You are on page 1of 95

ESCUELA COLOMBIANA DE CARRERAS INDUSTRIALES

ECCI
REPASO ESTADSTICA V SEMESTRE DESARROLLO EMPRESARIAL

CONTROL DE CALIDAD
BOGOT 2011

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL


1

Antes de empezar

La Estadstica y sus trminos relacionados?

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

ESTADSTICA
ESTADSTICA: Ciencia que estudia la recopilacin clasificada de datos, la analiza y deduce de ella distintas conclusiones.
ESTADSTICAS: Coleccin sistemtica de datos presentada en forma de cuadros y grficas.

Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

ESTADSTICA

ESTADSTICAS PRIMARIAS: Datos obtenidos por encuestas directas con la utilizacin de cuestionarios, o de la observacin directa.

ESTADSTICAS SECUNDARIA: Datos obtenidos de publicaciones reproducidas en forma total o parcial.


Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 4

ESTADSTICA
IMPORTANCIA

Es una disciplina ligada al mtodo cientfico que conlleva recoleccin, organizacin, anlisis e interpretacin de la informacin para una EFECTIVA TOMA DE DECISIONES.

Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

OTROS TRMINOS

POBLACIN O UNIVERSO

Grupo entero motivo de estudio (Alumnos de la ECCI, Desarrollo empresarial en la materia de control de calidad) Conjunto de medidas o recuento de todos los elementos que presentan una caracterstica comn Los elementos que la integran pueden corresponder a personas, objetos, sucesos o cosas. El elemento puede ser una entidad simple (una persona) o una entidad compleja (una familia). Una poblacin puede ser finita (nmero de tornillos elaborados en un da) o infinita (cara o sello de lanzadas de una moneda)

Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 6

OTROS TRMINOS
MUESTRA

Pequea parte del grupo, que es representativa de la poblacin Conjunto de medidas o recuento de una parte de los elementos pertenecientes a la poblacin S los elementos de una poblacin se denotan: X1, X2, X3, , el conjunto de n observaciones: X1, X2, X3, , Xn, constituye una muestra procedente de la poblacin conformada con base en el cumplimiento de condiciones fijadas previamente. Llamamos n al tamao de la muestra.

Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

OTROS TRMINOS

MUESTREO
Maneras de tomar la muestra Los tipos de muestreo pueden ser:

Probabilstico o aleatorio Aleatorio simple


No probabilstico

Aleatorio estratificado o restringido Sistemtico

Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

OTROS TRMINOS

MUESTREO ALEATORIO SIMPLE

Todos los elementos de la poblacin tienen la misma posibilidad de ser incluidos

Alumnos de la ECCI de DESARROLLO EMPRESARIAL en un estudio de nivel conocimiento en CONTROL DE CALIDAD.


Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 9

OTROS TRMINOS

MUESTREO RESTRINGIDO O ESTRATIFICADO

Cuando la poblacin se divide en grupos segn una caracterstica especfica (se estratifica la poblacin). Estudio Sobre Alumnos entre los 21 y 25 aos de Desarrollo empresarial que jueguen ajedrez.
Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

10

OTROS TRMINOS

MUESTREO SISTEMTICO
Utilizado por contadores para revisar cuentas. Determina un intervalo igual al valor obtenido al dividir el tamao de la poblacin por el de la muestra. Luego se toma aleatoriamente una observacin , a la que se le suma el tamao del intervalo para encontrar una nueva observacin y as sucesivamente. Por ejemplo entre el 01 y 10 se seleccion la observacin 4 y como el intervalo es 10, la segunda observacin ser la 14, la tercera 24 y as sucesivamente.

Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 11

OTROS TRMINOS

10

MUESTREO NO PROBABILSTICO
Se toman muestras de cualquier tamao y los elementos son seleccionados de acuerdo con la opinin o juicio que tenga el investigador sobre la poblacin.
Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 12

VARIABLE

11

CARACTERSTICAS O CARACTERES
Rasgos, cualidades o propiedades que poseen los elementos de una poblacin o muestra Futbolistas colombianos, nios de 5 aos estudiantes de jardn, Paisas con ojos color verde.
Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 13

TIPOS DE VARIABLE

12

CUALITATIVAS
ATRIBUTOS MODALIDADES
Cualitativas son aquellas que se expresan mediante palabras y dan origen a los atributos, como por ejemplo profesin, sexo, estado civil. Estos atributos se descomponen en modalidades, as: Profesin: abogado, mdico, arquitecto, ingeniero Sexo: Masculino, femenino Estado civil: soltero, viudo, divorciado
Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 14

TIPOS DE VARIABLE
CUANTITATIVAS

13

DISCRETA

CONTINUA

Las variables son cuantitativas cuando su descripcin se hace por medio de nmeros. Peso, estatura, edad, aos. La variable es discreta cuando s admite exclusivamente nmeros enteros: Nmero de habitantes de Bogot o de alumnos en un aula. La variable continua acepta intervalos entre enteros. Peso: 65.38 Kilos, distancia Bogot Santa Martha: 883.56 kilmetros.
Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 15

TIPOS DE ESTADSTICA
ESTADSTICA

14

INDUCTIVA, INFERENCIAL O ANALTICA DEDUCTIVA O DESCRIPTIVA

La estadstica inductiva trata de las condiciones bajo las cuales las inferencias (deducir una cosa de otra) son vlidas. Para las conclusiones se utiliza la probabilidad
La descriptiva trata de describir y analizar un grupo o poblacin dado sin sacar conclusiones o inferencias de un grupo mayor
Fuente: Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

16

CLCULOS ESTADSTICOS

15

PRECISIN

apreciacin de exactitud de una cosa frente a otra

Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 17

CLCULOS ESTADSTICOS
EXACTITUD

16

Puntualidad y fidelidad en el calculo estadistico


Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

18

CLCULOS ESTADSTICOS

17

DIFERENCIA EXACTITUD Y PRECISIN EJEMPLO

Varias medidas son como flechas disparadas hacia un objetivo. La EXACTITUD describe la proximidad de las flechas al centro del objetivo. Las flechas que impactaron ms cerca del centro se consideran ms exactas. Cuanto ms cerca estn las medidas a un valor aceptado, ms exacto es un sistema.
Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

19

CLCULOS ESTADSTICOS

18

DIFERENCIA EXACTITUD Y PRECISIN EJEMPLO

La PRECISIN, en este ejemplo es que, cuanto ms cercanas entre s estn las flechas que impactaron el objetivo, ms preciso ser el sistema. Hay que notar que el hecho de que las flechas estn muy cercanas entre s es independiente al hecho que estn cerca del centro del objetivo. En s, se puede decir que la precisin es el grado de repetitividad del resultado.
Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 20

CLCULOS ESTADSTICOS

19

DIFERENCIA EXACTITUD Y PRECISIN EJEMPLO

Se podra resumir que exactitud es el grado de veracidad, mientras que precisin es el grado de repetibilidad
Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 21

CLCULOS ESTADSTICOS

20

ERROR

Disparidad de los datos obtenidos respecto a la realidad de los hechos

Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

22

CLCULOS ESTADSTICOS

21

ERROR ABSOLUTO

ES LA CANTIDAD DE ERROR COMETIDO EN UNIDADES DEL DATO

Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

23

CLCULOS ESTADSTICOS

22

ERROR RELATIVO

Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 24

RELACIN ENTRE ERROR ABSOLUTO Y EL VALOR REAL O MEDIDO DE LA MAGNITUD

EJEMPLO

23

Una persona pesa un objeto y obtiene los siguientes resultados: 25,89 kg; 25,85 Kg; 25,90 Kg; 25,85 Kg, 25,86 Kg. Cul ser el peso ms preciso?

El valor ms probable sera:


25,89 + 25,85 + 25,90 + 25,85 + 25,86 = 25,87 Kg 5
Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

25

EJEMPLO

24

El error absoluto para cada medida ser: Medicin media, as:


25,89 kg 25,87 Kg = 0,02 Kg
25,85 Kg 25,87 Kg = -0,02 Kg

25,90 Kg 25,87 Kg = 0,03 Kg


25,85 Kg 25,87 Kg = -0,02 Kg

25,86 Kg 25,87 Kg = 0,01 Kg


Promediando los valores absolutos tendremos:

0,02 + 0,02 + 0,03 + 0,02 + 0,01 = 0,02 kg.


5
Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 26

EJEMPLO

25

0,02 kg es el error absoluto del valor ms probable.


El resultado final ser: peso del objeto igual a (25,87 0,02 kg) Error relativo = ER= P =0,02 P 25,87

= 0,0000773 0,08 %

El error relativo es un nmero adimensional y se expresa frecuentemente en porcentaje.


Fuente:Torres de Castro, Luz Stella. Manual Prctico de Estadstica. PIME S.A.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

27

GRFICOS EN EL CONTROL

26

Un grfico es
Descripciones y demostraciones que se representan por medio de figuras o signos.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

28

GRFICOS EN EL CONTROL

27

Grfico de Barras
Representacin visual mediante rectngulos, de la relacin entre las variables

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

29

GRFICOS EN EL CONTROL

28

Diagramas circulares
Como en total la circunferencia tiene 360, se calcula a cuntos grados (sector circular) equivale la parte que se va a representar.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

30

GRFICOS EN EL CONTROL

29

Curvas de Frecuencia.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

31

GRFICOS EN EL CONTROL

30

Tablas

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

32

ESTADSTICA EN EL CONTROL DE CALIDAD

DISTRIBUCIN DE FRECUENCIAS.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

33

DISTRIBUCIN DE FRECUENCIAS

Cuando se dispone de gran nmero de datos, es til el distribuirlos en clases o categoras y determinar el nmero de individuos pertenecientes a cada clase, que es la frecuencia de clase.
Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

34

DISTRIBUCIN DE FRECUENCIAS
2

PASOS EN LA CONSTRUCCIN EN LA DISTRIBUCIN DE FRECUENCIAS.

1. Toma de datos
2. Ordenacin y rango 3. Distribucin de frecuencia

4. Intervalos de clase y limites de clase 5. Limites reales de clase


6. Tamao de ancho de un intervalo de clase 7. Marca de clase

1. Toma de datos 2. Ordenacin y rango 3. Distribucin frecuencia 4. Interva 5. Lim de clase 6. intervalo 7. de clase

Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 35

1. Mtodos en TOMA de datos


Toma

de datos.- es la obtencin de una coleccin de datos por medio de encuestas, preguntas, sondeos etc. Que no han sido ordenados numricamente y que dicha informacin se extrae al azar, es decir, de tal forma que cada miembro de la poblacin tenga la misma oportunidad de ser elegida o seleccionada.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 36

Mtodos en TOMA de datos


Censo

: aquella numeracin que se efecta a todos y cada uno de los caracteres componentes de una poblacin. Encuesta: Se entiende por encuesta las observaciones realizadas por muestreo, es decir son observaciones parciales.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

37

DISTRIBUCIN DE FRECUENCIAS 3
2. ORDENACIN Y RANGO Es la colocacin de los datos numricos tomados, en orden creciente o decreciente de magnitud. Ejemplo: Ordenacin de las 20 estaturas de los estudiantes de forma ascendente.

Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

38

NMERO DE CLASES
El uso de esta frmula puede dar resultados irrazonables cuando el nmero de observaciones es muy grande o muy pequeo. Por esta razn la Regla de Sturges no es un sustituto del buen juicio.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

39

2. ORGANIZACIN DE LOS DATOS NMERO DE CLASE


Corresponde a la cantidad de grupos en que se pueden distribuir los datos.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

40

NMERO DE CLASES
Para calcular el nmero de clases es necesario aplicar la REGLA DE STURGES.
No. De clases (Regla de Sturges) = 1 + 3.332 log N

De donde: Log = logaritmo en base 10 N = Tamao total de la poblacin objeto del estudio
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 41

NMERO DE CLASES
Otros autores toman como sugerencia para hallar el nmero de clases:

log n
o tambin

n
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

cuando n = nmero de datos.


42

DISTRIBUCIN DE FRECUENCIAS RANGO

Es la diferencia entre el mayor y el menor de todos los datos.

Rango = dato mayor - dato menor


Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 43

Tamao de clase
Para calcular el tamao de clase es necesario dividir el rango entre el nmero de clases.

2. Tamao de clase = Rango / No. De clases

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

44

DISTRIBUCIN DE FRECUENCIAS
3. DISTRIBUCIN O TABLA DE FRECUENCIA

Ordenacin tabular de los datos en clases y con las frecuencias (indicar nmero de veces que se repite) correspondientes a cada una.
Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

45

EJEMPLO TOMA DE DATOS Listado de aprendices y sus estaturas:


Tabla 1. Estaturas de 20 alumnos
Nombre
1. Alvarez Jorge

Estatura m
1.73

Nombre
11. Lobo Albeiro

Estatura m
1.73

2. Barrera Armando
3. Caon Josefa 4. Chia Luna 5. Daz Lucho 6. Engativ Soledad

1.68
1.65 1.71 1.82 1.69

12. Mechas Mara


13. Nio Pedrito 14. Ospina Milena 15. Pez Bravo 16. Quiroga Jeremias

1.72
1.76 1. 90 1.72 1.74

7. Fernndez Fernando
8. Garca Gabriel 9. Huertas Flor 10. Jamaica Ana
Fuente Propia

1.74
1.80 1.68 1.71

17. Rojas Rosa


18. Santos Pepe 19. Toro Sal 20. Vaca Lila

1.64
1.71 1.69 1.67

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

46

EJEMPLO ORDENACIN DE DATOS Estaturas de Menor a Mayor:


Tabla 2. Estaturas Ordenadas
N
1.

Estatura m
1.64

N
11.

Estatura m
1.72

2.
3. 4. 5. 6.

1.65
1.67 1.68 1.68 1.69

12.
13. 14. 15. 16.

1.72
1.73 1.73 1.74 1.74

7.
8. 9. 10.
Fuente Propia

1.69
1.71 1.71 1.71

17.
18. 19. 20.

1.76
1.80 1.82 1.90

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

47

EJEMPLO DE RANGO Estaturas de Menor a Mayor:


Tabla 2. Estaturas Ordenadas
N Estatura m N Estatura m

1.

1.64

11.

1.72

10.

1.71

20.

1.90

El clculo de rango ser:

Dato superior = 1.90 y Dato inferior = 1.64

Entonces: 1.90 -1.64 = 0.26 m


Fuente Propia ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 48

EJEMPLO AGRUPACIN DE DATOS

Tabla 23. DATOS AGRUPADOS ESTATURAS


Estatura m
1.60 1.69 1.70 1.79 1.80 1.89 1.90 1.99

N de Estudiantes
7 10 2 1

TOTAL
Fuente Propia

20
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

49

DISTRIBUCIN DE FRECUENCIAS
4. INTERVALO DE CLASES
Tabla 23. DATOS AGRUPADOS ESTATURAS Estatura m 1.60 1.69 1.70 1.79 1.80 1.89 N de estidantes 7 10 2

26

1.90 1.99
TOTAL

1
20

1.70 1.79 ES UN INTERVALO DE CLASE. Es un smbolo que define una clase o grupos de datos. Los extremos 1.70 1.79 son los lmites de clase. Inferior y superior respectivamente. Un intervalo se dice abierto cuando no tiene lmite superior o inferior. Ejemplo: Estaturas superiores a 2 metros.
Fuente Propia ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

50

SELECCIN INTERVALO DE CLASE Y NMERO DE CLASES


Tabla 23. DATOS AGRUPADOS ESTATURAS Estatura m
1.70 1.79 1.80 1.89 1.90 1.99

N de estudiantes
10 2 1

TOTAL

20

Se divide el rango en un nmero conveniente de intervalos de clase, preferiblemente del mismo tamao.

Rango = 0.26 m / 3 = 0.0866 0.09 m


Fuente Propia ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 51

DISTRIBUCIN DE FRECUENCIAS
5. LMITES REALES DE CLASE

Si las alturas se registran con aproximacin de centmetros, el intervalo de clase 170 179 tericamente incluye todas las medidas desde 169, 55 a 179.49.

Estos nmeros se conocen como lmites reales o verdaderos de clase. 169,55 ser el lmite inferior real y el 179,49 el lmite superior real.
Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 52

DISTRIBUCIN DE FRECUENCIAS

6.TAMAO DE UN INTERVALO DE CLASE


El tamao, longitud o ancho de un intervalo de clase es la diferencia entre los lmites superior e inferior. Ejemplo: El tamao del intervalo 1.70 a 1.79 ser:

1.70m 1.79m = 0.09 m (9 cm)

Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

53

DISTRIBUCIN DE FRECUENCIAS
7. MARCA DE CLASE

Es el punto medio del intervalo de clase y se obtiene sumando los lmites inferior superior de la clase y dividiendo por 2.

Ejemplo: La marca de clase del intervalo 1.70 a 1.79 ser:


1.70+1.79 2 = 1.705 m 17,05 cm
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

Fuente: Serie SCHAUM. Estadstica. Murray R. Spiegel, Mc GraW-Hill

54

PRCTICA
REALIZAR LA DISTRIBUCIN DE FRECUENCIAS DEL EJERCICIO CUCHARAS PLSTICAS. 5000 datos

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

55

EL CONTROL ESTADSTICO Y LA CALIDAD

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

56

CONTROL ESTADSTICO DE LA CALIDAD CONCEPTOS E IMPORTANCIA PARA UNA EMPRESA !

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

57

ESTADSTICA EN EL CONTROL DE LA CALIDAD

DISTRIBUCIN NORMAL, DESVIACIN ESTANDAR, MEDIANA, MODA Y MEDIA.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

58

MEDIDAS DE TENDENCIA CENTRAL

Son clculos que proporcionan la idea del comportamiento del fenmeno en la parte cntrica de ste.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

59

MEDIDAS DE TENDENCIA CENTRAL LAS MS USADAS Media Aritmtica. Media Geomtrica. Mediana. Moda.

MODA MEDIANA MEDIA

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

60

MEDIA ARIMTICA
Para calcular la media aritmtica de una muestra utilizamos la siguiente frmula:
: representa la media aritmtica de la muestra : nmero de datos.

: Sumatoria.
: cada uno de los datos.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

61

MEDIANA
Es el dato que se encuentra exactamente a la mitad del total de los datos. Es decir se encuentra exactamente en medio, la mediana identifica el dato que representa al 50% de las observaciones.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

62

MEDIANA
Ejemplo Considere la siguiente tabla de datos:
VARIABLE

6
7 8 9 10 10

El valor de la mediana es 8, cuando la media aritmtica resulta de 8.285714 puntos

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

63

MODA
Es el dato que se repite con ms frecuencia.
VARIABLE

7
8

Ejemplo: Considere la siguiente tabla de datos: El valor de la moda es 10,

9
10

10

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

64

ESTADSTICA PARA CONTROL DE CALIDAD


EJERCICIO MEDIDAS DE TENDENCIA CENTRAL. DATOS CUCHARA PLSTICA

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

65

HERRAMIENTAS UTILIZADAS EN EL CONTROL DE CALIDAD


ALGUNAS DE LAS HERRAMIENTAS APLICADAS EN CONTROL DE CALIDAD EN LAS ORGANIZACIONES SON:

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

66

HERRAMIENTAS UTILIZADAS EN EL CONTROL DE CALIDAD


1. 2. 3. 4. 5. 6. 7. 8. 9. HISTOGRAMA ( Grafico de barras) DIAGRAMA DE PARETO ESPINA DE PESCADO ( Diagrama de Ishikawa 6 Ms) GRAFICO DE CONTROL. MATRIZ DOFA DISTRIBUCIN NORMAL INDICADORES DE GESTIN EN CALIDAD ANLISIS MODAL DE FALLOS Y EFECTOS (AMFE) DIAGRAMA DE DECISIONES DE ACCION

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

67

MEDIDAS DE DISPERSIN
Estudio y manejo medidas que indican comportamiento de datos respeto a promedio, es decir, medidas que precisan grado de variacin de datos de el los su las el los

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

68

DISPERSIN O VARIACIN
Es el grado en que los datos numricos tienden a expresarse alrededor de un valor medio

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

69

DISPERSIN O VARIACIN

Ejemplo
Supongamos las Calificaciones en Matemticas o Ingls de un grupo de estudiantes en una universidad.

MATEMTICAS

INGLS

9.5
6.8 5.6 7.6 7.2 4.2 6.6 7.0 8.2 6.3

6.8
6.5 6.4 6.0 7.4 7.2 7.8 6.4 7.5 7.0

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

70

DISPERSIN O VARIACIN

MATEMTICAS

INGLS

La media de las dos asignaturas es la misma

__

__
M

6.9

6.9

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

71

DISPERSIN O VARIACIN
MATEMTICAS INGLS 6.8 6.9 = -0.1

Observemos las desviaciones con respecto a la media En cul de los dos hay mayor desviacin?

9.5 6.9 = 2.6

6.8 6.9 = -0.1


5.6 6.9 =-1.3 7.6 6.9 = 0.7 7.2 6.9 = 0.3 4.2 6.9 = -2.7

6.5 6.9 = -0.4


6.4 - 69 = -0.5 6.0 6.9 = -0.9 7.4 6.9 = 0.5 7.2 6.9 = 0.3

6.6 6.9 = -0.3


7.0 6.9 = 0.1 8.2 - 69 = 1.3 6.3 6.9 = -0.6

7.8 6.9 = 0.9


6.4 6.9 = -0.5 7.5 6.9 = 0.6 7.0 6.9 = 0.1

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

72

DISPERSIN O VARIACIN
En cul de los dos hay mayor desviacin?

Hubo una mayor desviacin en Matemticas que en Ingls, ya que en este las calificaciones se acercan ms a la media.
Es decir que los datos de Ingls son ms representativos que los de Matemticas
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 73

MEDIDAS UTILIZADAS
1. RANGO
2. DESVIACIN MEDIA 3. DESVIACIN ESTNDAR 5. VARIANZA TPICA O

4. DESVIACIN MEDIANA

6. COEFICIENTE VARIACIN 7. PUNTAJE TPICO

DE

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

74

MEDIDAS UTILIZADAS
1. RANGO
El rango es la diferencia entre el mayor y menor de todos los datos. En datos agrupados:

Es la diferencia entre la marca de clase superior y la marca de clase inferior. , la diferencia entre el lmite real superior de la clase ms alta y el lmite real inferior de la clase ms baja.
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

75

MEDIDAS UTILIZADAS
2. DESVIACIN MEDIA
Indica la manera como desvan con referencia ARIMTICA. los datos se a la MEDIA

|X -

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

76

MEDIDAS UTILIZADAS
DESVIACIN MEDIA
Es la media aritmtica de los valores absolutos de las desviaciones respecto a la media. La desviacin media para las calificaciones de matemticas es:

M.D.= 2.6 + 0.1 + 1.3 + 0.7 + 0.3 + 2.7 + 0.3 + 0.1 + 1.3 +0.6
10

M.D. =

10.0
10

= 1
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 77

MEDIDAS UTILIZADAS

DESVIACIN MEDIA

La desviacin media para las calificaciones de Ingls es:

M.D.= 0.1 + 0.4 + 0.5 + 0.9 + 0.5 + 0.3 + 0.9 + 0.5+0.6+0.1 10 M.D.

4.8

10

= 0.48 .5
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

78

DESVIACIN ESTNDAR
Permite la comparacin de dos o ms distribuciones, determinando su grado de variabilidad absoluta. La desviacin Estndar de una serie de nmeros:

X1, X2, X3, . . . , Xn se calcula mediante la ecuacin:

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

79

MEDIDAS UTILIZADAS
DESVIACIN ESTNDAR

La desviacin Estndar es la raz cuadrada de los cuadrados de las desviaciones de los datos respecto a su media
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

80

DESVIACIN ESTNDAR
Ejemplo: La desviacin estndar de los siguientes 11 nmeros:
2, 4, 5, 3 , 2 , 5 , 6, 4, 7, 3, 2 :
1. 2. 3. 4. 5. 6. CALCULAR LA MEDIA DE LOS DATOS RESTAR A CADA UNO DE LOS DATOS LA MEDIA CALCULADA PARA CADA UNO DE LOS DATOS ANTERIOR MEDICIN CALCULAR EL CUADRADO DE LA

REALIZAR LA SUMATORIA DEL PUNTO 3 DIVIDIR LA SUMATORIA POR EL NMERO DE DATOS CALCULAR LA RAZ DEL ANTERIOR CALCULO

7.

EL DATO ENCONTRADO SE DEDOMINA DESVIACIN ESTNDAR


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

81

DESVIACIN ESTNDAR

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

82

DESVIACIN ESTNDAR DE DATOS AGRUPADOS

La desviacin Estndar tambin se puede calcular cuando los datos se encuentran agrupados o, como nosotros lo llamamos, en una distribucin de frecuencia

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

83

DESVIACIN ESTNDAR DE DATOS AGRUPADOS


EJEMPLO: Tomar los datos agrupados de las cucharas plsticas
Mi tarea no fue robada por un hombre manco

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

84

DESVIACIN ESTNDAR DE DATOS AGRUPADOS

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

85

VARIANZA
Medida de dispersin equivalente al cuadrado de la desviacin estndar. Es una forma natural de medir la dispersin en torno a la media.

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

86

Ejemplo calculo de varianza y desviacin estndar


Calcular la varianza y desviacin estndar de las siguientes medidas en metros: 3,3,4,4,5 Solucin: Para calcular dichas medidas de dispersin es necesario calcular previamente el valor con respecto al cual vamos a medir las diferencias.

ste valor es la Media: La varianza es:

siendo la desviacin tpica su raz cuadrada:


ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

87

COEFICIENTE DE VARIACIN
Es el cociente entre la desviacin tpica y la media. Eliminamos con esta medida la influencia de la escala escogida en las mediciones efectuadas. Su resultado se expresa en porcentaje

X
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 88

COEFICIENTE DE VARIACIN
Ejemplo:
El coeficiente de variacin para los datos

= a 15,8

X = 35.6 ser de:

15.8 35.6

= 0.4438 = 44.38 %

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

89

DISTRIBUCIN NORMAL
Es el modelo de distribucin ms utilizado en la prctica, ya que la multitud de fenmenos se comportan segn una distribucin normal.
Esta distribucin se caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

90

DISTRIBUCIN NORMAL
Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda. Esta distribucin viene definida por dos parmetros:

, 2

: es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de Gauss).

la varianza. Indica si los valores estn ms o menos alejados del valor central: si la varianza es baja los valores estn prximos a la media; si es alta, entonces los valores
estn muy dispersos.

2 : es

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

91

EJERCICIOS ACLARATORIOS
1. Un mecnico realiza mediciones en una pieza de dimetro 62.9 mm. Las observaciones son: 62,8 63,0 62,9 62,7 62,9 63,2 63,0 62,8 62,9 63,0

En un diagrama lineal graficar los valores obtenidos.


Calcular la media de estas mediciones Por medio de una recta representar la media en la grfica trazada Calcular la desviacin media y la desviacin estndar para esta serie de datos. En la grfica ubicar a lado y lado de la media el valor de la desviacin estndar hallada

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

92

EJERCICIOS ACLARATORIOS 2
2. Calcular la desviacin media, la desviacin mediana y la desviacin estndar para la distribucin de los pesos en gramos de varios piones:
PESO EN GRAMOS
50 54 55 59 60 -64 65 -69 70 -74 75 79

Xi
52 57 62 67 72 77

Fi
4 7 12 3 10 4

80 84
EJEMPLO desviacin estandar.xls

82
87

8
2 50
93

85 90 TOTAL

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

TEXTOS GUA
BARNES, R.H., Estudio de movimientos y tiempos, Aguilar. Madrid, Quinta impresin, 1988. HARINGTON, J., Mejoramiento de los procesos de la empresa. McGraw Hill, Bogot, 1991. HAY, E., Justo a tiempo, Norma, Bogot, 1989. HITOSHI, K., Herramientas estadsticas bsicas para el mejoramiento de la calidad. Norma, Bogota, 1992. KONZ, S. Diseo de sistemas de trabajo. Limusa, Mxico, 1990. KRICK, E.V., Ingeniera de mtodos, Limusa, Mxico, Dcima impresin, 1991. MAYNARD, H.B. Manual de ingeniera y organizacin industrial, Revert, Bogot, 1988. NIEBEL, B. W., Ingeniera industrial: Mtodos, tiempos y movimientos, Alfaomega, Mxico, Dcima Edicin, 2001. ORGANIZACIN MUNDIAL DEL TRABAJO, Introduccin al estudio del trabajo, Limusa, 1999 SCHONBERGER, R., Manufactura de categora mundial. Norma, Bogot, 1989. THOMPSON, P., Crculos de calidad, Norma, Bogot, Quinta impresin, 1991
ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL 94

CONTROL ESTADSTICO DE CALIDAD

ING. FABIO EDUARDO DAZA VALERO DOCENTE INGENIERA INDUSTRIAL

Gracias por la atencin prestada


95

You might also like