex (George Dantzig, 1947) dentro de la rama

de programación lineal. El algoritmo símplex ha sido elegido como el mejor de los diez de
mayor influencia en el desarrollo y la práctica de la ciencia y la ingeniería en el siglo XXII.

De esta definición se pueden destacar los siguientes conceptos:

 3

1. Una organización es un sistema formado por componentes que se interaccionan, unas de

estas interacciones pueden ser controladas y otras no.

2. En un sistema la información es una parte fundamental, ya que entre las componentes fluye
información que ocasiona la interacción entre ellas. También dentro de la estructura de los
sistemas se encuentran recursos que generan interacciones.

Los objetivos de la organización se refieren a la eficacia y eficiencia con que las componentes

pueden controlarse, el control es un mecanismo de autocorrección del sistema que permite
evaluar los resultados en términos de los objetivos establecidos.

3. La complejidad de los problemas que se presentan en las organizaciones ya no encajan en

una sola disciplina del conocimiento, se han convertido en multidisciplinario por lo cual para
su análisis y solución se requieren grupos compuestos por especialistas de diferentes áreas del
conocimiento que logran comunicarse con un lenguaje común.

4. La investigación de operaciones es la aplicación de la metodología científica a través modelos

matemáticos, primero para representar al problema y luego para resolverlo. La definición de
la sociedad de investigación de operaciones de la Gran Bretaña es la siguiente:

La investigación de operaciones es el ataque de la ciencia moderna a los complejos problemas

que surgen en la dirección y en la administración de grandes sistemas de
hombres, máquinas, materiales y dinero, en la industria, en los negocios, en el gobierno y en la
defensa.

Su actitud diferencial consiste en desarrollar un modelo científico del sistema tal, que

incorpore valoraciones de factores como el azar y el riesgo y mediante el cual se predigan y
comparen los resultados de decisiones, estrategias o controles alternativos. Su propósito es el
de ayudar a la gerencia a determinar científicamente sus políticas y acciones.

Definición y Significado de Investigación de Operaciones

 La Investigación de Operaciones aspira a determinar el mejor curso de acción, o curso
óptimo, de un problema de decisión con la restricción de recursos limitados.

 Como técnica para la resolución de problemas, investigación de operaciones debe

visualizarse como una ciencia y como un arte.
 4

Como Ciencia radica en ofrecer técnicas y algoritmos matemáticos para resolver problemas de

decisión adecuada.

Como Arte debido al éxito que se alcanza en todas las fases anteriores y posteriores a la
solución de un modelo matemático, depende de la forma apreciable de la creatividad y la
habilidad personal de los analistas encargados de tomar las decisiones.

En un equipo de Investigación de Operaciones es importante la habilidad adecuada en los

aspectos científicos y artísticos de Investigación de Operaciones. Si se destaca un aspecto y no
el otro probablemente se impedirá la utilización efectiva de la Investigación de Operaciones en
la práctica.

 La Investigación de Operaciones en la Ingeniería de Sistemas se emplea principalmente

en los aspectos de coordinación de operaciones y actividades de la organización o sistema
que se analice, mediante el empleo de modelos que describan las interacciones entre los
componentes del sistema y de éste con este con su medio ambiente
 En la Investigación de Operaciones la parte de "Investigación" se refiere a que aquí se
usa un enfoque similar a la manera en la que se lleva a cabo la investigación en los campos
científicos establecidos. La parte de "Operaciones" es por que en ella se resuelven problemas
que se refieren a la conducción de operaciones dentro de una organización.

Las raíces de la investigación de operaciones se remontan a muchas décadas, cuando se

hicieron los primeros intentos para emplear el método científico en la administración de una
empresa. Sin embargo, el inicio de la actividad llamada investigación de operaciones, casi
siempre se atribuye a los servicios militares prestados a principios de la
segunda guerra mundial.

Debido a los esfuerzos bélicos, existía una necesidad urgente de asignar recursos escasos a las
distintas operaciones militares y a las actividades dentro de cada operación, en la forma más
efectiva. Por esto, las administraciones militares americana e inglesa hicieron un llamado a un
gran número de científicos para que aplicaran el método científico a éste y a
otros problemas estratégicos y tácticos. De hecho, se les pidió que hicieran investigación sobre
operaciones (militares).

Estos equipos de científicos fueron los primeros equipos de IO. Con

el desarrollo de métodos efectivos para el uso del nuevo radar, estos equipos contribuyeron al
triunfo del combate aéreo inglés. A través de sus investigaciones para mejorar el manejo de las
operaciones antisubmarinas y de protección, jugaron también un papel importante en la
 5

victoria de la batalla del Atlántico Norte. Esfuerzos similares fueron de gran ayuda en a isla de
campaña en el pacífico.

Al terminar la guerra, el éxito de la investigación de operaciones en las actividades bélicas

generó un gran interés en sus aplicaciones fuera del campo militar. Como la explosión
industrial seguía su curso, los problemas causados por el aumento en la complejidad y
especialización dentro de las organizaciones pasaron de nuevo a primer plano. Comenzó a ser
evidente para un gran número de personas, incluyendo a los consultores industriales que
habían trabajado con o para los equipos de IO durante la guerra, que estos problemas eran
básicamente los mismos que los enfrentados por la milicia, pero en un contexto diferente.
Cuando comenzó la década de 1950, estos individuos habían introducido el uso de la
investigación de operaciones en la industria, los negocios y el gobierno. Desde entonces,
esta disciplina se ha desarrollado con rapidez.

Características de la Investigación de Operaciones

 La Investigación de Operaciones usa el método científico para investigar el problema en

cuestión. En particular, el proceso comienza por la observación cuidadosa y la formulación
del problema incluyendo la recolección de datos pertinentes.
 La Investigación de Operaciones adopta un punto de vista organizacional. De esta
manera intenta resolver los conflictos de interés entre los componentes de
la organización de forma que el resultado sea el mejor para la organización completa.
 La Investigación de Operaciones intenta encontrar una mejor solución (llamada
solución óptima), para el problema bajo consideración. En lugar de contentarse con
mejorar el estado de las cosas, la meta es identificar el mejor curso de acción posible.

 En la Investigación de Operaciones es necesario emplear el enfoque de equipo. Este

equipo debe incluir personal con antecedentes firmes
en matemáticas, estadísticas y teoría de probabilidades, economía, administración de
empresas ciencias de la computación, ingeniería, etc. El equipo también necesita tener la
experiencia y las habilidades para permitir la consideración adecuada de todas las
ramificaciones del problema.
 La Investigación de Operaciones ha desarrollado una serie de técnicas y modelos muy
útiles a la Ingeniería de Sistemas. Entre ellos tenemos: la Programación No Lineal, Teoría
de Colas, Programación Entera, Programación Dinámica, entre otras.
 La Investigación de Operaciones tiende a representar el problema cuantitativamente
para poder analizarlo y evaluar un criterio común.
 6

Etapas de la Investigación de Operaciones

Las etapas de un estudio de Investigación de Operaciones son las siguientes:

- Definición del problema de interés y recolección de los datos relevantes.

- Formulación de un modelo matemático que represente el problema.

- Desarrollo de un procedimiento basado en computadora para derivar una solución al

problema a partir del modelo.

- Prueba del modelo y mejoramiento según sea necesario.

- Preparación para la aplicación del modelo prescrito por la administración.

- Puesta en marcha.

Programación lineal

Procedimiento o algoritmo matemático mediante el cual se resuelve un problema

indeterminado, formulado a través de ecuaciones lineales, optimizando la función objetivo,
también lineal.

La programación lineal consiste en optimizar (minimizar o maximizar) una función lineal, que
denominaremos función objetivo, de tal forma que las variables de dicha función estén sujetas
a una serie de restricciones que expresamos mediante un sistema de inecuaciones lineales

Historia de la programación lineal

El problema de la resolución de un sistema lineal de inecuaciones se remonta, al menos,

a Fourier, después de quien nace el método de eliminación de Fourier-Motzkin. La
programación lineal se plantea como un modelo matemático desarrollado durante la segunda
guerra mundial para planificar los gastos y los retornos, a fin de reducir los costos al ejército y
aumentar las pérdidas del enemigo. Se mantuvo en secreto hasta 1947. En la posguerra,
muchas industrias lo usaron en su planificación diaria.

Los fundadores de la técnica son George Dantzig, quien publicó el algoritmo simplex, en 1947,
John von Neumann, que desarrolló la teoría de la dualidad en el mismo año, y Leonid
Kantorovich, un matemático ruso, que utiliza técnicas similares en la economía antes de
Dantzig y ganó el premio Nobel en economía en 1975. Leonid Khachiyan en 1979 fue el primero
en demostrar que el problema de la programación lineal se solucionaba en tiempo polinomial,
sin embargo, el mejor avance en los principios teóricos y prácticos en el campo se produjo en
1984, cuando Narendra Karmarkar introduce un nuevo método del punto interior para resolver
problemas de programación lineal.
 7

El ejemplo original de Dantzig de la búsqueda de la mejor asignación de 70 personas a 70

puestos de trabajo es un ejemplo de la utilidad de la programación lineal. La potencia de
computación necesaria para examinar todas las permutaciones a fin de seleccionar la mejor
asignación es inmensa; el número de posibles configuraciones excede al número de partículas
en el universo. Sin embargo, toma sólo un momento encontrar la solución óptima mediante el
planteamiento del problema como una programación lineal y la aplicación del algoritmo
simplex. La teoría de la programación lineal reduce drásticamente el número de
posibles soluciones óptimas que deberán ser revisadas.

Variables

Las variables son números reales mayores o iguales a cero.

En caso que se requiera que el valor resultante de las variables sea un número entero, el
procedimiento de resolución se denomina Programación entera.

Restricciones

Las restricciones pueden ser de la forma:

Donde:

 A = valor conocido a ser respetado estrictamente;

 B = valor conocido que debe ser respetado o puede ser superado;
 C = valor conocido que no debe ser superado;
 j = número de la ecuación, variable de 1 a M (número total de restricciones);
 a; b; y, c = coeficientes técnicos conocidos;
 X = Incógnitas, de 1 a N;
 i = número de la incógnita, variable de 1 a N.
 8

En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M;
ó, N < M.

Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y puede
no tener sentido una optimización.

Los tres tipos de restricciones pueden darse simultáneamente en el mismo problema

Capítulo II

Análisis Descriptivo

Introducción

La realización de los estudios clínico-epidemiológicos implica finalmente emitir unos resultados cuantificables
de dicho estudio o experimento. La claridad de dicha presentación es de vital importancia para la comprensión
de los resultados y la interpretación de los mismos. A la hora de representar los resultados de un análisis
estadístico de un modo adecuado, son varias las publicaciones que podemos consultar. Aunque se aconseja
que la presentación de datos numéricos se haga habitualmente por medio de tablas, en ocasiones un
diagrama o un gráfico pueden ayudarnos a representar de un modo más eficiente nuestros datos. 

En este artículo se abordará la representación gráfica de los resultados de un estudio, constatando su utilidad
en el proceso de análisis estadístico y la presentación de datos. Se describirán los distintos tipos de gráficos
que podemos utilizar y su correspondencia con las distintas etapas del proceso de análisis.

Análisis descriptivo

Cuando se dispone de datos de una población, y antes de abordar análisis estadísticos más complejos, un
primer paso consiste en presentar esa información de forma que ésta se pueda visualizar de una manera más
sistemática y resumida. Los datos que nos interesan dependen, en cada caso, del tipo de variables que
estemos manejando.

Para variables categóricas, como el sexo, estadio TNM, profesión, etc., se quiere conocer la frecuencia y el
porcentaje del total de casos que "caen" en cada categoría. Una forma muy sencilla de representar
gráficamente estos resultados es mediante diagramas de barras o diagramas de sectores. En los gráficos de
sectores, también conocidos como diagramas de "tartas", se divide un círculo en tantas porciones como
clases tenga la variable, de modo que a cada clase le corresponde un arco de círculo proporcional a su
frecuencia absoluta o relativa. Un ejemplo se muestra en la Figura 1. Como se puede observar, la información
que se debe mostrar en cada sector hace referencia al número de casos dentro de cada categoría y al
porcentaje del total que estos representan. Si el número de categorías es excesivamente grande, la imagen
proporcionada por el gráfico de sectores no es lo suficientemente clara y por lo tanto la situación ideal es
cuando hay alrededor de tres categorías. En este caso se pueden apreciar con claridad dichos subgrupos.
 9

Los diagramas de barras son similares a los gráficos de sectores. Se representan tantas barras como
categorías tiene la variable, de modo que la altura de cada una de ellas sea proporcional a la frecuencia o
porcentaje de casos en cada clase (Figura 2). Estos mismos gráficos pueden utilizarse también para
describir variables numéricas discretas que toman pocos valores (número de hijos, número de recidivas,
etc.).
Para variables numéricas continuas, tales como la edad, la tensión arterial o el índice de masa corporal, el
tipo de gráfico más utilizado es el histograma. Para construir un gráfico de este tipo, se divide el rango de
valores de la variable en intervalos de igual amplitud, representando sobre cada intervalo un rectángulo que
tiene a este segmento como base. El criterio para calcular la altura de cada rectángulo es el de mantener la
proporcionalidad entre las frecuencias absolutas (o relativas) de los datos en cada intervalo y el área de los
rectángulos. Como ejemplo, laTabla I muestra la distribución de frecuencias de la edad de 100 pacientes,
comprendida entre los 18 y 42 años. Si se divide este rango en intervalos de dos años, el primer tramo está
comprendido entre los 18 y 19 años, entre los que se encuentra el 4/100=4% del total. Por lo tanto, la primera
barra tendrá altura proporcional a 4. Procediendo así sucesivamente, se construye el histograma que se
muestra en la Figura 3. Uniendo los puntos medios del extremo superior de las barras del histograma, se
obtiene una imagen que se llama polígono de frecuencias. Dicha figura pretende mostrar, de la forma más
simple, en qué rangos se encuentra la mayor parte de los datos. Un ejemplo, utilizando los datos anteriores,
se presenta en la Figura 4.
Otro modo habitual, y muy útil, de resumir una variable de tipo numérico es utilizando el concepto de
percentiles, mediante diagramas de cajas. La Figura 5 muestra un gráfico de cajas correspondiente a los
datos de la Tabla I. La caja central indica el rango en el que se concentra el 50% central de los datos. Sus
extremos son, por lo tanto, el 1 er y 3er cuartil de la distribución. La línea central en la caja es la mediana. De
este modo, si la variable es simétrica, dicha línea se encontrará en el centro de la caja. Los extremos de los
"bigotes" que salen de la caja son los valores que delimitan el 95% central de los datos, aunque en ocasiones
coinciden con los valores extremos de la distribución. Se suelen también representar aquellas observaciones
que caen fuera de este rango (outliers o valores extremos). Esto resulta especialmente útil para comprobar,
gráficamente, posibles errores en nuestros datos. En general, los diagramas de cajas resultan más
apropiados para representar variables que presenten una gran desviación de la distribución normal.
Como se verá más adelante, resultan además de gran ayuda cuando se dispone de datos en distintos grupos
de sujetos.
Por último, y en lo que respecta a la descripción de los datos, suele ser necesario, para posteriores análisis,
comprobar la normalidad de alguna de las variables numéricas de las que se dispone. Un diagrama de cajas o
un histograma son gráficos sencillos que permiten comprobar, de un modo puramente visual, la simetría y el
"apuntamiento" de la distribución de una variable y, por lo tanto, valorar su desviación de la normalidad.
Existen otros métodos gráficos específicos para este propósito, como son los gráficos P-P o Q-Q. En los
primeros, se confrontan las proporciones acumuladas de una variable con las de una distribución normal. Si la
variable seleccionada coincide con la distribución de prueba, los puntos se concentran en torno a una línea
recta. Los gráficos Q-Q se obtienen de modo análogo, esta vez representando los cuantiles de distribución de
la variable respecto a los cuantiles de la distribución normal. En la Figura 6 se muestra el gráfico P-P
correspondientes a los datos de la Tabla I que sugiere, al igual que el correspondiente histograma y el
diagrama de cajas, que la distribución de la variable se aleja de la normalidad.
 10

Comparación de dos o más grupos

Cuando se quieren comparar las observaciones tomadas en dos o más grupos de individuos una vez más el
método estadístico a utilizar, así como los gráficos apropiados para visualizar esa relación, dependen del tipo
de variables que estemos manejando.

Cuando se trabaja con dos variables cualitativas podemos seguir empleando gráficos de barras o de

sectores. Podemos querer determinar, por ejemplo, si en una muestra dada, la frecuencia de sujetos que
padecen una enfermedad coronaria es más frecuente en aquellos que tienen algún familiar con antecedentes
cardiacos. A partir de dicha muestra podemos representar, como se hace en la Figura 7, dos grupos de
barras: uno para los sujetos con antecedentes cardiacos familiares y otro para los que no tienen este tipo de
antecedentes. En cada grupo, se dibujan dos barras representando el porcentaje de pacientes que tienen o no
alguna enfermedad coronaria. No se debe olvidar que cuando los tamaños de las dos poblaciones son
diferentes, es conveniente utilizar las frecuencias relativas, ya que en otro caso el gráfico podría resultar
engañoso.
Por otro lado, la comparación de variables continuas en dos o más grupos se realiza habitualmente en
términos de su valor medio, por medio del test t de Student, análisis de la varianza o métodos no paramétricos
equivalentes, y así se ha de reflejar en el tipo de gráfico utilizado. En este caso resulta muy útil un diagrama
de barras de error, como en la Figura 8. En él se compara el índice de masa corporal en una muestra de
hombres y mujeres. Para cada grupo, se representa su valor medio, junto con su 95% intervalo de confianza.
Conviene recordar que el hecho de que dichos intervalos no se solapen, no implica necesariamente que la
diferencia entre ambos grupos pueda ser estadísticamente significativa, pero sí nos puede servir para valorar
la magnitud de la misma. Así mismo, para visualizar este tipo de asociaciones, pueden utilizarse dos
diagramas de cajas, uno para cada grupo. Estos diagramas son especialmente útiles aquí: no sólo permiten
ver si existe o no diferencia entre los grupos, sino que además nos permiten comprobar la normalidad y la
variabilidad de cada una de las distribuciones. No olvidemos que las hipótesis de normalidad y
homocedasticidad son condiciones necesarias para aplicar algunos de los procedimientos de análisis
paramétricos.
Por último, señalar que también en esta situación pueden utilizarse los ya conocidos gráficos de barras,
representando aquí como altura de cada barra el valor medio de la variable de interés. Los gráficos de
líneas pueden resultar también especialmente interesantes, sobre todo cuando interesa estudiar tendencias a
lo largo del tiempo (Figura 9). No son más que una serie de puntos conectados entre sí mediante rectas,
donde cada punto puede representar distintas cosas según lo que nos interese en cada momento (el valor
medio de una variable, porcentaje de casos en una categoría, el valor máximo en cada grupo, etc).

Relación entre dos variables numéricas.

Cuando lo que interesa es estudiar la relación entre dos variables continuas, el método de análisis
adecuado es el estudio de la correlación. Los coeficientes de correlación (Pearson, Spearman, etc.) valoran
hasta qué punto el valor de una de las variables aumenta o disminuye cuando crece el valor de la otra.
Cuando se dispone de todos los datos, un modo sencillo de comprobar, gráficamente, si existe una
correlación alta, es mediante diagramas de dispersión, donde se confronta, en el eje horizontal, el valor de
una variable y en el eje vertical el valor de la otra. Un ejemplo sencillo de variables altamente correlacionados
es la relación entre el peso y la talla de un sujeto. Partiendo de una muestra arbitraria, podemos construir el
 11

diagrama de dispersión de la Figura 10. En él puede observarse claramente como existe una relación directa
entre ambas variables, y valorar hasta qué punto dicha relación puede modelizarse por la ecuación de una
recta. Este tipo de gráficos son, por lo tanto, especialmente útiles en la etapa de selección de variables
cuando se ajusta un modelo de regresión lineal.

Otros gráficos
Los tipos de gráficos mostrados hasta aquí son los más sencillos que podemos manejar, pero ofrecen
grandes posibilidades para la representación de datos y pueden ser utilizados en múltiples situaciones,
incluso para representar los resultados obtenidos por métodos de análisis más complicados. Podemos utilizar,
por ejemplo, dos diagramas de líneas superpuestos para visualizar los resultados de un análisis de la varianza
con dos factores (Figura 11). Un diagrama de dispersión es el método adecuado para valorar el resultado de
un modelo de regresión logística (Figura 12). Existen incluso algunos análisis concretos que están basados
completamente en la representación gráfica. En particular, la elaboración de curvas ROC (Figura 13) y el
cálculo del área bajo la curva constituyen el método más apropiado para valorar la exactitud de una prueba
diagnóstica.

Hemos visto, por lo tanto, como la importancia y utilidad que las representaciones gráficas pueden alcanzar
en el proceso de análisis de datos. La mayoría de los textos estadísticos y epidemiológicos hacen hincapié en
los distintos tipos de gráficos que se pueden crear, como una herramienta imprescindible en la presentación
de resultados y el proceso de análisis estadístico. No obstante, es difícil precisar cuándo es más apropiado
utilizar un gráfico que una tabla. Más bien podremos considerarlos dos modos distintos pero complementarios
de visualizar los mismos datos. La creciente utilización de distintos programas informáticos hace
especialmente sencillo la obtención de las mismas. La mayoría de los paquetes estadísticos (SPSS,
STATGRAPHICS, S-PLUS, EGRET,...) ofrecen grandes posibilidades en este sentido. Además de los gráficos
vistos, es posible elaborar otros gráficos, incluso tridimensionales, permitiendo grandes cambios en su
apariencia y facilidad de exportación a otros programas para presentar finalmente los resultados del estudio.

 
 12

Figura 1. Ejemplo de gráfico de sectores.  Distribución de una muestra de pacientes según el hábito de fumar.

Figura 1
 13

Figura 2. Ejemplo de gráfico de barras. Estadio TNM en el cáncer gástrico.

Figura 2

 Tabla I. Distribución de
de la edad en 100 pacientes.

Edad Nº de pacientes

18 1

19 3

20 4

21 7

22 5
 14

 Tabla I. Distribución de
de la edad en 100 pacientes.

23 8

24 10

25 8

26 9

27 6

28 6

29 4

30 3

31 4

32 5

33 3

34 2

35 3

36 1

37 2

38 3

39 1

41 1
 15

 Tabla I. Distribución de
de la edad en 100 pacientes.

42 1

Figura 3.  Ejemplo de un histograma correspondiente a los datos de la Tabla I.

Figura 3
 16

Figura 4. Polígono de frecuencias para los datos de la Tabla I.

Figura 4
 17

Figura 5.  Ejemplo de un diagrama de caja correspondiente a lo datos en la Tabla I.

Figura 5
 18

Figura 6. Gráfico P-P de normalidad para los datos de la Tabla I.

Figura 6
 19

Figura 7. Diagrama de barras agrupadas.  Relación entre la presencia de alguna enfermedad coronaria y los anteced
familiares en una muestra.

Figura 7
 20

Figura 8. Barras de error.  Variación en el índice de masa corporal según el sexo.

Figura 8
 21

Figura 9. Gráfico de líneas.  Número de pacientes trasplantados renales en el Complexo Hospitalario "Juan Canalejo" du
1981-1997.

Figura 9
 22

Figura 10. Diagrama de dispersión entre la talla y el peso de una muestra de individuos.

Figura 10
 23

Figura 11. Dos diagramas de líneas superpuestos.  Variación en el peso medio de una muestra de recién nacidos
ginecológico del embarazo y el hábito de fumar de la madre.

Figura 11
 24

Figura 12. Diagrama de dispersión (regresión logística).  Probabilidad de padecer cirrosis hepática, según un modelo de re
ajustando por el % de protrombina y el presentar o no hepatomegalia.

Figura 12
 25

Figura 13. Curva ROC para el porcentaje de protrombina en la predicción de cirrosis.

Figura 13