REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN UNIVERSITARIA,

CIENCIA Y TECNOLOGÌA

UNIVERSIDAD POLITÉCNICA TERRITORIAL DEL NORTE DE MONAGAS

“LUDOVICO SILVA”

PROGRAMA NACIONAL DE FORMACIÒN EN MANTENIMIENTO.

P.N.F EN MANTENIMIENTO

Profesora: T.S.U:
ING: Yefre González Mendoza Gabrielys.27.341.514

Martínez Lisennys.26.833.185

Morillo Liliannys. 26.865.752

Sección T 1

CARIPITO, JULIO DEL 2020.

 Índice

Introducción...........................................................................................Pág.

Desarrollo………………………………………………………………………Pág.

1) Desviación estándar
2) Variabilidad
3) Propiedades de la distribución normas
4) Prueba de ajuste normal, desarrollar: Conceptos, Propiedades, Tipos,
Aplicaciones, Importancias, Ejemplos, Ejercicios.

Conclusión…………………………………………………………………….Pág.

Bibliografía …………………………………………………………………..Pág.
 Introducción

Las variabilidad y la desviación estándar se revisten y son de gran importancia

en la estadística, pues dotan a esta ciencia de su razón de ser y pueden ser
abordadas, tanto desde la estadística descriptiva, como de la probabilidad y la
inferencia, incluyen la percepción de la variabilidad aleatoria como componentes
esenciales del razonamiento estadístico. Las medidas de dispersión son, además,
esenciales en una distribución de datos, complementando a las de posición
central, ya que nos ayudas a nosotros como estudiante a comprender y
diferencien las relacionadas con la distribución de datos, la distribución de
probabilidad y la distribución maestral y las pruebas de ajuste normal. A pesar de
su importancia, la investigación didáctica sobre la variabilidad y la desviación
estándar el cual mide la dispersión de una distribución de datos. Entre más
dispersa está una distribución de datos, más grande es su desviación estándar. En
realidad la mayoría de los hechos y acontecimiento suceden mostrando
variaciones de mayor o menor intensidad, estos temas juegan un papel
fundamental en la estadística, ya que sin variación la estadística no tendría razón
de ser.

.
 Desarrollo

1) ¿Desviación estándar?

La desviación estándar es la medida de dispersión más común, que indica qué tan
dispersos están los datos con respecto a la media. Mientras mayor sea la
desviación estándar, mayor será la dispersión de los datos. El símbolo σ (sigma)
se utiliza frecuentemente para representar la desviación estándar de una
población, mientras que s se utiliza para representar la desviación estándar de una
muestra. La variación que es aleatoria o natural de un proceso se conoce
comúnmente como ruido. Se puede utilizar para establecer un valor de referencia
para estimar la variación general de un proceso.

Esta medida nos permite determinar el promedio aritmético de fluctuación de los

datos respecto a su punto central o media. La desviación estándar nos da como
resultado un valor numérico que representa el promedio de diferencia que hay
entre los datos y la media. Para calcular la desviación estándar basta con hallar la
raíz cuadrada de la varianza, por lo tanto su ecuación sería:

EJEMPLO:

1.-El gerente de una empresa de alimentos desea saber que tanto varían los

pesos de los empaques (en gramos), de uno de sus productos; por lo que opta por
seleccionar al azar cinco unidades de ellos para pesarlos. Los productos tienen los
siguientes pesos (490, 500, 510, 515 y 520) gramos respectivamente.
Por lo que su media es:

Con lo que concluiríamos que el peso promedio de los empaques es de 507

gramos, con una tendencia a variar por debajo o por encima de dicho peso en 12
gramos. Esta información le permite al gerente determinar cuánto es el promedio
de perdidas causado por el exceso de peso en los empaques y le da las bases
para tomar los correctivos necesarios en el proceso de empacado.

2)¿variabilidad ?

La variabilidad o dispersión hace referencia al grado de variación que hay en un

conjunto de puntuaciones. También son intervalos que indican la dispersión de los
datos en la escala de medición. Una medida de variabilidad nos determina el
grado de acercamiento o distanciamiento de los valores de una distribución frente
a su promedio de localización, indicando por medio de un número si las diferentes
puntuaciones de una variable están muy alejadas de la media. Cuanto mayor sea
ese valor, mayor será la variabilidad, y cuanto menor sea, más homogénea será a
la media. Cuando es cero quiere decir que todos los datos son iguales.

Por ejemplo: “entre dos distribuciones que presentan la misma media

aritmética, difieren en la variabilidad de sus puntuaciones”. Así, cuanto menor es la
variabilidad, más homogénea es la muestra de sujetos en la variable. En el caso
de máxima homogeneidad, todos los valores de la variable serán iguales. De otro
modo, cuanta más o menos dispersión en los datos, la muestra es más o menos
heterogénea y las puntuaciones difieren entre sí.

Para cuantificar la dispersión de los datos, se pueden distinguir dos tipos de

índices: los que miden el grado de semejanza y diferencia de las puntuaciones
entre sí (amplitud total o rango y la amplitud semi-intercuartil), y los que la
dispersión se mide a alguna medida de tendencia central como la media aritmética
(varianza y la desviación típica). 

3) ¿Propiedades de la distribución normas?

Las propiedades de distribución normas también aparece en muchas áreas de la

propia estadística. La función asociada a la distribución normal está dada por:

Donde: μ: media de la distribución.

σ: desviación estándar de la distribución.
π = 3.1415926535…
x: variable aleatoria.

A una distribución normal de media μ y desviación estándar σ se le denota N(μ,σ).

La distribución normal cuando μ = 0 y σ = 1 recibe el nombre de curva normal

unitaria (N (0,1))

Propiedades de la distribución normas:

a) La distribución normal posee ciertas propiedades importantes que conviene

destacar: La forma de la curva de la distribución depende de sus dos
parámetros: la media y la desviación estándar.
b) La media indica la posición de la campana, la gráfica se desplaza a lo largo
del eje x.
c) A mayor desviación la curva será más "plana", dado que la distribución, en
este caso, presenta una mayor variabilidad.
d) La curva es simétrica respecto a la media.

e) Tiene una única moda, que coincide con su media y su mediana.

f) La curva normal es asintótica al eje de abscisas.  Por ello, cualquier valor
entre   y   es teóricamente posible.  El área total bajo la curva es,
por tanto, igual a 1.
g) Es simétrica con respecto a su media .  Según esto, para este tipo de
variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.
h) La distancia entre la línea trazada en la media y el punto de inflexión de
la curva es igual a una desviación típica ( ).  Cuanto mayor sea  , más
aplanada será la curva de la densidad.
i) El área bajo la curva comprendido entre los valores situados
aproximadamente a dos desviaciones estándar de la media es igual a
0.95.  En concreto, existe un 95% de posibilidades de observar un valor

comprendido en el intervalo  .
j) La forma de la campana de Gauss depende de los parámetros   y   . 
La media indica la posición de la campana, de modo que para diferentes
valores de   la gráfica es desplazada a lo largo del eje horizontal.  Por
otra parte, la desviación estándar determina el grado de apuntamiento de
la curva.  Cuanto mayor sea el valor de   , más se dispersarán los datos
en torno a la media y la curva será más plana.  Un valor pequeño de este
parámetro indica, por tanto, una gran probabilidad de obtener datos
cercanos al valor medio de la distribución.
k) Como se deduce de este último apartado, no existe una única distribución
normal, sino una familia de distribuciones con una forma común,
diferenciadas por los valores de su media y su varianza.  De entre todas
ellas, la más utilizada es la distribución normal estándar, que corresponde a
 una distribución de media 0 y varianza 1.  Así, la expresión que define su
densidad se puede obtener de la Ecuación 1, resultando:

l)
m) Es importante conocer que, a partir de cualquier variable X que siga una

distribución  , se puede obtener otra característica Z con una

distribución normal estándar, sin más que efectuar la transformación:

Ecuación
2:       
n) Esta propiedad resulta especialmente interesante en la práctica, ya que

para una distribución   existen tablas de las que se puede obtener de

modo sencillo la probabilidad de observar un dato menor o igual a un cierto
valor z, y que permitirán resolver preguntas de probabilidad acerca del
comportamiento de variables de las que se sabe o se asume que siguen
una distribución aproximadamente normal.
o) Consideremos, por ejemplo, el siguiente problema: supongamos que se
sabe que el peso de los sujetos de una determinada población sigue una
distribución aproximadamente normal, con una media de 80 Kg y una
desviación estándar de 10 Kg.  ¿Podremos saber cuál es la probabilidad de
que una persona, elegida al azar, tenga un peso superior a 100 Kg?
p) Denotando por X a la variable que representa el peso de los individuos en

esa población, ésta sigue una distribución  .  Si su distribución fuese

la de una normal estándar podríamos utilizar la  para calcular la
probabilidad que nos interesa.  Como éste no es el caso, resultará entonces
útil transformar esta característica según la Ecuación 2, y obtener la
variable:

q)
r) para poder utilizar dicha tabla.  Así, la probabilidad que se desea calcular
será:
 s)
t) Como el área total bajo la curva es igual a 1, se puede deducir que:

u)
v) Esta última probabilidad puede ser fácilmente obtenida a partir de la Tabla

1, resultando ser  .  Por lo tanto, la probabilidad buscada de

que una persona elegida aleatoriamente de esa población tenga un peso
mayor de 100 Kg , es de 1–0.9772=0.0228, es decir, aproximadamente de
un 2.3%.
w) De modo análogo, podemos obtener la probabilidad de que el peso de un
sujeto esté entre 60 y 100 Kg:

x)
y) De la  2, tomando a=-2 y b=2, podemos deducir que:

z)

Por el ejemplo previo, se sabe que .  Para la segunda

probabilidad, sin embargo, encontramos el problema de que las tablas

estándar no proporcionan el valor de   para valores negativos de la

variable.  Sin embargo, haciendo uso de la simetría de la distribución
normal, se tiene que:

aa)
 Finalmente, la probabilidad buscada de que una persona elegida al
azar tenga un peso entre 60 y 100 Kg., es de 0.9772-0.0228=0.9544,
es decir, aproximadamente de un 95%.  Resulta interesante
comprobar que se obtendría la misma conclusión recurriendo a la
propiedad (iii) de la distribución normal.

No obstante, es fácil observar que este tipo de situaciones no corresponde a lo

que habitualmente nos encontramos en la práctica.  Generalmente no se dispone
de información acerca de la distribución teórica de la población, sino que más bien
el problema se plantea a la inversa: a partir de una muestra extraída al azar de la
población que se desea estudiar, se realizan una serie de mediciones y se desea
extrapolar los resultados obtenidos a la población de origen.  En un ejemplo similar
al anterior, supongamos que se dispone del peso de n=100 individuos de esa

misma población, obteniéndose una media maestral de   Kg, y una

desviación estándar maestral   Kg, querríamos extraer alguna conclusión

acerca del valor medio real de ese peso en la población original.  La solución a
este tipo de cuestiones se basa en un resultado elemental de la teoría estadística,
el llamado teorema central del límite.  Dicho axioma viene a decirnos que las
medias de muestras aleatorias de cualquier variable siguen ellas mismas una
distribución normal con igual media que la de la población y desviación estándar la

de la población dividida por  .  En nuestro caso, podremos entonces considerar

la media maestral , con lo cual, a partir de la propiedad (iii) se

conoce que aproximadamente un 95% de los posibles valores de   caerían

dentro del intervalo .  Puesto que los valores de   y   son
desconocidos, podríamos pensar en aproximarlos por sus análogos muéstrales,

resultando .   Estaremos, por lo tanto, un

95% seguros de que el peso medio real en la población de origen oscila entre 75.6
Kg y 80.3 Kg.  Aunque la teoría
Estadística subyacente es mucho más compleja, en líneas generales éste es el
modo de construir un intervalo de confianza para la media de una población.

4) ¿Prueba de ajuste normal desarrollar: concepto, Propiedades, Tipos,

Aplicaciones, Importancias, Ejemplo, Ejercicios?
 Las pruebas de ajuste normal se utilizan para contrastar si los datos de la
muestra pueden se, que proceden de una determinada distribución o modelo de
probabilidad. Las medidas de ajuste en general resumen la discrepancia entre los
valores observados y los valores esperados en el modelo de estudio. Tales
medidas se pueden emplear en el contraste de hipótesis,  de normalidad de
los residuos, comprobar si dos muestras se obtienen a partir de dos distribuciones.

Por ejemplo: cuando deseamos saber si los datos que manejamos proceden de
una distribución normal, binomial, de Poisson, exponencial, etc. En definitiva, las
pruebas de juste permiten verificar qué tipo de distribución siguen nuestros datos
y, por tanto, qué pruebas (paramétricas o no) podemos llevar a cabo en el
contraste estadístico.

 Tipos

Un caso específico de ajuste a una distribución teórica es la correspondiente a la

distribución normal. Este contraste se realiza para comprobar si se verifica la
hipótesis de normalidad necesaria para que el resultado de algunos análisis sea
fiable, como por ejemplo para el ANOVA.

Para comprobar la hipótesis nula de que la muestra ha sido extraída de una

población con distribución de probabilidad normal se puede realizar un estudio
gráfico y analítico.

1. PRUEBA DE KOLMOGOROV-SMIRNOV:

Cuando la prueba Kolmogorov-Smirnov kolmogorov se aplica para contrastar la

hipótesis de normalidad de la población, el estadístico de prueba es la máxima
diferencia:

Siendo Fn(x) la función de distribución maestral y Fo (x) la función teórica o

correspondiente a la población normal especificada en la hipótesis nula.
La distribución del estadístico de Kolmogorov-Smirnov es independiente de la
distribución poblacional especificada en la hipótesis nula y los valores críticos de
este estadístico están tabulados. Si la distribución postulada es la normal y se
estiman sus parámetros, los valores críticos se obtienen aplicando la corrección .

2. PRUEBA DE SHAPIRO-WILK:

Cuando la muestra es como máximo de tamaño 50 se puede contrastar la

normalidad con la prueba de shapiro Shapiro-Wilk. Para efectuarla se calcula la
media y la varianza maestral, S2, y se ordenan las observaciones de menor a
mayor. A continuación se calculan las diferencias entre: el primero y el último; el
segundo y el penúltimo; el tercero y el antepenúltimo, etc. y se corrigen con unos
coeficientes tabulados por Shapiro y Wilk. El estadístico de prueba es:

Donde D es la suma de las diferencias corregidas.

Se rechazará la hipótesis nula de normalidad si el estadístico W es menor que el

valor crítico proporcionado por la tabla elaborada por los autores para el tamaño
maestral y el nivel de significación dado.

La secuencia para realizar los contrastes de normalidad es:

 Analiza

 Estadísticos Descriptivos

 Explorar

EJEMPLOS
Ejemplo 1.

Con los datos correspondientes a la variable Trans de la encuesta Enctrans.sav y

con referencia a los encuestados que viven en Barcelona, se quiere comprobar si
su distribución en cuanto al tipo de transporte utilizado se adapta a los resultados
de un estudio realizado por el Ayuntamiento de Barcelona, que son los siguientes:
el 40% de los desplazamientos al trabajo se realizan en metro; el 30% en autobús;
el 20% en transporte privado y 10% otros medios.

La distribución de frecuencias de la variable Trans es:

En este caso para realizar el contraste Chi-cuadrado es necesario definir las

cuatro categorías contempladas en la hipótesis nula. Para ello, se crea una nueva
variable, Trans2, a partir de Trans con las siguientes categorías: Metro, Bus,
Privado (que resultará de agregar Coche y Moto) y Otros (que agrupará Tren y
Otros).Una vez creada la nueva variable, con la secuencia Analizar > Pruebas no
paramétricas > Chi-cuadrado se llega al cuadro de diálogo en donde se selecciona
la variable Trans2 y se introduce en Valores esperados las frecuencias relativas de
cada categoría según la hipótesis nula correctamente ordenadas: 0,4 para la
categoría 1; 0,3 para la 2; 0,2 para la 3 y 0,10 para la 4. Al aceptar se obtienen los
siguientes resultados:
 Como todas las categorías presentan frecuencia esperada mayor que 5 se puede
aplicar el contraste Chi-cuadrado sin modificar el número de categorías. El valor
del estadístico Chi-cuadrado permite rechazar la hipótesis nula para niveles de
significación superiores al 2,7%. Así pues, al 5% de significación se llega a la
conclusión de que la distribución del tipo de transporte que utilizan los alumnos no
se adapta a la publicada por el ayuntamiento.

Ejemplo 2.

Con la base de datos Encinf.sav, se desea comprobar si la variable gasto

presenta una distribución normal.

Para realizar la prueba de normalidad la secuencia a seguir

es Analizar> Estadísticos Descriptivos> Explorar. Se selecciona la variable Gasto
y en el cuadro de diálogo correspondiente a los Gráficos se activa la
opción Gráficos con pruebas de normalidad.

Los resultados obtenidos son:

El estadístico de prueba Kolmogorov-Smirnov con la corrección de Lilliefors
presenta un nivel de significación igual a 0,000. En consecuencia se rechaza la
hipótesis de normalidad. El gráfico Q-Q normal ratifica la conclusión anterior, ya
que los valores observados no se sitúan sobre la recta esperada bajo el supuesto
de normalidad.
TRANSFORMACIONES PARA CONSEGUIR DATOS NORMALES:
La utilización de transformaciones para lograr que los datos se ajusten a una
distribución normal es en muchas ocasiones la solución más natural, ya que
existen gran cantidad de parámetros biológicos que tienen una distribución
asimétrica como la de la figura de la izquierda, y que se convierten en
aproximadamente simétricas al transformarlas mediante el logaritmo.

Tenemos problemas con la transformación logarítmica ln (x) si la variable puede

tomar el valor 0, por lo que en esos casos, o incluso si existen valores muy
pequeños, será adecuado emplear la transformación ln(x+1). Cuando la
desviación típica de los datos es proporcional a la media o cuando el efecto de los
factores es multiplicativo, en lugar de aditivo, está indicado el uso de la
transformación logarítmica.

Otra transformación posible es , que es aplicable cuando las varianzas son

proporcionales a la media, lo que ocurre a menudo cuando los datos provienen de
una distribución de Poisson (recuentos).

Otra transformación habitualmente empleada es 1/x, que también precisa que

sumemos una cantidad a cada valor si existen ceros.

Estas tres transformaciones comprimen los valores altos de los datos y expanden

los bajos, en sentido creciente en el siguiente orden:  (la que menos), ln x, 1/x.
Si la concentración de datos está, a diferencia de la figura anterior, en el lado de la
derecha y la cola en la izquierda, se puede utilizar la transformación x², que
comprime la escala para valores pequeños y la expande para valores altos.

Cuando los datos son proporciones o porcentajes de una distribución binomial, las
diferencias con una distribución normal son más acusadas para valores pequeños
o grandes de las proporciones, utilizándose entonces transformaciones basadas

en .

En todos los casos para los cálculos estadísticos basados en la teoría normal, se
utilizarán los valores transformados, pero después para la presentación de los
resultados se efectuará la transformación inversa para presentarlos en su escala
de medida natural.

Más abajo se proporcionan algunos enlaces sobre el tema de las

transformaciones, de fácil lectura.

3. PRUEBAS NO PARAMÉTRICAS

Se denominan pruebas no paramétricas aquellas que no presuponen una

distribución de probabilidad para los datos, por ello se conocen también como de
distribución libre (distribución free). En la mayor parte de ellas los resultados
estadísticos se derivan únicamente a partir de procedimientos de ordenación y
recuento, por lo que su base lógica es de fácil comprensión. Cuando trabajamos
con muestras pequeñas (n < 10) en las que se desconoce si es válido suponer la
normalidad de los datos, conviene utilizar pruebas no paramétricas, al menos para
corroborar los resultados obtenidos a partir de la utilización de la teoría basada en
la normal.

En estos casos se emplea como parámetro de centralización la mediana, que es

aquel punto para el que el valor de X está el 50% de las veces por debajo y el 50%
por encima.
Vamos a comentar la filosofía de alguna de las pruebas no paramétricas y en los
enlaces se puede aumentar esta información.

Prueba de Wilcoxon de los rangos con signo

Esta prueba nos permite comparar nuestros datos con una mediana teórica (por
ejemplo un valor publicado en un artículo).

Llamemos M0 a la mediana frente a la que vamos a contrastar nuestros datos, y

sea X1, X2 .. Xn los valores observados. Se calcula las diferencias X1-M0, X2-M0,
…, Xn-M0. Si la hipótesis nula fuera cierta estas diferencias se distribuirían de
forma simétrica en torno a cero.

Para efectuar esta prueba se calculan las diferencias en valor absoluto |Xi-M0| y se

ordenan de menor a mayor, asignándoles su rango (número de orden). Si hubiera
dos o más diferencias con igual valor (empates), se les asigna el rango medio (es
decir que si tenemos un empate en las posiciones 2 y 3 se les asigna el valor 2.5 a
ambas). Ahora calculamos R+ la suma de todos los rangos de las diferencias
positivas, aquellas en las que Xi es mayor que M0 y R- la suma de todos los
rangos correspondientes a las diferencias negativas. Si la hipótesis nula es ciertos
ambos estadísticos deberán ser parecidos, mientras que si nuestros datos tienen a
ser más altos que la mediana M0, se reflejará en un valor mayor de R+, y al
contrario si son más bajos. Se trata de contrastar si la menor de las sumas de
rangos es excesivamente pequeña para ser atribuida al azar, o, lo que es
equivalente, si la mayor de las dos sumas de rangos es excesivamente grande.

4. Prueba de Wilcoxon para contrastar datos pareados

El mismo razonamiento lo podemos aplicar cuando tenemos una muestra de

parejas de valores, por ejemplo antes y después del tratamiento, que podemos
denominar (X1, Y1), (X2, Y2),…, (Xn, Yn). De la misma forma, ahora calcularemos
las diferencias X1-Y1, X2-Y2,…, Xn-Yn y las ordenaremos en valor absoluto,
asignándoles el rango correspondiente. Calculamos R+ la suma de rangos
positivos (cuando Xi es mayor que Yi), y la suma de rangos negativos R-. Ahora la
hipótesis nula es que esas diferencias proceden de una distribución simétrica en
torno a cero y si fueran ciertos los valores de R+ y R- serán parecidos.

5. Prueba de Mann-Whitney para muestras independientes

Si tenemos dos series de valores de una variable continua obtenidas en dos

muestras independientes: X1, X2,…, Xn, Y1, Y2,…, Ym, procederemos a ordenar
conjuntamente todos los valores en sentido creciente, asignándoles su rango,
corrigiendo con el rango medio los empates. Calculamos luego la suma de rangos
para las observaciones de la primera muestra Sx, y la suma de rangos de la
segunda muestra SY. Si los valores de la población de la que se extrajo la muestra
aleatoria de X se localizan por debajo de los valores de Y, entonces la muestra de
X tendrá probablemente rangos más bajos, lo que se reflejará en un valor menor
de Sx del teóricamente probable. Si la menor de las sumas de rangos es
excesivamente baja, muy improbable en el caso de que fuera cierta la hipótesis
nula, ésta será rechazada.

6. Pruebas de ajuste cualitativas Vs cuantitativas

Generalmente, la prueba de ajuste cualitativa es aceptable para la mayoría de los

peligros presentes en el ambiente, aunque la prueba de ajuste cuantitativa es
requerida cuando un respirador de presión negativa de cara completa es usado
para contaminantes presentes en el ambiente con concentraciones mayores a 10
veces el límite máximo permisible de exposición, pero no mayor a 50 veces el
límite máximo permisible de exposición.

OSHA considera que ambos métodos son igual de efectivos cuando son

conducidos en forma adecuada para las respiradores de presión negativa (un
cuarto de cara, media cara y cara completa) con concentraciones de hasta 10
veces el límite máximo permisible de exposición.

Algunas personas piensan en forma errónea que la prueba de ajuste cuantitativa

es más exacta que la prueba de ajuste cualitativa. La primera puede parecer más
exacta porque proporciona un resultado numérico (un factor de ajuste), y este
número parece indicar el mejor ajuste del respirador. Sin embargo, no existen
datos indicando que los resultados de las pruebas de ajuste cuantitativas resulten
en una mayor protección para el usuario en el lugar de trabajo. De hecho, estudios
recientes de protección han confirmado la efectividad de ambos métodos de
prueba. 

7. La prueba de ajuste cualitativa 

 Es una prueba de pasar o fallar que confía en la respuesta sensorial del sujeto de
prueba para detectar el agente de prueba. En el protocolo de prueba de ajuste
cualitativa para determinar si el respirador provee un sello facial adecuado, el
trabajador es sometido a una solución de prueba mientras se realizan diversos
ejercicios, por ejemplo:

Mover la cabeza hacia todos los lados

 Inclinarse
 Hablar
 Respirar normal
 Moverse en su lugar
 Respirar profundo
OSHA aceptó 4 protocolos de prueba de ajuste cualitativa usando diferentes
agentes de prueba. Éstos son: acetato de isoamilo (aceite de banana), Sacarina,
Bitrex y humo irritante (stannic chloride). Esta última por ser irritante fue sacada
del protocolo de OSHA en fechas recientes. La prueba de acetato de isoamilo es
un método de detección por olor, las pruebas de Sacarina y de Bitrex son pruebas
de detección por sabor. Tanto la prueba de ajuste cualitativa como la cuantitativa
tienen ventajas y aunque representan diferentes costo/beneficio para la empresa,
ambas son efectivas. Para que una prueba de ajuste sea significativa, se debe
tener cuidado de asegurar que los agentes de prueba que entran al respirador
sean a través de una fuga en el sello. Esto significa que el respirador debe ser
capaz de filtrar en forma substancial el agente de prueba. Por ejemplo, el acetato
de isoamilo es un vapor orgánico de forma tal que el respirador a ser usado debe
estar equipado contra cartucho químico de vapores orgánicos.

8. La prueba de ajuste cuantitativa 

El término factor de ajuste es usado para expresar el resultado de una prueba de

ajuste cuantitativa. Éste es la relación entre la concentración del agente de prueba
afuera del respirador entre la concentración del agente de prueba en el interior del
respirador. También representa la proporción del paso total del flujo de aire a
través del respirador (modelado por el instrumento de prueba) con relación al flujo
de aire que se puede fugar por el sello del mismo. El ajuste del respirador es
rechazado si el ajuste global no pasa el criterio, que es en general 10 veces el
factor de protección asignado para el respirador de presión negativa probado. Por
ejemplo, cuando se realiza la prueba de ajuste cuantitativa en un respirador de
cara completa, el factor de ajuste debe ser por lo menos igual o mayor a 500
(resultado de multiplicar 10 x el factor de protección asignado para cara completa
por OSHA que es 500).

Una variedad de agentes de prueba incluyendo neblinas de aceite, partículas de

sal, gas de hexafluoruro de azufre y flujo de aire han sido usados para realizar la
prueba de ajuste cuantitativa, la cual requiere un operador altamente entrenado
quien comprenda cómo usar el equipo, realizar mantenimiento del mismo, verificar
las fugas en el sistema y realizar la calibración del mismo.

Importancia

Estas pruebas de ajuste normal son de gran importancias porque nos ayudan a
determinaras los datos medidos por una variable cuantitativa continua, las pruebas
estadísticas de estimación y contraste frecuentemente empleadas se basan en
suponer que se ha obtenido una muestra aleatoria de una distribución de
probabilidad de tipo normal. Pero en muchas ocasiones esta suposición no resulta
válida, y en otras la sospecha de que no sea adecuada no resulta fácil de
comprobar. En estos casos disponemos de dos posibles mecanismos: los datos se
pueden transformar de tal manera que sigan una distribución normal, o bien se
puede acudir a pruebas estadísticas que no se basan en ninguna suposición en
cuanto a la distribución de probabilidad a partir de la que fueron obtenidos los
datos, y por ello se denominan pruebas no paramétricas .siendo una de las
pruebas más utilizada en el aéreas de la ingeniería es la paramétricas,
basándose en la distribución de probabilidad normal, y al estimar los parámetros
del modelo se supone que los datos constituyen una muestra aleatoria de esa
distribución. En cuanto a sus procedimiento estadístico es poco sensible a
alteraciones en el modelo probabilístico supuesto, es decir que los resultados
obtenidos son aproximadamente válidos cuando éste varía, se dice que es un
procedimiento robusto.

.
 Conclusión

 La prueba de ajuste normal está basada en determinar si los datos de

ciertas muestra pertenecen a cierta distribución.

 Éstas pruebas son útil para validar la hipótesis sobre la distribución teórica
en la población que se realiza en la estadísticas paramétrica, en contractes
de hipótesis, intervalos de confianzas, y regresión lineal.

 La variabilidad de una dispersión está basada en que muestran éstas ,la Una
medida de dispersión conlleva información respecto a la cantidad total de
variabilidad presente en el conjunto de datos.

 Ambas pruebas están basadas en hipótesis nula que no hay en ellas

diferencias significativas entre la distribución maestral y la teoría
 Bibliografía

es.wikipedia.org › wiki › Desviación típica

www.monografias.com › desviacion-estandar › desviacion-estandar

psikipedia.com › libro › análisis-de-datos › 2474-medidas-de-variabili...

medidasdevariabilidad.weebly.com › medidas-de-variabilidad

dialnet.unirioja.es › servlet › articulo.

es.wikipedia.org › wiki › Bondad_de_ajuste.

www.ub.edu › aplica_infor › spss › cap5-6

es.wikipedia.org › wiki › Bondad_de_ajuste

agroinsumosalfaltda.com ›...