Estadística Descriptiva

Probabilidad y Estadstica
MC. Julio Cosme Pola Velzquez

mecsoil_pol@Hotmail.com
Contenido temtico
MC. JULIO COSME POLA VELZQUEZ
U1: Estadstica descriptiva
U2: Probabilidad
U3: Variables Discretas
U4: Variables Continuas
U5: Inferencia Estadstica
U6: Regresin y correlacin
Trabajos de
30%
investigacin.
Criterios de
Tareas.
evaluacin:
70%
Participacin.
Exmenes.
Tuxtla Gutirrez, Chiapas. 3 de agosto de 2015
Introduccin a la Estadstica
1.1 Conceptos bsicos de la estadstica descriptiva

Importancia de la Estadstica:
1
Desde el punto de vista prctico,

conocimientos en estadstica nos permiten:
Tomar decisiones.
Solucionar problemas.
Los empresarios de la construccin buscan siempre la rentabilidad de sus proyectos,

consideran que la estadstica es esencial en el proceso de la toma de decisiones.
los
El control de calidad, la minimizacin de

costos, productos e inventarios y asuntos
empresariales, pueden manejarse eficazmente
por medio de procedimientos estadsticos.
3

A medida que aumenta la complejidad de

nuestro mundo, se hace cada vez ms difcil
tomar decisiones inteligentes.
Continuamente tenemos presiones debido a

problemas econmicos tales como: una
inflacin galopante, sistema tributario
engorroso y oscilaciones excesivas en el
ciclo empresarial.

El mundo laboral paga ms a las personas que son capaces de plantear

las preguntas correctas para alcanzar los objetivos fundamentales, que
a quienes tienen la responsabilidad de resolverlas.
La compresin de los principios financieros y econmicos permiten

aplicar las tcnicas estadsticas para hallar soluciones viables y tomar
decisiones. Quienes se desempean en el sector industrial, descubren
que comprender la estadstica mejora las oportunidades y la promocin
laboral mediante el enriquecimiento del desempeo laboral.
10
11

Gerencia de calidad total
La competencia mundial de las empresas se intensifica y surge: la Gestin
de Calidad Total (Total Quality Management, TQM), que tiene como
propsito central:
La promocin de las cualidades del producto que el consumidor
considera importante: 1). La ausencia de defectos, 2) Servicio
eficiente y 3) Respuesta rpida a las posibles quejas del consumidor.
En la actualidad, la mayora de las empresas tienen departamentos de control de

calidad (Quality Control, QC) cuya funcin es recolectar datos sobre el desempeo y
solucionar problemas de calidad.
12

En la actualidad, la mayora de las empresas tienen departamentos de control de
calidad (Quality Control, QC) cuya funcin es recolectar datos sobre el desempeo
y solucionar problemas de calidad.
La TQM involucra el uso de equipos administrativos integrados por ingenieros,
expertos en marketing, diseo, estadstica y otros profesionales que contribuyen a la
satisfaccin del cliente, funcin conocida como Despliegue de la Funcin de
Calidad (Quality Function Deployment, QFD), diseada para reconocer y agenciar las
inquietudes de los consumidores.
13

Para mejorar la calidad de un producto se usa los crculos de
Control de Calidad (Quality Control, QC), integrados por
grupos pequeos de empleados (entre 5 y 12) que se renen
regularmente para solucionar problemas relacionados con el
trabajo.
Los miembros del QC:
Son todos de la misma rea de trabajo.
Reciben capacitacin en control estadstico de calidad y en planeacin de
grupos.
Por medio de discusiones abiertas y del anlisis estadstico, logran mejoras
significativas en reas como: el mejoramiento de calidad, el diseo del
producto, la productividad, mtodos de produccin, hasta la reduccin de
costos y seguridad.
14

Un elemento prioritario del TQM es el Control Estadstico de Calidad (Statistical
Quality Control, SQC), conjunto de herramientas y mtodos estadsticos. El SQC,
est diseado para asegurar que los productos cumplan con normas y
especificaciones de produccin. Este objetivo, se realiza a travs del muestreo de
aceptacin, el cual implica probar una muestra aleatoria de los productos para
determinar si debe aceptar o rechazar el lote o el nmero mximo de defectos que
una empresa est dispuesta a tolerar (proceso conocido como: Nivel de calidad
aceptable, Acceptable Quality Level, AQL).
En las empresas es cada vez ms comn la necesidad de mantener la calidad del
producto. Si una firma va a competir de manera exitosa, debe tomar las
precauciones para garantizar que sus productos cumplan con estndares bsicos.
15
16
1.1 Conceptos bsicos de la Estadstica Descriptiva.
17
1.1 Conceptos bsicos de la Estadstica Descriptiva

Concepto de Estadstica:
1. Ciencia que recolecta, describe e interpreta datos (Johnson y Kuby, 1999).
2. Ciencia que estudia la acumulacin, anlisis, interpretacin y presentacin
de datos numricos (Black, 2005).
3. Es el arte y la ciencia de reunir datos, analizarlos, presentarlos e
interpretarlos, para la toma de decisiones (Anderson, 2008, p. 3).
4. Ciencia que recoge, organiza, presenta, analiza, e interpreta datos con el fin
de proporcionar la toma de decisiones ms eficaz (Lind, 2008, p. 4).
5. Ciencia que se ocupa de la obtencin de informacin y que proporciona
instrumentos para la toma de decisiones cuando prevalecen condiciones de
incertidumbre (Muoz et al., 2010).
18

Clasificacin de la Estadstica:
Estadstica Descriptiva:
Esta formada por los mtodos grficos y numricos que se utilizan
para resumir y procesar los datos y transfrmalos en informacin
(Newbold et al., 2012, p.5).
Estudia la obtencin, organizacin, presentacin y descripcin de
la informacin numrica (Chao, 1985, p.16).
Estadstica
Estadstica Inferencial:
Constituye la base para hacer predicciones, previsiones y
estimaciones que se utilizan para transformar la informacin en
conocimiento (Newbold et al., 2012, p.5).
Emplea datos de una muestra para hacer estimaciones y probar
hiptesis acerca de las caractersticas de una poblacin (Anderson,
2008, p.16).
19
1. Poblacin
2. Muestra
3. Censo
Consta de todos los objetos o individuos sobre los que se desea

obtener conclusiones (Levine, 2014, p. 7).
Representa la coleccin completa de elementos o resultados
de la informacin buscada (Navidi, 2006, p. 7).
Es la coleccin o conjunto, de individuos, objetos o eventos
cuyas propiedades sern analizadas (Johnson y Kuby, 1999).
Es una parte que se selecciona de una poblacin para someterla

a anlisis (Levine et al., 2014, p.8).
Es un subconjunto observado de valores poblacionales
(Newbold et al., 2008, p.3)
Es una parte de la poblacin representativa del conjunto
(Black, 2005).
Proceso que recolecta datos de toda una poblacin (Anderson,

2008, p. 16).
Es la informacin disponible para todos los objetos de la
poblacin (Devore, 2008, p. 2).
20
4. Parmetro
5. Parmetro
Es el proceso de efectuar un estudio para recolectar datos de

una muestra (Anderson et al., 2008, p.16).
Es una medida que describe una variable que utiliza datos de

una poblacin (Levine, 2014, p. 7).
Es una caracterstica especfica de una poblacin (Newbold,
2008, p. 4).
Son las caractersticas medibles de una poblacin (Chao, 1995,
p. 21).
6. Estadstico
Es una medida que describe una variable que utiliza datos de

una muestra (Levine et al., 2014, p.8).
Es una caracterstica especfica de una muestra (Newbold et al.,
2008, p.4)
Es una caracterstica medible de una muestra (Chao,1995,
p.22).
21

Clasificacin de los Estudios estadsticos (Anderson et al., 2008, p.16):
Experimentales :
Se identifica primero la variable de inters. Despus se ubica otra u otras
variables que son controladas para lograr datos de cmo sta influye
sobre la variable de inters.
Estudios
estadsticos
Observacionales y no experimentales:
No se controlan las variables de inters. El tipo ms usual de estudio
observacional es quiz una encuesta. Por ejemplo, en una encuesta
mediante entrevistas personales, primero se identifican las preguntas de
la investigacin. Despus se presenta un cuestionario a los individuos de
la muestra.
22

7. Elemento
8. Variable
9. Observaciones
10. Datos
Son las entidades de las que se obtienen los datos (Anderson et

al., 2008, p.6).
Es una caracterstica de un objeto o individuo (Levine, 2014, p. 6).

Es una caracterstica de los elementos que es de inters
(Anderson, 2008, p. 6).
Caracterstica de inters sobre cada elemento individual de una
poblacin o muestra (Johnson y Kuby, 1999, p.10).
Es el conjunto de mediciones obtenidas para un determinado

elemento (Anderson et al., 2008, p.6).
Es el conjunto de valores individuales asociados con una variable

(Levine, 2014, p. 6).
Son los valores encontrados para cada variable en cada uno de
los elementos (Anderson, 2008, p. 6).
Valor de la variable asociada a un elemento de una poblacin o
muestra (Johnson y Kuby, 1999, p.10).
23

Tipos de variables:
Variable cualitativa (atributo/categrica):
Tipos de
Variables
Tienen valores que solo pueden colocarse en categoras (Levine et al.,

2014, p.6).
Cuando la caracterstica que se estudia es de naturaleza no numrica
(Lind et al, 2008, p.8).
Se mide de manera no numrica (Webster, 2000, p.9).
Variable cuantitativa (numrica):

Tienen valores que representan cantidades (Levine et al., 2014, p.6).
Cuando la variable que se estudia aparece en forma numrica (Lind et
al., 2008, p.8).
Si las observaciones pueden expresarse numricamente ((Webster,
2000, p.9)
24

Tipos de variables cuantitativas:
Variable continua:
Variables
cuantitativas
Producen respuestas numricas que surgen de un proceso de

medicin (Levine et al., 2014, p.6).
Tomar cualquier valor dentro de un intervalo especfico (Lind et al,
2008, p.8).
Es aquella que puede tomar cualquier valor dentro de un rango dado,
generalmente resulta de una medicin (Webster, 2000, p.9).
Variable discreta:
Tienen valores numricos que surgen de un proceso de conteo (Levine
et al., 2014, p.6).
Adoptan solo ciertos valores y existen vacos entre ellos (Lind et al.,
2008, p.8).
Esta limitada a valores o nmeros enteros. Con frecuencia son el
resultado de la enumeracin o del conteo ((Webster, 2000, p.9)
25
Resumen de los tipos de variables (Lind et al., 2008,

p.9)
26

Elementos: Los suelos de la ciudad de Tuxtla Gutirrez, Chiapas.
Variables
No
Nombre del
geomaterial
Arcilla (0.30 a 1.10 m)
Guardera de la Subdelegacin del IMSS. Tuxtla
Gutirrez, Chiapas.
Cuantitativas
qu
(kg/cm2)
1.0
c
(kg/cm2)
0.5
m
(t/m3)
1.7
Cualitativas
LL
(%)
60
IP
(%)
36
Tipo de
suelo
(SUCS)
Color
CH
Caf
Obscur
o
27

Escalas o niveles de medicin
Nivel nominal:
Los datos de nivel nominal poseen las siguientes propiedades: 1) Las categoras de datos se
encuentran representadas por etiquetas o nombres, y 2) An cuando las etiquetas se codifiquen con
nmeros, las categoras de datos no tienen ningn orden lgico (Lind et al., 2008, p.9-13).
Cuando el dato de una variable es una etiqueta o un nombre que identifica atributo de un elemento
(Anderson et al., 2008, p. 6-7) .
Utiliza nombres o clasificaciones como datos para establecer la categora distintos y separados, los
nmeros servirn tan solo para indicar las categoras y no tienen significado numrico. Una medida en
escala nominal no indica ningn orden de preferencia (Webster, 2000, p. 12-13).
1.
2.
3.
4.
5.
Coca cola.
Pepsi.
7-up.
Mirinda.
Peafiel
Ejemplo: Los tipos de

refrescos existentes en tu
ciudad.
28

Nivel ordinal:
Las propiedades del nivel ordinal son: 1) Las clasificaciones de los datos se encuentran representadas
por conjuntos de etiquetas o nombres (alto, medio, bajo), las cuales tienen valores relativos, y 2) En
consecuencia, los valores relativos de los datos se pueden clasificar u ordenar (Lind et al., 2008, p.913).
Si los datos muestran las propiedades de los datos nominales y adems tiene sentido el orden o
jerarqua de los datos (Anderson et al., 2008, p. 6-7) .
Clasifican las observaciones en categoras con un orden significativo o secuencia de datos. Es decir,
las observaciones se clasifican con base en algunos criterios (Webster, 2000, p. 12-13).
1. Totalmente de
acuerdo.
2. De acuerdo.
3. Sin opinin.
4. En
desacuerdo.
5. Total
desacuerdo.
Ejemplo: Sears Roebuck, es uno

de los minoristas ms grandes
de USA, clasifica sus productos
como: bueno, mejores y los
mejores.
29

Nivel de intervalo:
Las propiedades del nivel de intervalo son: 1) Las clasificaciones de datos se ordenan de acuerdo con
el grado que posea la caracterstica en cuestin, y 2) Diferencias iguales en la caracterstica
representan diferencias iguales en las mediciones. Es importante destacar que el cero 0 es un punto
ms en la escala. No representa la ausencia de estado e incluye las propiedades del nivel ordinal
(Lind et al., 2008, p.9-13).
Si los datos tienen las caractersticas de los datos ordinales y el intervalo entre valores se expresa en
trminos de una unidad de medicin fija. Los datos de intervalo siempre son numricos (Anderson et
al., 2008, p. 6-7) .
Las variables se miden de manera numrica y llevan inherente un rango u ordenamiento. La diferencia
entre los valores es importante. El valor de cero se selecciona arbitrariamente, es un punto de
referencia arbitrario (Webster, 2000, p. 12-13).
30
40
50
60
70
F
F
F
F
F
Ejemplo: La variacin de
temperatura de una ciudad.
Entre el primer dato y el
segundo existe una diferencia
de
10
Farenheit
y
as
sucesivamente.
30

Nivel de razn:
Las propiedades del nivel de razn son: 1)Las clasificaciones de datos se ordenan de acuerdo con la
cantidad de caractersticas que poseen, y 2) Diferencias iguales en la caracterstica representan
diferencias iguales en los nmeros asignados a las clasificaciones, y 3) El punto cero representa la
ausencia de caractersticas y la razn entre dos nmeros es significativa(Lind et al., 2008, p.9-13).
Si los datos tienen todas las propiedades de los datos de intervalo y la proporcin entre dos valores
tiene significado (Anderson et al., 2008, p. 6-7) .
Se basa en un sistema numrico en el cual el cero es significativo (es un valor fijo en cualquier escala)
y la diferencia entre los valores es importante. La escala de razn se utiliza para medir muchos tipos
de datos que se encuentran en el anlisis empresarial, tales como: costos, rentabilidad y niveles de
inventario. Por ejemplo, el valor de cero dlares para medir los ingresos, puede interpretarse de
manera lgica para explicar que no ha habido ventas (Webster, 2000, p. 12-13).
31
Resumen de las caractersticas de los niveles de

medicin
(Lind et al., 2008, p.9)
32
1.2 Medidas de tendencia central y de dispersin para

datos agrupados
33
Anlisis estadstico descriptivo

1.
2.
3.
4.
5.
6.
7.
8.
Tabulacin de datos.
Rango.
Nmero de clases.
Ancho de clase.
Tabla de distribucin de frecuencias.
No. de barras
Intervalo de clase
Frecuencia, frec. acumulada, frec.
relativa y frec. rel. acumulada
9. Marca de clase
10. Media aritmtica.
11. Mediana
12. Moda.
13. Primer momento estadstico
14. Segundo momento estadstico
(Varianza y desviacin estndar).
15. Tercer momento estadstico (sesgo).
16. Cuarto momento estadstico
(curtosis).
Presentacin de resultados
Elaboracin de grficas.
1. Histograma.
2. Polgonos de frecuencia.
34
1. Recolectar los datos cuantitativos de la variable de estudio (Tabulacin de datos):

9
10
10
10
10
10
10
2. Ordenar los datos cuantitativos obtenidos de manera ascendente:

Valor mnimo
10
10
10
10
10
10
Valor mximo
35
3. Determinar el rango (R) de los datos:

Rango, es la diferencia entre el dato cuantitativo de mayor valor y el dato cuantitativo de menor
valor.
R= Vmx - Vmn
Ec. (1)
R= 10 - 5 = 5.0
4. Determinar el nmero de clases (Nc):
Nmero de clases, se refiere al nmero de barras que constituye un histograma.
Histograma, es una representacin grfica de una variable en formas de barras.
Si "n" < 100
N c = 1 + 3.3 log (n)
Ec. (2.1)
Si "n" > 100
N c = 3 + 3.3 log (n)
Ec. (2.2)
4.1 Aplique la regla de Sturges:

36
N c = 1 + 3.3 log (50)

N c = 6.6
N c = 7 barras
4.2 Aplique la regla de la base 2:
2 Nc n
Ec. (2.3)
25 = 32
2
Nc
50
26 = 64
27 =128
N c = 6 barras
37
5. Determinar el ancho de clase (Ac):

Ancho de clases, se refiere al tamao o longitud constante que debe tener la base de cada barra
en un histograma.
Ac =
R
Nc
5.0
Ac =
0.71
7.0
Ac =
5.0
0.83
6.0
Ec. (3)
A c = 1.0
38
6. Tabla de distribucin de frecuencias:

No.
barra
Intervalo de
clase
Frecuencia
Frec.
Acumulada
Frec.
Relativa
Frec. Rel.
Acumulada
Marca de clase
5x<6
(5/50)=0.10
(5/50)=0.10
(5+6)/2=5.5
(5)(5.5)=27.5
6x<7
11
(6/50)=0.12
(11/50)=0.22
(6+7)/2=6.5
(6)(6.5)=39.0
7x<8
10
21
(10/50)=0.20
(21/50)=0.42
(7+8)/2=7.5
(10)(7.5)=75.0
8x<9
13
34
(13/50)=0.26
(34/50)=0.68
(8+9)/2=8.5
(13)(8.5)=110.5
9 x < 10
10
44
(10/50)=0.20
(44/50)=0.88
(9+10)/2=9.5
(10)(9.5)=95.0
10 x < 11
50
(6/50)=0.12
(50/50)=1.00
(10+11)/2=10.5
(6)(10.5)=63.0
11 x < 12
---
=1.00
---
---
(fi mci)
=410.0
=50
39
Histograma
13
10
10
40
13
0.26
10
10
0.2
0.12
0.2
0.12
0.1
41
50
50
0.88
44
0.68
34
0.42
21
0.22
11
0.1
5
0
42
7. Determinacin de las medidas de tendencia central para datos agrupados:

n
7.1 Media aritmtica:
Donde:
7.2 Mediana:
(f M
i
ci
i=1
Ec. (4)
410.00
8.20
50.00
fi= frecuencia en el intervalo i (i=1,2,3,n).

mci= marca de clase en el intervalo i.
n=nmero de datos (n=50).
n
f ac
M e Li me 2
Ac
f me
Ec. (5)
Donde:
Lime= Lmite inferior del intervalo donde se localiza el 50% de los datos.
fac= frecuencia acumulada que antecede al intervalo donde se localiza la mediana.
fme= frecuencia del intervalo donde se localiza la mediana.
Ac=ancho de la clase (Ac=1.0).
43
No.
barra
Intervalo de
clase
Frecuencia
Frec.
Acumulada
Frec.
Relativa
Frec. Rel.
Acumulada
Marca de clase
5.0 x < 6.0
(5/50)=0.10
(5/50)=0.10
(5+6)/2=5.5
(5)(5.5)=27.5
6.0 x < 7.0
11
(6/50)=0.12
(11/50)=0.22
(6+7)/2=6.5
(6)(6.5)=39.0
7.0 x < 8.0
10
21
(10/50)=0.20
(21/50)=0.42
(7+8)/2=7.5
(10)(7.5)=75.0
8.0 x < 9.0
13
34
(13/50)=0.26
(34/50)=0.68
(8+9)/2=8.5
(13)(8.5)=110.5
9.0 x < 10.0
10
44
(10/50)=0.20
(44/50)=0.88
(9+10)/2=9.5
(10)(9.5)=95.0
10.0 x < 11.0
50
(6/50)=0.12
(50/50)=1.00
(10+11)/2=10.5
(6)(10.5)=63.0
11.0 x < 12.0
---
=1.00
---
---
(fi mci)
=410.0
=50
n
f ac
M e Li me 2
Ac
f me
50
2 -21
M e = (8.0) +
(1.0) = 8.31
13
44
7. Determinacin de las medidas de tendencia central para datos agrupados:
7.2 Moda:
Donde:
M o Li mo
(f mo -f1 )
Ac
(f mo -f1 )(f mo -f 2 )
Ec. (6)
Limo= Lmite inferior del intervalo donde se localiza la mayor frecuencia.

fmo= frecuencia de la clase modal.
f1= frecuencia anterior a la clase modal.
f2= frecuencia posterior a la clase modal.
Ac=ancho de la clase (Ac=1.0).
45
No.
barra
Intervalo de
clase
Frecuencia
Frec.
Acumulada
Frec.
Relativa
Frec. Rel.
Acumulada
Marca de clase
5.0 x < 6.0
(5/50)=0.10
(5/50)=0.10
(5+6)/2=5.5
(5)(5.5)=27.5
6.0 x < 7.0
11
(6/50)=0.12
(11/50)=0.22
(6+7)/2=6.5
(6)(6.5)=39.0
7.0 x < 8.0
10
21
(10/50)=0.20
(21/50)=0.42
(7+8)/2=7.5
(10)(7.5)=75.0
8.0 x < 9.0
13
34
(13/50)=0.26
(34/50)=0.68
(8+9)/2=8.5
(13)(8.5)=110.5
9.0 x < 10.0
10
44
(10/50)=0.20
(44/50)=0.88
(9+10)/2=9.5
(10)(9.5)=95.0
10.0 x < 11.0
50
(6/50)=0.12
(50/50)=1.00
(10+11)/2=10.5
(6)(10.5)=63.0
11.0 x < 12.0
---
=1.00
---
---
(fi mci)
=410.0
=50
M o Li mo
(f mo -f1 )
Ac
(f mo -f1 )(f mo -f 2 )
(13-10)
M e = (8.0) +
(1.0) = 8.33
(13 10)(13 10)
46
8. Determinacin de las medidas de dispersin para datos agrupados (momentos estadsticos):

Los momentos estadsticos (Mei), permiten establecer la caracterizacin de la curva de
distribucin de frecuencia sin la necesidad de desarrollar los elementos grficos.
8.1 Momento estadstico de primer grado (Me1):

La diferencia entre las marcas de clase con respecto a la media aritmtica deben ser cero o
prximas a l, ya que los valores de las desviaciones por arriba y por debajo de la media
aritmtica deben ser iguales.
n
Me1
Donde:
f (M
i 1
ci
x)
0
Ec. (7)

x= media aritmtica.
n=nmero de datos.
47
8.2 Momento estadstico de segundo grado (Me2):

Representa el promedio de las desviaciones al cuadrado de las marcas de clase con respecto a la
media conocida como varianza, V .
n
Me 2 = V=
Donde:
2
f
(M
x
)
i ci
i 1

x= media aritmtica
S=desviacin estndar.
S=
Ec. (8)
Ec. (9)
48
8.3 Momento estadstico de tercer grado (Me3):

Las desviaciones de las marcas de clase con respecto a la media aritmtica se elevan al cubo
promedindolas con respecto al nmero de elementos conjunto, lo que permite establecer el tipo de
sesgo que describe la curva de distribucin de frecuencias a travs del coeficiente de asimetra K1.
n
Me3 =
Donde:
3
f
(M
x
)
i ci
i 1
Ec. (10)

x= media aritmtica
n=nmero de datos (n=50)
S3=desviacin estndar elevada al cubo.
El coeficiente de asimetra se obtiene a partir de la siguiente expresin:
Me3
k1 =
S3
Ec. (11)
49
Coeficiente de
asimetra
Curva de distribucin de frecuencias (forma)
Si k1>0
Asimetra derecha
Sesgo positivo
Si k1=0
Simtrica
Sin sesgo
Si k1<0
Asimetra izquierda
Sesgo negativo
50
8.3 Momento estadstico de cuarto grado (Me4):

Las desviaciones de las marcas de clase con respecto a la media aritmtica se elevan a la cuarta
potencia promedindolas con respecto al nmero de elementos conjunto, lo que permite establecer
el tipo de curtosis que describe la curva de distribucin de frecuencias a travs del coeficiente de
asimetra K2.
n
Me 4 =
Donde:
4
f
(M
x
)
i ci
i 1
Ec. (12)

x= media aritmtica
n=nmero de datos (n=50)
S4=desviacin estndar elevada al cubo.
El coeficiente de asimetra se obtiene a partir de la siguiente expresin:
Me 4
k2 =
S4
Ec. (13)
51
Coeficiente de
asimetra
Curva de distribucin de frecuencias (forma)
Si k4-3>0
La curva es leptocrtica
Si k4-3=0
La curva es mesocrtica
Si k4-3<0
La curva es platocrtica
52
No.
barra
Intervalo de
clase
Frec.
fi
Marca de
clase
mci
(mci-x)
fi (mci-x)
fi (mci-x)2
fi (mci-x)3
fi (mci-x)4
5.0 x < 6.0
(5+6)/2=5.5
(5.5-8.2)= -2.7
(5)(-2.7)= -13.5
(5) (-2.7)2= 36.45
(5) (-2.7)3= -98.02
(5) (-2.7)4= 265.72
6.0 x < 7.0
(6+7)/2=6.5
(6.5-8.2)= -1.7
(6)(-1.7)= -10.2
(6) (-1.7)2= 17.34
(6) (-1.7)3= -29.48
(6) (-1.7)4= 50.11
7.0 x < 8.0
10
(7+8)/2=7.5
(7.5-8.2)= -0.7
(10)(-0.7)= -7.0
(10) (-0.7)2= 4.90
(10) (-0.7)3= -3.43
(10) (-0.7)4= 2.40
8.0 x < 9.0
13
(8+9)/2=8.5
(8.5-8.2)= 0.3
(13)(0.3)= 3.9
(13) (0.3)2= 1.17
(13) (0.3)3= 0.35
(13) (0.3)4= 0.11
9.0 x < 10.0
10
(9+10)/2=9.5
(9.5-8.2)= 1.3
(10)(1.3)= 13.0
(10) (1.3)2= 16.90
(10) (1.3)3= 21.97
(10) (1.3)4= 28.56
10.0 x < 11.0
(10+11)/2=10.5
(10.5-8.2)= 2.3
(6)(2.3)= 13.8
(6) (2.3)2= 31.74
(6) (2.3)3= 73.00
(6) (2.3)4= 167.90
=50
---
---
=0.00
= 108.50
= -36.01
= 514.80
Me1
Me1=
f (M
i 1
ci x )
0.00
= 0.00
50
Me 2 = V=
Me 2 = V=
S=
f (M
i 1
ci x )
n
108.50
= 2.17
50
S=
2.17 1.47
Me3 =
Me3 =
f (M
i 1
ci x )
Me4 =
n
-36.01
= -0.72
50
Me3
k1 =
S3
k1 =
0.72
0.23
(1.47) 3
Me3 =
k2 =
f (M
i 1
x
)
ci
n
514.80
= 10.30
50
10.30
Me4
k
=
2.20
2
(1.47) 453
S4
k 2 -3= 2.20 3.00 0.80
Norma ASTM E11-09

Manejo, almacenaje, mantenimiento, inspeccin peridica y verificacin de mallas
metlicas entrelazadas
Malla metlica: elemento metlico constituido por un marco y un tejido
Tejido
Marc
o
Elemento circular
metlico
con dimetros de 200 a
300 mm, suficientemente
rgido y firme.
Es
una
malla
de
alambres con aberturas
cuadradas, que se fija en
los bordes del marco.
Norma ASTM E11-09
2
Almacenaje
Manejo
Uso o utilizacin
manual
de
un
instrumento
de
medicin.
Accin y resultado de
guardar
los
instrumentos
de
medicin en un lugar
apropiado
para
evitarles
daos
o
maltratos.
Inspeccin
peridica
Verificacin
Reconocimiento de que
las
funciones
del
instrumento
de
medicin
son
adecuadas.
Confirmacin mediante
la
aportacin
de
evidencia objetiva de
que un instrumento
cumple
con
los
requisitos
especificados.
Norma ASTM E11-09
Manejo
Almacenaje
Mtodo de ASTM C 136-06

Anlisis granulomtrico
agregados gruesos y finos.
de
Mantenimiento
I.
Evitar: exposicin directa a

la luz solar.
1. Limpiar el equipo cada vez

que este se usa.
II.
Sugiere:
ambiente
ventilado
y limpio
y
debidamente
etiquetado
para su fcil identificacin.
2. Mallas menores a la No.

20 (0.85 mm), la limpieza
se realiza mediante lavado
y con cepillos de cerdas
suaves.
3. Mallas mayores o igual a
la No. 20, la limpieza se
realiza mediante lavado y
con cepillos de cerdas
metlicas.
3. Inspeccin peridica de mallas metlicas

Manchas de
grasas
La malla metlica no
debe de estar rota
Oxidacin
Inspeccin visual
Presencia de partculas
slidas atrapadas en el tejido
Verificacin
visual a contraluz
Identificar aberturas mayores a

la especificada por la norma
Aberturas entre la unin de

la malla y el bastidor
Esta inspeccin visual debe realizarse al menos una
vez al ao dependiendo su uso.
4. Verificacin de mallas metlicas

Tolerancias para
la verificacin de
mallas metlicas
entrelazadas
La variacin
del tamao
de la
abertura promedio
Y
El tamao
mximo
de abertura
X
w 0.98
Y
1.6
27
2 w 0.75
X
4 w 0.25
3
La variacin
del dimetro
promedio
del alambre
d
La desviacin
estndar
Mxima
Z
1
s
n 1
(w
r 1
w)
x1 x 2 x n
n
La verificacin de las mallas metlicas debe de realizarse a partir de la Malla No. 8 (2.36
mm), inferiores a este tamao de abertura solamente se realiza inspeccin visual.
Trama
Urdimbre
Todas las aberturas en una malla metlica deben de tener la
misma probabilidad de ser verificados.
Todas las mallas metlicas que presenten aberturas menores o
iguales a 15 deben de medirse todas sus aberturas.
Medio punto
w
Nomenclatur
a:
W=Tamao de la
abertura.
d=Dimetro del
alambre
Todas las mallas metlicas con aberturas mayores a 15, para determinar su nmero
mnimo de muestreo de aberturas referirse a la Tabla 2 Columna 8.
1. Petrolax es una importante empresa petrolera, que
No.
Tubos de
Aceros y tubos
46
acero
45
46
47
46
45
47
46
asignacin del proveedor la tiene que realizar por
46
46
46
medio de una licitacin abierta. Para la licitacin se
45
46
45
46
47
46
44
47
46
acero y 3. Aceros y tubos), las tres empresas
46
45
45
venden la unidad al mismo precio y con las mismas
45
46
46
10
44
46
46
11
46
46
46
solicita que el proveedor mantenga un dimetro
12
45
46
45
promedio por cada 20 tubos entregados de 46
13
45
45
46
14
46
46
47
15
44
46
46
lote muestra de este tamao. El rea de metrologa
16
46
46
45
de Petrolax obtuvo los siguientes resultados (las
17
45
46
46
18
45
45
46
19
44
45
46
20
45
45
45
desea contratar el suministro de tubos de acero

para sus instalaciones, solo que le piden que la
presentaron tres empresas (1. Tubular, 2. Tubos de
especificaciones tcnicas del material. Petrolax
pulgadas; para lo cual solicit a cada empresa un
unidades estn dadas en pulgadas).

Tubo
1
Tubular
47
Qu proveedor seleccionaras? Es muy importante justificar tu respuesta con un buen anlisis.
64
Referencias:
1. Alvarado, V. M. (2012). Probabilidad y estadstica. Grupo Editorial Patria. Mxico, D.F.
2. Black, K. (2005). Estadstica en los negocios. Grupo editorial CECSA. Mxico, D.F.
3. Corona, F. J. y Tovar, M. E. (1987). Elementos de Estadstica. Aplicaciones al mtodo experimental. Editorial
Trillas. Mxico, D.F.
4. Gmiz, B. E. y Guerra, A. (2010). Aplicaciones de Estadstica. Instituto Politcnico Nacional IPN. Mxico, D.F.
5. Montgomery, D. (2005). Control Estadstico de la Calidad. Tercera edicin. Editorial Limusa Wiley. Mxico,
D.F.
6. Pola, J. C. (2010). Notas de Probabilidad y Estadstica. Instituto Mexicano del Transporte, IMT. Quertaro,
Mxico.
7. Ortiz, F. G. y Garca, M. P. (2007). Metodologa de la Investigacin. El proceso y sus tcnicas. Limusa Noriega
Editores. Mxico, D.F.
8. Spiegel, M.R. (1991). Estadstica. Editorial McGraw Hill, Segunda edicin. Mxico, D.F.
9. Walpole, R. E., Myers, R. and Myers, S. (1999). Probabilidad y Estadstica para Ingenieros. Sexta edicin.
Prentice Hall. Mxico, D.F.
10. Zavala, R. (2011). Estadstica Bsica. Editorial Trillas. Mxico, D.F.
65
66

Estadística Descriptiva

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Estadística Descriptiva

Hochgeladen von

Copyright:

Verfügbare Formate

Probabilidad y Estadstica

MC. Julio Cosme Pola Velzquez

MC. JULIO COSME POLA VELZQUEZ

U1: Estadstica descriptiva

U3: Variables Discretas

U4: Variables Continuas

U5: Inferencia Estadstica

U6: Regresin y correlacin

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

Desde el punto de vista prctico,

Los empresarios de la construccin buscan siempre la rentabilidad de sus proyectos,

MC. JULIO COSME POLA VELZQUEZ

El control de calidad, la minimizacin de

1.1 Conceptos bsicos de la estadstica descriptiva

A medida que aumenta la complejidad de

Continuamente tenemos presiones debido a

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

El mundo laboral paga ms a las personas que son capaces de plantear

La compresin de los principios financieros y econmicos permiten

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

En la actualidad, la mayora de las empresas tienen departamentos de control de

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la estadstica descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la Estadstica Descriptiva.

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la Estadstica Descriptiva

1.1 Conceptos bsicos de la Estadstica Descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la Estadstica Descriptiva

Consta de todos los objetos o individuos sobre los que se desea

Es una parte que se selecciona de una poblacin para someterla

Proceso que recolecta datos de toda una poblacin (Anderson,

1.1 Conceptos bsicos de la Estadstica Descriptiva

Es el proceso de efectuar un estudio para recolectar datos de

Es una medida que describe una variable que utiliza datos de

MC. JULIO COSME POLA VELZQUEZ

Es una medida que describe una variable que utiliza datos de

1.1 Conceptos bsicos de la Estadstica Descriptiva

MC. JULIO COSME POLA VELZQUEZ

1.1 Conceptos bsicos de la Estadstica Descriptiva

Son las entidades de las que se obtienen los datos (Anderson et

Es una caracterstica de un objeto o individuo (Levine, 2014, p. 6).