1

Identificando los Métodos Estadísticos Aplicados en

la Red de Valor
Julieth Barbosa, Yeisson Anaya, Jonathan Londoño, Danilo Arenas
Universidad Nacional Abierta y a Distancia
jxbarbosa@unadvirtual.edu.co, yaanayam@unadvirtual.edu.co,

Tabla I
Cuadro Comparativo clasificación de los métodos estadísticos discretos y
Resumen— En este documento se encuentra el desarrollo de una continuos Danilo Arenas
revisión comprensiva de los contenidos bibliográficos y la aplicación
de los conceptos de las diferentes técnicas estadísticas aplicadas en los
procesos logísticos para toma de decisiones en las redes de valor en un
caso empresarial, donde se aborda una situación problémica
relacionada con un proceso logístico que involucra variables aleatorias
discretas o continuas, identificando los posibles métodos estadísticos a
utilizar para solucionar dicha situación.

Abstract— This document contains the development of a

comprehensive review of the bibliographic contents and the application
of the concepts of the different statistical techniques applied in logistics
processes for decision-making in value networks in a business case,
where it is addressed a problematic situation related to a logistic
process that involves discrete or continuous random variables,
identifying the possible statistical methods to be used to solve said
situation.

I. INTRODUCCIÓN

La estadística como herramienta de ingeniería, siempre está presente

para entender el comportamiento de cada uno de los procesos, a partir Tabla II
de la identificación de los datos o variables que se puedan presentar en
Cuadro Comparativo clasificación de los métodos estadísticos discretos y
el desarrollo de cada actividad, permitiendo entender de forma más
continuos Yeisson Anaya
detallada el comportamiento de cada uno de los procesos a partir de la
identificación de dichas variables y su medición de forma sistémica o
aleatoria, obteniendo una serie de datos que a partir de sus análisis de
forma descriptiva nos permiten entender el comportamiento y
rendimiento, y a partir de la descripción de estos datos generar
conclusiones o inferir posibles resultados y predicciones.

En el desarrollo de este informe se describe la oportunidad de mejora

en la medición de las variables de procesos en el deposito de la planta
de preparación de pasta con el objetivo de analizar el comportamiento
de los datos y dar solución a una problemática de consumo de MP con
alta variabilidad.

II. APORTES INDIVIDUALES

A. Cuadros Comparativos
 2

Tabla III

Cuadro Comparativo clasificación de los métodos estadísticos discretos y

continuos Julieth Barbosa

B. Caso Empresarial
1) Caso Propuesto Jonathan Londoño

Problema: Alta Variación de las especificaciones técnicas en

calidad de pasta para fabricar papel

Síntesis: La producción de pasta destintada para fabricar papel

debe cumplir con especificaciones técnicas de calidad como son
la blancura, cenizas, suciedad y macro stickies que son medidos
a la entrada (depósitos) y al final del proceso para determinar la
calidad de pasta a entregar a la maquina papelera.

estas variables de procesos se afectan de acuerdo con la calidad

de las materias primas (fibras recicladas) las cuales están muy
ligadas a los tipos de proveedores y su clasificación.

Aplicando métodos estadísticos descriptivos e inferenciales

podemos evaluar:
Tabla IV Comportamiento de las variables (si son o no Normales),
Cuadro Comparativo clasificación de los métodos estadísticos discretos y intervalos de confianza y probabilidad
continuos Jonathan Londoño Coeficiente de variación (% de variación de la variable)
Coeficiente de determinación)
Capacidad del proceso ( Cp, Cpk)

Análisis de cartas de control, finalmente como medida de

cumplimiento, podemos calcular el YIELD y relacionar el
consumo de proveedores y la clasificación de la materia prima
en ese periodo de tiempo para toma de decisiones (tipos de
proveedores en consumo directo y continuo)

2) Caso Propuesto Danilo Arenas

Problema: análisis en la variación de la calidad del cemento

Síntesis: en la empresa cementera se hacen diagnósticos de

acuerdo a las especificaciones de calidad de cemento, la
producción de este producto se enfoca para la construcción de
diferentes estructuras, de acuerdo a esto, se presentan
especificación técnicas de calidad, como son (prueba de
flotación, inserción en mano, rubbing y prueba de fuerza)
 3

El producto final puede sufrir variaciones en el proceso, ya sea

por la mala dosificación de las materias primas (arcilla, arena, C. Esquema de la cadena de suministro:
piedra caliza) 1) Esquema Yeisson Anaya

Para esto propongo los siguientes métodos logísticos

Capacidad del proceso cpk, cp
Coeficiente de variación
Cartas de control

3) Caso Propuesto Yeisson Anaya

Problema: El centro de distribución para la operación de GSK

pharma no se tiene un forcast definido o pronóstico de las
próximas semanas que permita desarrollar el proceso de
planeación estratégica

Síntesis: actualmente la operación no base su planeación de las

operaciones en pronósticos que permita conocer y desarrollar un
procesos de planeación agregada y de esta forma estructurar los
recursos necesario para el desarrollo de cada actividad de forma
eficiente, actualmente la operación cuenta con una base de datos
históricos y de las cantidad de pedidos generados por días, la
cantidad de cajas y líneas, más sin embargo esta información no
la utilizan para poder predecir el comportamiento de la
demanda.

Atreves de la aplicación de métodos estadísticos descriptivos e

inferencial podemos desarrollar para unas variables continuas

Medidas de tendencia central

Medidas de dispersión
Intervalos de confianza
Fig. 1 Esquema de la Cadena de suministro empresa GSK pharma
Métodos de suavización exponencial
Modelos de series de tiempo 2) Esquema Julieth Barbosa

4) Caso Propuesto Julieth Barbosa

Problema: Una empresa dedicada a la fabricación y

comercialización de productos para el hogar busca realizar un
pronóstico de ventas para las próximas 4 semanas, sobre sus
productos estrella, para ello también quiere conocer cuál sería
el producto más vendido que ofrece y las tiendas con mayor
participación en ventas y con esto poder realizar una planeación
que le permita realizar un evento con el fin de impulsar sus
productos.

Síntesis: actualmente la empresa cuenta con bases de datos

históricos de sus ventas y busca que a través del estudio con
pronósticos y posibles hipótesis pueda reaccionar ante la
creciente demanda que se le avecina por fecha como lo son
mitad de año.

Atreves de la aplicación de métodos estadísticos podemos

identificar las variables para el desarrollo de este pronóstico y
calcular medidas como las de tendencia central, de dispersión,
intervalos de confianza, entre otras.
Fig. 2 Esquema de la Cadena de suministro empresa Modanova S.A.S
 4

3) Esquema Jonathan Londoño - Suciedades: contenido de materiales no fibroso y no aptos

para el proceso de fabricación de pasta expresado en unidades
de PPM.

- Medidas de tendencia central, dispersión y de forma

- Tablas de intervalos y frecuencias
- Coeficiente de variación.
- Coeficiente de correlación
- Análisis de probabilidades
- Capacidad de procesos
- Capacidad del proceso ( Cp, Cpk)

D. Análisis de resultados:
Para el desarrollo de esta investigación se tuvieron en
cuenta métodos estadísticos descriptivos, inferenciales y
exploratorios de los cuales se tuvieron los siguientes
Fig. 3 Esquema de la Cadena de suministro empresa Papeles Nacionales S.A resultados:

D. Resumen de discusión académica y elección del caso: 1. Medidas de tendencia central, dispersión y de forma
1.1 Niveles blancura.
III. APORTES COLABORATIVOS TABLA V
A. Descripción de la empresa: Medidas de tendencia central, dispersión para la blancura en marzo.

Papeles Nacionales S.A es una empresa Multinacional con sede ANÁLISIS DESCRIPTIVO EN MARZO
en la ciudad de Pereira sector Puerto Caldas que se dedica a la MEDIDA PERIODO 1
producción y comercialización de papeles suaves para el
cuidado personal y del hogar. La planta de producción está
Media 58,1
constituida por 2 plantas de destintado (preparación de pasta), 4
molinos (maquinas papeleras), planta de conversión ( corte, Error típico 0,2
empacado y sellado) planta distribución y despacho. Mediana 58,1
El 70% de las materias primas para el proceso de produccion Moda 58,6
son fibras recicladas con una capacidad de consumo en las Desviación estándar 3,0
plantas de preparación de pasta de 5500 toneladas al mes. Varianza de la muestra 9,0
Curtosis 3,4
B. Proceso logístico y problemática:
Coeficiente de asimetría 0,1
Los análisis estadísticos se realizan a las mediciones de Rango 30,4
blancura, cenizas y suciedades presentes en los depósitos de las Mínimo 43,1
plantas de destintado con el objetivo de identificar distribución, Máximo 73,5
variación, relación en los datos y familiarizar con cual Suma 17425,2
formulación de cargue y consumo en Materias Primas es la más
Cuenta 300,0
adecuada para mantener los parámetros y las especificaciones
solicitadas en producción. Se evalúan los meses de marzo y abril Nivel de confianza (95,0%) 0,3
del presente año. Numero de clase 9
Tamaño de Clase 3,3
C. Técnicas estadísticas aplicadas Coeficiente de variación 5%

- Blancura de pasta: índice de reflectancia de luz analizada en

el depósito del proceso de fabricación. Unidades en grados
Photovol
- Cenizas: valor en porcentaje del contenido de material
inorgánico presente en la suspensión fibrosa. Altas cenizas
generan problemas en los equipos por taponamiento de mallas
y alteración química del proceso
 5

promedio de 58,1 grados Photovol, con registros de mayor

Histograma y poligono frecuencia de 58,6 , con una desviación aproximada de más o
de frecuencia Marzo menos 9 grados. El coeficiente de variación de los datos de nivel
de blancura para el mes de marzo es 5% lo que nos indica un
200 bajo nivel de variación frente al valor promedio de 58,1.
FRECUENCIA

100
0 Los datos de blancura en el mes de marzo presentan una ligera
tendencia positiva, lo que se evidencia que los datos son más
46,4
49,7
53,0
56,3
59,6
63,0
66,3
69,6
72,9
76,2
asimétricos hacia la media, al igual que hacia la moda y la
BLANCURA mediana. Los datos presentan una medida Leptocúrtica los que
establecen son más centrados hacia la media de la variable
Fig 4. Gráfico Histograma y polígono de frecuencia de blancura para el mes de
marzo..
1.2 Cenizas en el deposito
TABLA VI
TABLA VII
Medidas de tendencia central, dispersión para la blancura en Abril.
Medidas de tendencia central, dispersión para la Ceniza en Marzo.

ANÁLISIS DESCRIPTIVO EN ABRIL ANÁLISIS DESCRIPTIVO EN MARZO

MEDIDA PERIODO 2 MEDIDA PERIODO 1

Media 57,0 Media 13,9

Error típico 0,3 Error típico 0,2
Mediana 57,1 Mediana 13,9
Moda 59,1 Moda 16,2
Desviación estándar 3,4 Desviación estándar 1,9
Varianza de la muestra 11,5 Varianza de la muestra 3,4
Curtosis 0,4 Curtosis 1,2
Coeficiente de asimetría -0,5 Coeficiente de asimetría -0,4
Rango 19,7 Rango 9,9
Mínimo 44,9 Mínimo 8,4
Máximo 64,6 Máximo 18,3
Suma 10144,0 Suma 984,8
Cuenta 178,0 Cuenta 71,0
Nivel de confianza(95,0%) 0,5 Nivel de confianza(95,0%) 0,4
Numero de clase 8 Numero de clase 7
Tamaño de Clase 2,3 Tamaño de Clase 1,4
Coeficiente de variación. 6% Coeficiente de variación 13%

Histograma y poligono de
frecuencia Abril Histograma y poligono de
100
frecuencia Marzo
FRECUENCIA

0 50
FRECUENCIA

47,249,651,954,256,658,961,263,665,9 0
BLANCURA 9,7 11,1 12,5 13,9 15,3 16,7 18,1 19,5
Cenizas de depositos

Fig 5. Gráfico Histograma y polígono de frecuencia de blancura para el mes de

Abril. Fig 6. Gráfico Histograma y polígono de frecuencia de Ceniza para el mes de
De acuerdo a estos datos obtenidos encontramos que para el mes Marzo.
de marzo los niveles de blancura en el depósito tuvieron un
 6

TABLA VIII
Medidas de tendencia central, dispersión para la Ceniza en Abril.
Los datos presentan una medida Leptocúrtica los que establecen
son más centrados o apuntados hacia la media de la variable.
ANÁLISIS DESCRIPTIVO EN ABRIL
MEDIDA PERIODO 2 1.3 Niveles de suciedad en el depósito.

TABLA IX
Media 12,6 Medidas de tendencia central, dispersión para la Suciedad en Marzo.
Error típico 0,3
Mediana 12,7 ANÁLISIS DESCRIPTIVO EN MARZO
Moda 12,6 MEDIDA PERIODO 1
Desviación estándar 2,1
Varianza de la muestra 4,3 Media 9052,1
Curtosis 3,8 Error típico 573,2
Coeficiente de asimetría -1,6 Mediana 8625,0
Rango 11,3 Moda 8263,3
Mínimo 4,6 Desviación estándar 3533,5
Máximo 15,9 Varianza de la muestra 12485388,7
Curtosis 1,8
Suma 615,4
Coeficiente de asimetría 0,5
Cuenta 49,0
Rango 18810,7
Nivel de confianza(95,0%) 0,6
Mínimo 1506,0
Numero de clase 7 20316,7
Máximo
Tamaño de Clase 1,7 Suma 343981,4
Coeficiente de variación 17% Cuenta 38,0
Nivel de confianza(95,0%) 1161,4
Numero de clase 6
Histograma y poligono de Tamaño de Clase 3256,9
frecuencia Abril Coeficiente de variación 39%
30 30
FRECUENCIA

20 20 Histograma y poligono de
10 10 frecuencia Marzo
0 0 20 20
FRECUENCIA

6,3 8,0 9,7 11,5 13,2 14,9 16,6 18,3 15 15

10 10
Cenizas de depositos 5 5
0 0
Fig 7. Gráfico Histograma y polígono de frecuencia de Ceniza para el mes de
Marzo.

Por otro lado, para el mes de marzo los niveles de ceniza en el Suciedad en el deposito
depósito tuvieron un promedio de 12,6 %, este registro fue el
de mayor frecuencia, con un valor central de 12,7%, con una Fig 8. Gráfico Histograma y polígono de frecuencia de Suciedad para el mes de
desviación aproximada de más o menos un 4.3%. Marzo.

El coeficiente de variación de los datos de nivel de ceniza para

el mes de marzo es 17% lo que nos indica un bajo nivel de
variación frente al valor promedio de 12,6

El porcentaje de ceniza en el mes de marzo presentan una ligera

tendencia negativa, lo que se evidencia que los datos son más
asimétricos hacia la media, con una ligera concentración hacia
la izquierda, en el rango de 13,2 a 14,9%.
 7

TABLA X hacia la media, con una ligera concentración hacia la derecha,

Medidas de tendencia central, dispersión para la Suciedad en Abril.
en el rango de 11276,7 a 14533,6 ppm
Los datos presentan una medida Leptocúrtica los que establecen
ANÁLISIS DESCRIPTIVO EN ABRIL son más centrados o apuntados hacia la media de la variable
MEDIDA PERIODO 2
2. Calculo del coeficiente de Correlación y
Media 8606,6 determinación
TABLA XI
Error típico 977,4 Coeficiente de correlación y determinación.
Mediana 7336,7
Moda 5693,3 Xi Yi Zi
Desviación estándar 5945,2
Varianza de la muestra 35345252,8 Fecha Blancura Cenizas Suciedad
Curtosis 10,5 en el en el en el
Coeficiente de asimetría 2,7 deposito deposito deposito
Rango 33063,4 01/03/2023 59,1 15,2 10581,6
Mínimo 2126,6 02/03/2023 58,6 13,4 7910,0
Máximo 35190,0 03/03/2023 58,3 13,2 8716,7
04/03/2023 59,8 13,9 11446,7
Suma 318445,0
05/03/2023 58,8 14,8 7191,3
Cuenta 37,0
06/03/2023 57,8 12,8 20316,7
Nivel de confianza(95,0%) 1982,2 07/03/2023 57,7 14,7 8386,7
Numero de clase 6 08/03/2023 58,7 14,1 0
Tamaño de Clase 5354,3 09/03/2023 59,7 14,3 10983,3
Coeficiente de variación 69% 10/03/2023 58,1 16,4 10934,2
11/03/2023 60,1 12,9 0
12/03/2023 60,2 14,0 11250,0
Histograma y poligono de 13/03/2023 59,4 14,2 13060,0
frecuencia Abril 14/03/2023 57,8 14,6 8533,3
15/03/2023 58,5 12,6 0
20 20 16/03/2023 59,2 14,8 9106,7
17/03/2023 53,1 15,5 0
FRECUENCIA

15 15
18/03/2023 57,6 0,0 11913,3
10 10 19/03/2023 57,1 11,6 5292,1
5 5
20/03/2023 55,6 12,3 7060,0
21/03/2023 56,3 13,1 0
0 0 22/03/2023 58,4 15,6 6388,3
23/03/2023 56,0 13,9 8963,3
24/03/2023 57,6 16,0 14020,0
25/03/2023 58,8 12,6 8766,7
Suciedad en el deposito 26/03/2023 55,8 16,0 10413,3
27/03/2023 56,8 14,6 10176,7
Fig 9. Gráfico Histograma y polígono de frecuencia de Suciedad para el mes de
28/03/2023 54,8 15,9 7110,0
Abril. 29/03/2023 58,1 8,6 6793,3
30/03/2023 59,0 14,3 8725,6
En cuanto a la suciedad para el mes de marzo los niveles en el 31/03/2023 58,6 13,0 4926,6
depósito tuvieron un promedio de 9052.1 ppm, el registro con
mayor frecuencia de 8263,3 ppm, con una desviación Coeficiente de Coeficiente de Coeficiente de
aproximada de más o menos un 3533.5 ppm correlación correlación entre correlación entre la
entre blancura blancura y suciedad y las
El coeficiente de variación de los datos de nivel de ceniza para y cenizas en el suciedad en el cenizas en el
el mes de marzo es 39% lo que nos indica un bajo nivel de deposito deposito deposito
variación frente al valor promedio de 9052,1. El porcentaje de
-0,063009014 0,174815854 -0,021359567
ceniza en el mes de marzo presentan una ligera tendencia
positiva, lo que se evidencia que los datos son más asimétricos
 8

Coeficiente de Coeficiente de Coeficiente de

determinación determinación determinación entre
entre blancura entre blancura y la suciedad y las
y cenizas en el suciedad en el cenizas en el
deposito deposito deposito
0,003970136 0,030560583 0,000456231

De acuerdo a los resultados del coeficiente de correlación

calculado entre cada uno de las variables, se puede establecer
que existe una relación nula entre los registros de cada una de
las variables.

1.3 Cálculo de probabilidades Fig 11. Probabilidad para el nivel de Suciedad.

Teniendo en cuenta los siguientes parámetros se calcularon las La grafica de probabilidad de Suciedades en el depósito 2 del
probabilidades de que los datos se comporten de manera normal mes de marzo si tiene una distribución normal en relación con
y se puedan establecer inferencias en el cumplimiento con las el mes de abril, si analizamos los datos de tendencia central de
especificaciones de calidad de acuerdo con las unidades de abril se evidencia una alta variación en los datos equivalente al
medidas establecidas. 69%. No se pueden realizar inferencias acordes a la distribución
TABLA XII normal en el mes de abril para las suciedades.
Especificaciones del cliente (producción)

Unidad
VARIABLES MIN OBJ MAX Medida
BLANCURA Grados
DEPOSITO 2 55 57 - photovol
CENIZAS
DEPÓSITO - 15,00 17,00 %
SUCIEDAD
DEPOSITO II - 13000 15000 PPM

Fig 12. Probabilidad para el nivel de Cenizas

La grafica de probabilidad de Cenizas en el depósito 2 del mes

de marzo si tiene una distribución normal en relación al mes de
abril, sin embargo, si analizamos los datos de tendencia central,
la media, moda y mediana poseen datos numéricos muy
similares y su histograma tiene un comportamiento grafico en
donde podemos realizar inferencias con relación a los intervalos
de confianza, probabilidad y capacidad de proceso
Fig 10. Probabilidad para el nivel de blancura

La grafica de probabilidad de blancura en el depósito 2 del mes

de marzo no tiene una distribución normal en relación con el
mes de abril, sin embargo, si analizamos los datos de tendencia
central, la media, moda y mediana poseen datos numéricos muy
similares y su histograma tiene un comportamiento grafico en
donde podemos realizar inferencias con relación a los intervalos
de confianza, probabilidad y capacidad de proceso.
 9

1.4 Calculo de la capacidad de procesos

Fig 15. Cp-cpk Ceniza en el depósito Marzo.

Fig 13. Cp-cpk Blancura en el depósito Marzo. Analizando los datos del mes de marzo identificamos que: de
acuerdo a las especificaciones del cliente, el proceso no es capaz
Analizando los datos del mes de marzo identificamos que: de
ya que su CpK es -0,21. sin embargo el 72,9% de los datos
acuerdo a las especificaciones del cliente, el proceso no es capaz
estuvieron por debajo de la especificación inferior y el 4,5 %
ya que su CpK es -0,16. sin embargo el 15,2 % de los datos
por encima dando buenos resultados por baja carga de cenizas.
estuvieron por debajo de la especificación inferior y el 64,1 %
por encima dando buenos resultados por alto nivel de blancura.
de los 300 datos analizados, 41 datos se consideran defectos por
no cumplir las especificaciones.

Fig 16. Cp-cpk Ceniza en el depósito Abril.

Analizando los datos del mes de marzo identificamos que: de

acuerdo a las especificaciones del cliente, el proceso no es capaz
Fig 14. Cp-cpk Blancura en el depósito Abril.
ya que su CpK es -0,54. sin embargo el 87,9 % de los datos
estuvieron por debajo de la especificación inferior y el 1,2 %
Analizando los datos del mes de abril identificamos que: de
por encima dando buenos resultados por baja carga de cenizas
acuerdo a las especificaciones del cliente, el proceso no es capaz
ya que su CpK es 0,17. sin embargo el 27,8 % de los datos
estuvieron por debajo de la especificación inferior y el 50 % por
encima dando buenos resultados por alto nivel de blancura.
de los 178 datos analizados, 49 datos se consideran defectos por
no cumplir las especificaciones.
 10

Fig. 19. Consumo de Materias Primas Clasificadas por Rechazo Abril.

Fig 17. Cp-cpk Suciedad en el depósito Abril.
1.5 Comportamiento de las variables
Analizando los datos del mes de marzo identificamos que: de
acuerdo a las especificaciones del cliente, el proceso no es capaz
ya que su CpK es -0,43. sin embargo el 86,8% de los datos
Comportamiento de la variable
estuvieron por debajo de la especificación inferior y el 4,6 %
por encima dando buenos resultados por baja carga de blancura
Suciedades. 72,0
70,0
68,0
1.4 Consumo de Materias Primas Clasificadas por Rechazo 66,0
64,0
62,0
60,0
58,0
56,0
54,0
52,0
50,0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Fig. 20. Gràfico de control de Blancura.

El análisis que nos arroja la gráfica de control: de acuerdo a los

grados de photovol en la blancura del depósito, observamos un
comportamiento normal en las muestras las cuales se mantienen
en el rango establecido, sin embargo, el día 17 nos muestra una
caída de casi 6 puntos en el grado establecido, se el día 28
también bajo los grados, sin embargo se mantiene en el rango
de grados establecidos.

Comportamiento de la variable
Fig. 18. Consumo de Materias Primas Clasificadas por Rechazo Marzo
cenizas
19,0
17,0
15,0
13,0
11,0
9,0
7,0
5,0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Fig. 21. Gràfico de control de Cenizas.

 11

De acuerdo con los parámetros predeterminados, el porcentaje El incremento en el consumo de materiales importados y de
de cenizas en el cuarto se mantienes por debajo del nivel óptimo, materiales con goma desestabilizan la operación incumpliendo
con ligeros picos en algunos días, sin embargo, se mantiene en al cliente en la variable de suciedades.
el rango, el día 17 no prestan análisis, el día 29 cayó casi 9
puntos porcentuales el nivel de cenizas, se debe hacer una Recomendaciones:
verificación de los sucesos o que hizo que esto sucediera en el se recomienda no incrementar el consumo de materiales con
comportamiento atípico de la variable. goma por encima del 30% ni el consumo de materiales
importados por encima del 35% para evitar la alta variación en
la variable suciedades.
PPM SUCIEDAD
V. BIBLIOGRAFÍA
25000,0

20000,0 Estadistica Descriptiva. (2020). PDF. Matematicas

Aplicadas. Recuerado de:
15000,0 https://www.edu.xunta.gal/centros/iescouto/aulavirtua
l/pluginfile.php/8395/mod_resource/content/1/estadist
10000,0
icaDescriptiva.pdf
5000,0
Ernesto Atienza (2021).universidad de valladolid.
0,0 trabajo de fin de grado. analisis exploratorio de datos
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 una variable. Recuperado de
Fig. 22. Gràfico de control de Suciedad. https://uvadoc.uva.es/bitstream/handle/10324/52926/
TFG-E-
La grafica parece comportarse normal exceptuando el día 6 que 1364.pdf?sequence=1#:~:text=Existen%20dos%20tip
las partículas de suciedad pasaron de 7000 a 20000 se debe os%20de%20variables%3A%20cuantitativas%20y%2
hacer un estudio de lo que paso ese día para que este suceso 0cualitativas.
ocurriera, el resto de los días se comporta normal.
nota: los siguientes días no hubo muestra (8,11,15,15,17,21,22) Articulo portal web ESIC. (2022). Diferentes tipos de
análisis estadístico de datos. recuperado de
IV. CONCLUSIONES https://www.esic.edu/rethink/tecnologia/tipos-de-
analisis-estadistico-de-
Realizando un análisis exploratorio de los gráficos en consumo datos#:~:text=AN%C3%81LISIS%20MECANICIST
de materias primas por rechazo, identificamos claramente que A,resultado%20de%20todas%20las%20variables.
el material importado es predominante en el consumo con 33%
en el mes de marzo y 49,8% en el mes de abril. Se identifica que García Ramos, J. A. Ramos González, C. D. & Ruiz
en el mes de abril el consumo de material con goma se Garzón, G. (2016). Estadística empresarial. Servicio
incrementa en relación con el consumo de material duro, de esta de Publicaciones de la Universidad de Cádiz.
manera analizamos lo siguiente: https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/338
• La blancura en el deposito en marzo y abril se mantuvo 81
en promedio entre 56 y 58 con una muy baja variación
y los datos por encima del mínimo de especificación Rodríguez Franco, J., y Pierdant Rodríguez, A. (2015).
garantizando buenos niveles de blancura en pasta. Estadística para administración. Grupo Editorial
• Las cenizas en ambos meses estuvieron por debajo del Patria.
objetivo en las especificaciones del cliente, esto https://elibronet.bibliotecavirtual.unad.edu.co/es/erea
garantiza una operación estable en las plantas de der/unad/39397
preparación de pasta
• Las suciedades tuvieron una alta variación en el mes Puente Viedma, C. D. L. (2018). Estadística
de abril por el incremento en el consumo de materiales descriptiva e inferencial. Ediciones IDT. https://elibro-
con goma, aunque el promedio no superó las net.bibliotecavirtual.unad.edu.co/es/ereader/unad/599
especificaciones del cliente, la alta variación dificultad 31?page=9
estabilizar el proceso afectando fuertemente el
cumplimiento al cliente. Evans, M., Y Rosenthal, J. (2015). Modelos de
probabilidad. En Probabilidad y estadística: La ciencia
 12

de la incertidumbre. Bogotá: Reverté. https://elibro- TuDasboard. (11 de 12 de 2020). Obtenido de

net.bibliotecavirtual.unad.edu.co/es/ereader/unad/467 https://tudashboard.com/que-es-un-analisis-
93?page=19 descriptivo/

Probabilidad y estadística (2023. Mayo). Coeficiente

de determinación (R cuadrado).
https://www.probabilidadyestadistica.net/coeficiente-
de-determinacion-r-cuadrado/

Probabilidad y estadística (2023. Mayo). Distribución

binomial.
https://www.probabilidadyestadistica.net/distribucion-
binomial/

Gutierrez, H., y de la vara Salazar, R. (2013). Control

estadístico de la calidad y Seis Sigma. (Tercera
edición). Mcgraw-hill.

Estadística Descriptiva. (2020). PDF. Matemáticas

Aplicadas. Recuperado de.
https://www.edu.xunta.gal/centros/iescouto/aulavirtua
l/pluginfile.php/8395/mod_resource/content/1/estadist
icaDescriptiva.pdfErnesto

Atienza (2021). universidad de valladolid. trabajo de

fin de grado. Análisis exploratorio de datos una
variable.
https://uvadoc.uva.es/bitstream/handle/10324/52926/
TFG-E-
1364.pdf?sequence=1#:~:text=Existen%20dos%20tip
os%20de%20variables%3A%20cuantitativas%20y%2
0cualitativas.

Articulo portal web ESIC. (2022). Diferentes tipos de

análisis estadístico de datos.
https://www.esic.edu/rethink/tecnologia/tipos-de-
analisis-estadistico-de-
datos#:~:text=AN%C3%81LISIS%20MECANICIST
A,resultado%20de%20todas%20las%20variables.

Analisis de datos estadisticos. (s.f.). Obtenido de

TECNOLOGÍAS INFORMACION:
https://www.tecnologias-informacion.com/analisis-
estadistico.html

Montes, D. (12 de 09 de 2018). Métodos de Análisis

Estadístico. Obtenido de
https://www.pgconocimiento.com/metodos-de-
analisis-estadistico/

School, E. B. (05 de 2022). Diferentes tipos de análisis

estadístico de datos. Obtenido de ESIC:
https://www.esic.edu/rethink/tecnologia/tipos-de-
analisis-estadistico-de-datos