analisis de datos 1p (1)

7/23/2019 Analisis de Datos 1p (1)

1/59

Anlisis de dUniversidad del V

Jos Alberto Nuncio Esq

alberto_nuncio@ya


2/59

Bienvenida

Jos Alberto Nuncio [email protected]

Presentacin de cada uno de los alumnos:

- Nombre.- Cuatrimestre- Empresa donde laboran.- Que puesto tienen.- Cuanto tiempo tienen laborando en esa empresa.- Pregunta extra.


3/59

OBJETIVO GENERAL

El estudiante analizar los distintos criterios para el manejo de datos coregresiones, anlisis de varianza, estadstica no paramtrica y modelos

el fin de distinguir la mejor herramienta en un caso prctico de su rea p

Anlisis de datos


4/59

Anlisis de datos

NDICE DE UNIDADES

1. Correlacin y regresin lineal

2. Regresin mltiple y polinomial

3. Anlisis de varianza

4. Estadstica no paramtrica

5. Modelos de prediccin y series de tiempo

Materia Anlisis de datos

Clave : s/n

Horas de Clase 3 horas semanales

Horas de estudio 4.5 horas por cada 3 horas de clasesTcnica didctica Presencial

Horario de clases Lunes y Mircoles 19:00 20:30Lugar Campus Saltillo Saln____Horario de Asesoras Por definir segn sea el caso


5/59

NDICE DE UNIDADES




4. Estadstica no paramtrica5. Modelos de prediccin y series de tiempo


6/59

INDICE DE UNIDADES OBJETIVO ESPECFICO POR UN




1. Estadstica no paramtrica

1. Modelos de prediccin y series de tiempo

El estudiante analizar los diagramas decoeficiente de correlacin r, para determinestn correlacionadas.

El estudiante identificar el anlisis de regre

los KPIVs (causas crticas o poco significat

determinar los mejores niveles de operacinalto mejor).

El estudiante usar un anlisis de varianza (A

y de dos vas para determinar si las var

afectan de forma significativa la salida prome

El estudiante analizar la aplicacin de

paramtrica a un conjunto de datos espec

apreciar las ventajas de esta herramienta.

El estudiante usar un mtodo slido para

modelos y as obtener la ecuacin predict

posible en una situacin determinada.

Alguna duda?


7/59

ACTIVIDADES DE ENSEANZA APRENDIZAJE BAJO LACONDUCCIN DE UN ACADMICO

ACTIVIDADES DE APRENDIZAJE IN

Presentar dibujos y/o grficas para explicar un modelo

terico

Presentar ejemplos de aplicacin

Presentar casos de estudio con estructura metodolgica

Fomentar la participacin del estudiante en clase

Formar equipos de trabajo para el anlisis y solucin de

problemas

Explicar estructura y funcionamiento de software

especializado

Presentar estrategias de solucin de problemas

Trabajar con la tcnica de aprendizaje basado en

problemas

Realizar investigacin documental y

identificando elementos aplicados a

profesional

Realizar visitas a plantas industriales

Realizar prcticas de aplicacin de c

Resolver problemas para la aplicaci

Formular soluciones para proyectos

Realizar trabajos de investiga

problemas reales

Simular en software especializado

de sistemas reales

Alguna duda?


8/59

Como se evaluar

Evaluacin:

La evaluacin del curso es de carcter integral, acumulativo, formativo, sumativo, participativo y dlos estudiantes durante el desarrollo del curso, por medio del cual se exploran y valoran los avanc

aprendizaje, a travs de la elaboracin de trabajos, ensayos, investigaciones, prcticas, parti

cualquiera otra forma de evaluacin que se estime conveniente.

Cabe sealar que la evaluacin del aprendizaje se adaptar a la metodologa y estrategias de e

que se utilicen.

Acreditacin:

El curso se acredita con dos evaluaciones parciales en las cuales se considerarn tanto las plos productos elaborados dentro del proceso de enseanza-aprendizaje.


9/59

Inicio de clases 16/Junio/14Primera evaluacin

Revisin Examen yFirma de Acta parcial

04/Agosto/14

06/Agosto/14

Segunda evaluacin

Revisin Examen yFirma de Acta parcial

17/Septiembre/2014

21 y 23/Septiembre/2014

Proyecto Final 3, 8 y el 10 de Septiembre 2014Asueto Ninguno

Fechas importantes


10/59

Polticas del CursoEstructura de la clase:

De manera aleatoria y sin previo aviso, se designar a un alumno para que haga un resumen ms de cinco minutos.

De la misma forma, se podr aplicar un examen rpido de las lecturas asignadas o de la clasesesin.

El profesor har una exposicin general del tema a tratar en cada sesin.

Es obligatoria la participacin de todos los alumnos en las discusiones y ejercicios de clase.


11/59

Primera evaluacin 40

Segunda evaluacin 40Proyecto final 20

Examen parcial 50%

Ejercicios, Ensayos,Investigaciones, tareas

30%

Exmenes rpidos 10%Participacin 10%

Polticas de EvaluacinLa calificacin final est compuesta por:La calificacin parcial de la primera y segunda evaluacin:

Evaluacin Parcial

5 % 20%

40% 50%

40 % 50%

50 % 70%

10% 20%

10 % 20%

10 % 20%

Quieren modificar algo aqu???


12/59

Asistencia y puntualidad La tolerancia para entrar al saln de clase ser de 10 minutos.

Una vez comenzado el examen rpidos solo se dar le tiempo estipulado, sin excepcin por reta

3 retardos amerita una falta.

El lmite de faltas para tener derecho a examen final es el equivalente a dos semanas de clases

faltas en total del curso). Las faltas deben ser justificadas mnimo una clase antes. Queda sujeta a juicio de maestro.

Trabajos, exmenes y tareas extemporneas Slo se aceptarn las tareas, trabajos y proyectos que se entreguen en tiempo y en forma.

El examen extemporneo se realizar, previa autorizacin de los directores de CarreraDepartamento, sobre una calificacin de 80.

La solicitud del examen se deber realizar con el Director de Carrera correspondiente.


13/59

Reglas de comportamiento Queda estrictamente prohibido fumar e ingerir alimentos y/o bebidas en

as como el uso de celulares o cualquier otro equipo de comunicacin. La computadora porttil slo se utilizar dentro del saln de clases pa

acadmicas diseadas para la materia. Fuera de estas razones, por ning

autorizar su uso durante el desarrollo de la clase.

El profesor asume que el alumno conoce el Reglamento General de Alu

Reglamento Acadmico para los programas de Profesional, por lo que toddurante el cuatriimestre se regirn conforme a lo establecido en dichos reg

Alguna duda???


14/59

Bibliografa.

1- John E. Freud y Gary A. Simon, Estadista elemental, 8va edicin, Edit. Pearson P

2- Johnson Kuby, Estadistica elemental, 3 edicin, Edit. Thomson.

3- Lincoln L. Chao, Introduccin a la estadstica, Editorial Continental.

4- Mendenhall-Beaver-Beaver, Introduccin a la probabilidad y estadstica, 13 edi

Learning.

5- Jos Juan Gngora Corts y Roberto Hernndez Ramrez, Estadstica descriptiva

6- Mario F. Triola, Estadstica, 10 edicin, Edit. Pearson Addison Wesley.

7- Montgomery, Control estadstico de la calidad, 3 edicin, Limusa Wiley.

8- Douglas Montgomery, introduction to statistical quality control, 7 edition, Edit.

9- Adrew Sleeper, Design for Six Sigma statistics, Edit. Mc. Graw-Hill.

10- Robert P. Neuman and Roland R. Cavanagh, The Six Sigma Way, Mc. Graw-Hill.

11- Ron S. Kenett-Shelemyahu Zacks, Estadstica Inustrial Moderna, Edit. Thomson

12- Michael L. George, Lean Six Sigma, Mc. Graw-Hill.

13- Thomas Pyzdek, The Six Sigma Handbook, Mc. Graw-Hill.


15/59

1- Introduccin al ande d

Universidad del V


alberto_nuncio@y


16/59

Antecedentes histricos.

Al igual que ha ocurrido con otras muchas disciplinas, a lo largo del tiempo

que la estadstica es un procedimiento extraordinariamente complicado. C

artculos en los que aparecen resultados estadsticos nos queda la impresin

en ellos es una verdad absoluta e incontrovertible que est apoyada por to

matemtico. Esto no es forzosamente cierto, se puede adquirir con relati

conocimiento bsico de la estadstica

La estadstica fue fundada por John Graunt, en unpequeo libro Natural and political Observations made

upon the Bells of Mortality. Este libro fue el primer

intento para interpretar fenmenos biolgicos de masa y

de la conducta social: a partir de datos numricos

escribir las cifras brutas de nacimientos y defunciones enLondres, de 1604 a 1661. Treinta aos ms tarde, la

Royal Society public en su Philosophical Transactions

un artculo sobre tasas de mortalidad escrito por el

eminente astrnomo Edmund Halley. Ambaspublicaciones constituyen la base de todo trabajoposterior sobre esperanza de vida,


17/59

Antecedentes histricos.

En el famoso libro de Jacob Bernoulli, Aos Conjectandi, aparece un teimportancia cardinal para la Teora de Probabilidades, comnmente llamado T

Bernoulli, y tambin conocido como Ley de los grandes nmeros, nombre que

por el matemtico francs, Simeon Poisson (1781-1840). Este teorema fueintento para deducir medidas estadsticas a partir de probabilidades individuale

Junto con Arqumedes y Newton, Gauss es uno de los tres grandes de la M

Ellos aportaron conceptos muy tiles en sus distintas ramas tanto en su forma

aplicada.


18/59

Funciones de la estadstica.

Los conceptos y temas de la estadstica se utilizan en la actualidad en un

ocupaciones. Las tcnicas estadsticas constituyen una parte integral de linvestigacin en distintas reas del saber humano.

Con frecuencia escuchamos comentarios como los siguientes:

Se ha demostrado estadsticamente que el mayor porcentaje de las ventas

registran en el primer trimestre del ao.

La explotacin de petrleo crudo en el ltimo trimestre del ao de 1993

millones de barriles, cuyo producto fue de 3698 millones de dlares.

Estadsticamente se ha demostrado que el huevo produce el colesterol en

consumen mucho este producto.

Se ha comprobado estadsticamente, que la pasta dental de mayor aceptaces la que produce la fbrica Colgate-Palmolive.

Todas estas expresiones nos indican que la Estadstica es una herramienta quconocer la realidad.

Justificacin


19/59

Justificacin

Los conceptos y los mtodos estadsticos no solo son tiles, sino

indispensables para comprender el mundo que nos rodea. Nos proporcionadquirirnuevas perspectivas del comportamiento de muchos fenmenosencontramos de la ingeniera y las ciencias.

La disciplina de la estadstica ensea como razonar lgicamente y tomainformadas en presencia de la incertidumbre y la variacin. Sin estas dosnecesidad de los mtodos estadsticos o de los profesionales de la estadstic

Justificacin


20/59

Justificacin

Toma dedecisiones

diaria

PresenciaIncertidumbre

- Sele- Rec

- Tam

mue

- Exis

sign

cua

- Cam

mat

- Ren

maq

NO necesitanmayor anlisis

Necesitanmayor anlisis

Estadstica

DOE

Anlisis dedatos Mtodosestadsticos

Variacin

1 1 - Conceptos


21/59

1.1 - Conceptos

Estadstica

Es una de las herramientas mas utilizadas en la investigacin cientfica.

Herramienta indispensable en instituciones gubernamentales, educ

negocios, en la banca , etc.

La Estadstica es el estudio cientfico relativo al conjunto deencaminados a la obtencin, representacin y anlisis de observacionescon el fin de describir la coleccin de datos obtenidos, as cogeneralizaciones acerca de las caractersticas de todas las observaciones

decisiones ms acertadas en el campo de su aplicacin.

Qu es la estadstica?

1 1 - Conceptos


22/59

1.1 - Conceptos

Cules son las dos grandes divisiones de la estadstica?

Estadsticadescriptiva

Estadsticainferencial.

1 1 - Conceptos


23/59

1.1 Conceptos

Estadsticadescriptiva

Consiste en procedimientos usados para resumir y describir caractersticas importantes de un conjuntos de mediciones.

Presenta tcnicas para describir un conjunto de datos

Ejemplos?

- Media

- Desviacin

- Varianza

- Error de la media

- Coeficiente de variacin

- Cuartiles

- Percentiles- Moda

- Mediana

- Mnimo

- Mximo

- Rango

- Kurtosis

1.1 - Conceptos


24/59

1.1 Conceptos

Mediciones de edad, estatura y peso de alumnos.

- N:

- Media :

- Desviacin :

- Varianza:

- Coeficiente de variacin:

- Cuartiles

- Percentiles

- Moda :

- Mediana:

- Mnimo :

- Mximo:

- Rango:

- Kurtosis :

Ejercicio 1.1

Diga cada uno su genero y estatura y peso. Construya una tabla en Excel de los datproporcionados. Anota en tu cuaderno o en un archivo de Excel.

NOTA: Al final guardaremos el archivo como Datos personales.xlsx

1.1 - Conceptos


25/59

1.1 Conceptos

Estadsticainferencial

Consta de procedimientos usados parahacer inferenciasacerca dcaractersticas de lapoblacin, a partir de informacin contenida emuestra extrada de la misma poblacin.

Estadsticainferencial

Hacer inferencias

Sacar conclusiones

Hacer predicciones

- Pru

- Pru

- Pru

- Re

- Re

sim- Re

m

- Aju

- Dis

- Pru

- Etc

Divisiones de la estadstica Estadsticad i ti

Estadsticai f i l


26/59

descriptivainferencial.

Procesos Estocsticos Procesos Determins

Para lograr modelar correctamente un proceso estocstico es nececomprender numerosos conceptos de probabilidad y estads

Dentro del conjunto de procesos estocsticos se encuentran, por ejempl

tiempo de funcionamiento de una mquina entre avera y avera, su tiemp

reparacin y el tiempo que necesita un operador humano para realizar

determinada operacin. El objetivo es utilizar la posible inercia e

comportamiento de la serie datos con elfin proveer su evolucin futura.

Random process

Procesos Estocsticos

Variables continuas

Variables discretas

Ejemplos de variables


27/59

Variables continuas continuas Variables dis

Divisiones de la estadstica


28/59

Procesos Estocsticos Procesos Determins

Es un modelo matemtico donde las mismas entradas producirn invariable

las mismas salidas, no contemplndose la existencia del azar ni el princip

incertidumbre.

Cul es mas difcil modelar, un proceso estocstico o un determi

Ejemplos???

Caida libre de un objeto

1

2

Por ejemplo, la planificacin de una lne

cualquier proceso industrial, es posible

implementacin de un sistema de gesti

incluya un modelo determinista en el cualas materias primas, la mano de obra, los tie

y los productos finales asociados a cada pro

Ejercicio grupal.


29/59

Procesos Estocsticos

Procesos Determinsticos Genera Y idnticas o salidas iguales.

Genera diferentes salidas a pesar de tener las misma

Toma apuntes!!!

Cada alumno elaborara rpidamente un ejemplo de un prestocstico y el siguiente compaero un proceso determinas sucesivamente.

Ejercicio 1.2

Estadstica paramtrica y no paramtrica


30/59

Paramtrica

Es una rama de la estadstica que comprende los procedimientos estadsticos y de destn basados en lasdistribuciones de los datos reales.Estas son determinadasun nmero finito de par

por ejemplo, si conocemos que la altura de las personas sigue una distribucin npero desconocemos cul es la media y la desviacin de dicha normal. La me

desviacin tpica de la desviacin normal son los dos parmetros que queremos est

La mayora de losprocedimientos paramtricos requiere conocer la distribucinmediciones.

Parmetro: Esuna caractersticade la poblacin de inters quequeremos esLa media, desviacin, los residuales, etc, son algunos ejemplos.

Estadstica paramtrica y no paramtrica


31/59

NO Paramtrica

Es una rama de la estadstica que estudia las pruebas y modelos estadsticos cuysubyacenteno se ajusta a los llamados criterios paramtricos. Su distribucin

definida a priori, pues son los datos observados los que la determinan. La utilizamtodos se hace recomendable cuando no se puede asumir que los datos se distribucin conocida.

Las principales pruebas no paramtricas son las siguientes:

Prueba de PearsonPrueba binomialPrueba de Anderson-Darling

Prueba de CochranPrueba de Cohen kappaPrueba de FisherPrueba de FriedmanPrueba de KendallPrueba de Kolmogrov-Smirnov

Variables y datos.


32/59

y

Variable Es una caracterstica que cambia o se modifica con el tiempo yindividuos u objetos en consideracin.

Ejemplos :- Temperatura corporal cambia con el tiempo.

- Edad cambia con el tiempo.- Ingresos $$$ cambia por empresa y con el tiempo

y por otros factores

Poblacin

Muestra.

Conjunto de todas las mediciones de inters para el investigad

Subconjunto de mediciones seleccionadas de la poblacin de in

Poblacin Muestra


33/59

Variables cualitativas

Miden una cualidad ocaracterstica en cadaunidad experimental.

Variables cuantitativas

Miden una cantidad

numrica en cadaunidad experimental.


34/59

Variables cualitativas Variables cuantitativas

Tipo de variables

Ordinal Nominal Variables discreta Varia

Datos categricos

E ll l l t t


35/59

Variables cualitativas

Ordinal

Nominal

Es aquella que agrupa los elementos en categoras que puordenados.

Es aquella que agrupa los elementos en categoras que noordenados.

Ejemplos:- Nacionalidad: Aleman, Espaol,

Mexicano, Ruso.- Colores: Rojo, Verde, Azul- Metodo 1 , Metodo 2

Ejemplos:- Nivel de ingles: Bajo, Medio, Alto.- Peso: Flaco, promedio, robusto.-


36/59

Variablescuantitativas.

Variables discretas Asume solo un nuero finito o contable de valores.

Variables continuas Toma todos los valores infinitos que correspondan a puntos sobre un inrvalo lineal.

- Numero de empleados- Puertas de Acceso A,B o C.

- Temperatura de un horno.- Tiempo de un marchista en una carrera.

Identificacin de variables. Identifique individualmente las variables, 5


37/59

Ejercicio 1.3

A- Identifique si es una variable cualitativa o cuantitativa.

B- Identifique si es una variable continua o discreta.

1- Tiempo que toma ensamblar una pieza.2- Numero de trabajadores en un turno.

3- Calificacin de un poltico recin electo. (Bueno, Regular o Malo).4- Calificacin de un examen de estadstica.5- Estado o Entidad Federativa en el que naci una persona.

1- Poblacin en Saltillo Coahuila.2- Peso de aluminio reciclado.4- Tiempo de entrega5- Numero de accidentes en el mes pasado.6- Numero de colaboradores en un equipo de trabajo7- Produccin en kilogramo de hierro.8- Produccin en numero de maquilas liberadas por calidad.

Cuant y continuaCuant y discreta

Cual y ordinaCuant y continua

Cual y nomimnal

d

cc

dd

cd

5 minutos para desarrollar este ejercicio, de manera individuadespus procedemos a comentarlos.

Estadsticas descriptivas


38/59

Las estadsticas descriptivas son algunas medidas numricas, que se empcomnmente para describir un conjunto de datos. El objetivo de las estadsdescriptivas es ser usadas para una inferencia estadstica,si parten de una muealeatoria y representativa.

Existen dos grupos:

Medidas de tendencia central Medidas de variabilida

Son las medidas con ladisposicin para agruparse en elcentro o de ciertos valoresnumricos.

Son las medidas condispersin de las observacien le conjunto.

Medidas de tendencia central


39/59

1- La media.

=

Esta es una medida apropiada de tendencia central apra datos. Sin embargo este valor puede ser afectado por la evalores extremos, o comnmente llamados valoresatipico

Considere el siguiente ejemplo:Usted quiere seleccionar materia prima, y considere dos proveedores, el provle otorga 4 muestras del producto: 0, 25, 75, y 100.

El ultimo en llegar,,, Calcule la media en el pizarrn, aplique la formula.

Medidas de tendencia central


40/59

2- La mediana.

Es el valor para el cual, cuando todas las observaciones se ordenan de manera creciemenor que este valor y la otra mitad mayor.Nota: Si el numero de observaciones es impar, la mediana es el valor de la observacmitad del conjunto ordenado. Si el numero es par se considera la mediana como el

los valores de las dos observaciones que se encuentren a la mitad del conjunto orde

3- La moda.

Es el valor de observacin que ocurre con mayor frecuencia en un conjunto de datos

Considere el siguiente ejemplo:Usted quiere seleccionar materia prima, y considere dos proveedores, el prootorga 4 muestras del producto: 10, 34, 56,23, 53, 45, 23, 45, 26, y 31.

La ultima persona quepaso diga un numero del 1-15

Calcule la media, mediana y

la moda.

Medidas de variacin


41/59

1- La varianza.

=

Qu indica la Media?No tiene significancia elegir uno u otro?

Las medidas de tendencia central proporcionan una buena informacin acerca ddatos, pero no proporciona ninguna idea de la variabilidad. Considere el siguiente eUsted quiere seleccionar materia prima, y considere dos proveedores, el potorga 4 muestras del producto: 0, 25, 75, y 100.Y el proveedor B, 48,49, 51 y 52

Es el promedio del cuadrado de las distancias entre cada obsconjunto de observaciones.

Medidas de variacin


42/59

2- La desviacin estndar.

s

Es la raz cuadrada de la varianza.

Se refiere sobre las varianza porque se expreunidades que las observaciones.

La ultima persona que paso diga un numero del 1-15Calcule la media, mediana y la moda, la varianza y deviacin estndar us

del ejercicio pasado (A mano). Adems calcule el rango!!. Para entregar e

siguiente clase.

Usted quiere seleccionar materia prima, y considere dos proveedores, el prov

muestras del producto: 0, 25, 75, y 100.Y el proveedor B, 48,49, 51 y 52.

3- El rango.

Es el valor mximo menos el mnimo.

FORMARTO DETAREAS


43/59

TAREAS

REQUISITOS MINIMOS DE PORTADA:

- UVM- NOMBRE- NOMBRE DE LA MATERIA- NOMBRE DEL PROFESOR- FECHA

Entregar en hojas en blanco (no de cuaderno) grapadas. Puedes usar hojas milimtrHacer la 1 tarea a mano y de manera individua!

Fecha de entrega: Lunes 30 de Junio en hasta 10 minutos despus de comenzar la cEn este caso no se aceptan trabajos por correo.

1Tarea

Ejercicios individuales


44/59

Realiza siguientes ejercicios de estadsticas descriptivas.Si no se terminan se entregaran la siguiente clase como tare

La demanda diaria de unidades de un producto durante 30 das de trabajo e

Ejercicio 1.4

1

1- Ejercicio de tarea estadisticas desciptivas

38 35 76 58 48 59

67 63 33 69 53 51

28 25 36 32 61 57

49 78 48 42 72 52

47 66 58 44 44 56

Calcula la media, mediana, desviacin estndar, moda, empleando los datos no agr

1Tarea



45/59

Si tienes dudas pregunta al facilitador!!

Aqu se presentan 3 conjuntos de datos, calcula la media y la desviacincada conjunto de datos. Qu puedes concluir?.

Ejercicio 1.4

2

2- Ejercicio de tarea estadsticas descriptivas

Grupo A 1 2 3 4 5 6

Grupo B 1 1 1 6 6 6

Grupo C -13 2 3 4 5 20

1Tarea



46/59

Utiliza las formulas! Se calificara el procedimiento manual.

Se seleccionaron de un proceso de fabricacin aleatoriamente 20 bateras yuna prueba para determinar la duracin de estas. Los siguientes datos

tiempo de duracin en horas para las 20 bateras.:Determine la media, mediana, desviacin estndar.

Ejercicio 1.4

3

3- Ejercicio de tarea estadsticas descriptivas.

52.5 62.7 58.9 65.7 49.3

58.9 57.3 60.4 59.6 58.1

62.3 64.4 52.7 54.9 48.8

56.8 53.1 58.7 61.6 63.3

1Tarea



47/59

Utiliza las formulas! Se calificara el procedimiento manual.

En un conjunto de nmeros cuya media es 7.31 se le aaden los nmerCul es la media del nuevo conjunto de nmeros?

Ejercicio 1.4

4

5 Calcule la media y desviacin estndar de los siguientes datos: 3, 8, 4, 10, 6Si todos los datos anteriores los multiplicamos por 3, tendran la misma me

1Tarea


Ej i i1


48/59

Ejercicio 1.4

6

1Tarea

Describe que tipo y subtipo de variable (Cuant, cuali, discreta, cotinua,

nominal y ordinal)

1-Comida Favorita

2- Profesin que ejerces.

3- Numero de goles anotados.

4- Numero de alumnos en LX.

5- Color de tus ojos.

6- Coeficinete intelectul de una persona

7- Puesto Conseguido en una prueba deportiva (1, 2 y 3er lugar)

8- Medalla de una prueba deportiva (oro, plata, bornce)

9- Rechazo interno en "Pasa" y " No pasa"10- Rechazo interno interno en porcentaje defectuoso

11- Peso de las personas

12- Numero de hijos

13- Deporte preferido

14- Piezas defectuosas por estacion de trabajo


49/59

2- Inferencia estadPruebas de hip

Universidad del V


alberto_nuncio@y

Hiptesis estadstica


50/59

La prueba o contraste de una hiptesis estadstica es una parte importantla Estadstica inferencial.

Hiptesis estadstica

Esuna afirmacincon respecto a algunacaractersticadesconocida de una poblacin de inters. Es decirprobar una hiptesis estadstica es el decidir si laafirmacin que se propone esta apoyada por evidenciaexperimental que se obtiene atreves de una muestraaleatoria.

Pasos o Procedimiento para laspruebas de hiptesis


51/59

1- Establecer la hiptesis nula Ho. (Presenta la igualdad).2- Elegir una hiptesis alterna apropiada. (3 casos).

3- Elegir el nivel de significancia alfa (0.1, 0.05 y 0.01).4- Calcular el valor de la estadstica apropiada ( en estos casos valor T).5- Decidir, rechazar o no rechazar Ho. (Si Pvalue es menor o igual al nivesignificancia alfa que se elijio.6- Concluir en trminos del ejemplo o caso real.

1- Leer el problema.

2- Determinar que tipo de prueba es. (1 muetra, 2 muestras, 2 muestras pa3- Identificar el valor objetivo o target.

Pre-Estadisticos

Prueba estadstica

Ejemplo practico


52/59

Para ilustrar la importancia de este y los siguientes temas, supngase elsiguiente ejemplo:

Suponga que se tiene inters en el tiempo promedio necesario paraterminar una unidad de produccin (suponga algn producto de suempresa) en una lnea de armado. Bajo condiciones normales deoperacin, el objetivo o la requisicin del cliente es tener un tiempopromedio de armado por unidad de 10 minutos.

El gerente de la planta decide continuar con el proceso, a menos que

encuentre evidencia sustancial de que el tiempo promedio no sea 10minutos.

La evidencia se obtendr de una muestra aleatoria de tamao nobtenida de una distribucin. Cmo debe decidirse si continua o no elproceso de produccin?

Ejemplo practico


53/59

La respuesta a este tipo de preguntas es el principal objetivo de estos temas.Lo mas importante en esta hiptesis es determinar si el valor de la media evidencia (muestra).Entonces;- Si la afirmacin estadstica esta de acuerdo con la evidencia experiment

sumir que el valor promedio del objetivo es de 10 minutos.- Pero,,, si la afirmacin no esta apoyada estadsticamente por la evide

muestral, el gerente de la planta puede detener el proceso para llevar aajustes necesarios.

Ejemplo practico

j l f l l d hi i i d b


54/59

En este ejemplo se formulan las dos hiptesis necesarias para cada pruebinferencia estadstica. La hiptesis nula y la hipostasis alterna.

La afirmacin de que = se llama Hiptesis nula: Ho.

Lahiptesis nula Hosiempre debe considerarse comoverdaderaa menosexista suficiente evidencia en contra, siempre abarca un solo valor!

La hiptesis alterna Ha es la contradictoria a Ho.

Es recomendable establecer la Ho mas especifica que la Ha.Estadsticamente es correcto llegar a dos conclusiones:- Rechazar Ho.- No rechazar Ho.

: Hiptesis nula.: Hiptesis alterna.

Veamos algunos ejemplos prctic

Por qu se rechaza a Ho? Y no se rechaza a Ha?

E j di i l l hi t i l H i t l hi t i lt


55/59

En un proceso judicial, lahiptesis nula Hoes inocentey lahiptesis altHa es culpable, si queremos demostrar que una persona es culpabinocente.

Si rechazamos la Ho implicara que el juicio ha sido capaz de proporci

evidencia suficiente para garantizar que es culpable.

Si no rechazamos Ho, el juiciono presenta evidencia sustancial para declaculpable, por lo tanto queda inocente. Sin embargo! Esta decisin no imnecesariamente que el acusado sea inocente, mas bien quiere decir que evidencia sustancial que valide que es culpable.

La razn por la cual se rechaza a Ho (culpable) y no a Ha (inocente), es porqdecisin sobre Ho debe considerarse mas fuerte! Esto debido al principio judque nos dice que es peor condenar a una persona inocente que dejar ir apersona culpable. Si el veredicto es culpable, se desea tener ungrado muyde confiabilidad de que no se va a condenar una persona inocente.

Ejemplos de Ho y HaEj l


56/59

Ejemplo 1.

Supngase que en la ciudad de Saltillo existen dos estaciones de televisicanal 6 y el canal 10. Se piensa que para las noticias de la tarde el auditorencuentra dividido en partes iguales para ambos canales. Una compa

interesa en probar esta teora de la proporcin de televidentes para las notde la tarde. Entonces la proporcin ser de 50% o de 0.5.

Las hiptesis son:

: 0.5

: 0.5

El estudio se realiza de la siguiente manera; la compaa realiza encuestasresidentes seleccionados al azar y pregunta que canal prefieren ver en las notde la tarde.

Casos generales de probar Ho contra Ha


57/59

Caso 1

: 9

: 9

Caso 2

: 9

: < 9

Caso 3

: 9

: > 9

Errores en aceptar o rechazar la hiptesis nula.

Error tipo I.

Se le llama as a la hiptesis nula cuando serechaza pero es verdadera.

Error tipo II.Se le llama as cuando la hiptesis nula se acepta pero realmente es falsa.

Situaciones posibles al probar una hiptesis estadstica


58/59

Al probar cualquier hiptesis estadstica se pueden presentar 4 situaposibles que determinan si nuestra decisin es correcta o errnea.

Situaciones posibles al probar una hiptesis

Ho es Verdadera Ho es Falsa

Aceptamos Ho Decisin correcta Error tipo II

Rechazamos Ho Error tipo I Decisin correcta

Error tipo I.Nivelde significancia

Se le llama as a la hiptesis nula cuando serechaza pero es verdadera.

Error tipo II. Potenciade la prueba Se le llama as cuando la hiptesis nula se acepta pero realmente es falsa.

Bibliografa.


59/59

1- John E. Freud y Gary A. Simon, Estadistca elemental, 8va edicin, Edit. Pearson P2- Johnson Kuby, Estadistica elemental, 3 edicin, Edit. Thomson.3- Lincoln L. Chao, Introduccin a la estadstica, Editorial Continental.

4- Mendenhall-Beaver-Beaver, Introduccion a la probabilidad y estadstica, 13 edici5- Jos Juan Gngora Corts y Roberto Hernndez Ramrez, Estadstica descriptiva, 6- Mario F. Triola, Estadistica, 10 ediacion, Edit. Pearson Addison Wesley.7- Montgomery, Control estadstico de la calidad, 3 edicin, Limusa Wiley.8- Douglas Montgomery, introduction to statistical quality control, 7 edition, Edit. W9- Adrew Sleeper, Design for Six Sigma statistics, Edit. Mc. Graw-Hill.10- Robert P. Neuman and Roland R. Cavanagh, The Six Sigma Way, Mc. Graw-Hill.11- Ron S. Kenett-Shelemyahu Zacks, Estadstica Inustrial Moderna, Edit. Thomson.

12- Michael L. George, Lean Six Sigma, Mc. Graw-Hill.13- Thomas Pyzdek, The Six Sigma Handbook, Mc. Graw-Hill.14- Geoff Tennant, Six Sigma Edit. Gower.15- E. L. Grant and R. S. Leavenworth, Control Estadstico de calidad, Edit. Continen

analisis de datos 1p (1)

Documents