Estadistica Aplicada

SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL
MECNICA DE
PRODUCCIN
FASCCULO DE APRENDIZAJE
ESTADSTICA APLICADA
Tcnico de
Nivel Medio.
AUTORIZACIN Y DIFUSIN
MATERIAL DIDCTICO ESCRITO
FAM. OCUPACIONAL :
METALMECNICA.
ESPECIALIDAD
MECNICA DE PRODUCCIN.
NIVEL
TCNICO MEDIO.
Con la finalidad de facilitar el aprendizaje en el desarrollo de la formacin y capacitacin en la

especialidad de MECNICA DE PRODUCCIN a nivel nacional y dejando la posibilidad de un
mejoramiento y actualizacin permanente, se autoriza la APLICACIN Y DIFUSIN de material
didctico escrito referido a ESTADSTICA APLICADA.
Los Directores Zonales y Jefes de Unidades Operativas son los responsables de su difusin y
aplicacin oportuna.
DOCUMENTO APROBADO POR EL

GERENTE TCNICO DEL SENATI
N de Pgina..............150...........
Firma ..
Nombre: Jorge Saavedra Gamn
Fecha: 2006-04-11.
Registro de derecho de autor:
N D I C E
Introduccin
Introduccin a la estadstica
Prctica N 1
11
Variable y toma de datos
13
Prctica N 2
20
Estadstica aplicada a procesos de la calidad
22
Calidad Total
28
Control de calidad
40
Normalizacin y especificaciones de calidad
46
Norma ISO 9000
51
Norma ISO 14000
52
Distribucin de frecuencias absolutas
53
Prctica N 3
77
La Media
79
La Mediana
83
La Moda
86
Evaluacin Parcial I
88
Rango, varianza, desviacin stndard
89
Prctica N 4
93
Histograma
94
Prctica N 5
105
Distribucin normal, aplicacin
110
Diagrama de causa - efecto
117
Prctica N 6
124
Diagrama de dispersin
125
Regresin lineal simple
131
Diagrama de pareto
133
Prctica N 7
139
Diagrama de control
140
Evaluacin parcial
144
La ruta a la calidad
145
Bibliografa
ESTADSTICA APLICADA
INTRODUCCIN A LA ESTADSTICA
La palabra "estadstica" como muchas otras palabras tienen varios
significados.
En lenguaje comn, el trmino "estadstica" significa un poco ms que
datos o informaciones numricas y se emplea generalmente en plural. Por
ejemplo, el cronista deportivo, mientras comenta las incidencias de la
primera etapa de un partido de ftbol puede decir, estas son las
estadsticas para la primera etapa; equipo A: disparos al arco diez, errados
nueve y acertado uno, tiros de esquina seis, etc., equipo B: disparos al
arco ocho todos errados, tiros de esquina siete, etc. Los comentaristas de
radio o televisin conforman diciendo: las estadsticas del Producto Bruto
Interno (PBI) de la Industria Manufacturera pasaron de un 15.3% en 1988
a un 11.7% en 1990.
Entre Marzo del 88 a Agosto del 90 los sueldos han tenido una cada del
60%. Segn el Instituto Nacional de Estadstica e Informtica (INEI), el
nivel acumulado de inflacin durante el primer semestre del presente ao
lleg a 230.5%. Una persona cualquiera puede preguntar: has puesto las
ltimas estadsticas acerca del empleo?, etc. Naturalmente, en cada uno
de estos comentarios, las personas estn usando la palabra "estadstica"
en forma correcta, sin embargo, cada uno la usa en una forma diferente
para un propsito tambin diferente trmino "estadstica" tambin se
emplea para designar un rea de estudio. Una disciplina; por ejemplo,
cuando se emplea esta palabra en el ttulo de un libro o cuando nos
referimos a los cursos de estadstica de la currcula de una profesin, etc.
Sin embargo ambos significados de "estadstica" estn muy relacionados
debido a que las estadsticas" consideradas como datos numricos en
gran parte son la "materia prima".
La evolucin y desarrollo de la "Estadstica" en el mundo actual, es tal que
sera difcil dar una definicin precisa de este concepto. A riesgo de
agregar una ms a las tantas existentes daremos la siguiente.
1. Definicin: La Estadstica es una ciencia que proporciona un conjunto
de mtodos que se utilizan para recolectar, resumir, clasificar, analizar e
interpretar el como comportamiento de los "datos" con respecto a una
caracterstica materia de estudio o investigacin. En primera instancia se
encarga de obtener informacin, describirla y luego usa esta informacin a
fin de predecir "algo" respecto a la fuente de informacin.
La Estadstica actual es el resultado de la unin de las disciplinas que
evolucionaron independientemente hasta confluir en el siglo XIX: la
primera es el "clculo de las probabilidades", que nace aproximadamente
en el siglo XVII como teora matemtica, de los juegos de azar; la segunda
es la "Estadstica" o ciencia del estado, del latn status (aunque sobre este
significado etimolgico de estadstica no hay un criterio nico de lo
autores, pues para unos se deriva del griego statera que significa
balanza, para otros se deriva del alemn staat que significa estado) que
estudia la descripcin de los datos y tiene races ms antiguas.
La integracin de ambas lneas de pensamiento da lugar a esta nueva
ciencia.
MECNICA DE PRODUCCIN
1/147
ESTADSTICA APLICADA
RETIRA
2. Divisin de la estadstica
El campo de la Estadstica generalmente est dividido en dos grandes
reas.
Estadstica Descriptiva y Estadstica Inferencial.
2.1 Estadstica Descriptiva
De la definicin de Estadstica, el lector notar dos aspectos bien
remarcados, primero: obtener informacin, procesada y describirla, es
lo que constituye la Estadstica Descriptiva.
Estadstica Descriptiva es el conjunto de mtodos que implica la
recoleccin, presentacin y caracterizacin de un conjunto de datos a fin
de describir en forma apropiada las diversas caractersticas de estas. Es
decir, un estudio estadstico se considera "descriptivo" cuando slo se
analiza y describe los datos.
Ejemplo: Un gerente de personal desea conocer las aptitudes de cinco
secretarias que trabajan en una dependencia particular de una compaa.
Se aplica una prueba de aptitudes a las cinco secretarias y las
calificaciones son 85, 90, 93, 82 y 95 puntos.
Supongamos que la medida estadstica que emplea el gerente de
personal es la aptitud.
Promedio o media aritmtica, la cual es la suma de los valores
observados dividida entre el nmero de observaciones. Entonces, la
calificacin promedio es:
85 + 90 + 93 + 82 + 95 = 445 = 89 puntos
5
5
El resultado se limita a los datos obtenidos en este caso particular y no
implica ninguna generalizacin acerca de las aptitudes de las secretarias
de otras oficinas de la misma compaa. Es decir. el gerente est usando
estadstica para describir aptitudes de las secretarias de esa oficina. Este
mtodo es de naturaleza descriptiva, debido a que el promedio condensa
y describe la informacin obtenida.
Los grficos, tablas y mapas que muestra datos de tal forma que sean ms
fciles de entender son todos ejemplos del uso de Estadstica Descriptiva.
2.2 Estadstica inferencial
El segundo aspecto de la definicin de Estadstica es: predecir "algo"
con respecto a la fuente de informacin, es lo que constituye la
Estadstica Inferencial o Inferencia estadstica, la definicin es la
siguiente.
La Inferencia Estadstica es el conjunto de mtodos o tcnicas que
posibilitan la generalizacin o toma de las decisiones en base a una
informacin parcial tenida mediante tcnicas descriptivas.
Es decir, un estudio estadstico, se considera inferencial cuando se
pretende inferir y predecir conclusiones que ataen a toda la fuente de
informacin de donde proviene los datos.
2/147
ESTADSTICA APLICADA
Ahora bien esta prediccin se hace con un cierto grado de confianza; este
grado de confianza se mide por la "probabilidad". Por tanto, el clculo de
probabilidades, piedra angular de la inferencia estadstica est como
puente entre las dos partes de la estadstica.
Ejemplo 1: Suponga ahora en el ejemplo 1, que el gerente de personal

desea.
Conocer la aptitud promedio de todas las secretarias de la compaa, pero
carece de tiempos de los recursos para aplicar una prueba de aptitud a
todas ellas. Entonces decide usar la aptitud promedio de las cinco
secretarias para estimar la aptitud promedio de todas las secretarias de la
compaa. El proceso de estimar esta aptitud promedio global ser un
problema de Inferencia Estadstica.
Ejemplo 2: Un fabricante de medicinas afirma que una nueva vacuna
contra el catarro desarrollada por su compaa tiene una efectividad del
95 %, esto es, en promedio 95 de cada 100 personas que emplean la
vacuna pasarn el invierno sin contagiarse de catarro.
Como resulta imposible probar la vacuna en todas las personas,
consideremos que 40 personas han recibido la vacuna, que de las 40,35
no se contagiaron de catarro. Vemos que si la afirmacin del fabricante es
correcta se esperara que 38 personas (40 x 0.95=38) pasaran el invierno
sin catarro. Puesto que el nmero observado es 35, Io cual es inferior al
nmero esperado 38, deber rechazarse la afirmacin del fabricante en
base a la evidencia? El proceso de decisin de rechazar o no la afirmacin
del fabricante es un problema de Inferencia Estadstica.
El problema tambin puede plantearse como sigue: La proporcin de
personas no contagiadas, la cual es el cociente del nmero de personas
observadas que no se contagiaron entre el nmero total de personas
observadas. Es decir, la proporcin de personas no contagiadas es:
35
7 = 0.88
=
40
8
Esta proporcin expresado en porcentaje es 100(0.88)% = 88%. Entonces
la evidencia indica slo un 88% de efectividad de la vacuna en cuestin,
que es menor a la Afinacin del fabricante. El proceso de decidir, se
rechaza o no la afirmacin del fabricante es problema de inferencia
estadstica.
TIRA
Aunque la Estadstica descriptiva es importante para caracterizar y

presentar informacin de los datos, sin embargo, el desarrollo de la
Inferencia Estadstica es lo que es lo que ha conducido a la .gran
expansin en la aplicacin de los mtodos estadsticos.
Ejemplo 3: Cuatro bombillas de marca A dejaron de funcionar despus de

1100, 980. 900 y 1020 horas de uso continuo. Cinco bombillas de marca B
dejaron de funcionar despus de 960, 1050, 1065, 845 y 980 horas de uso
continuo. Se llega a siguientes conclusiones:
3/147
ESTADSTICA APLICADA
a. La duracin promedio de las cuatro bombillas marca A es de 1000 hs,
mientras que la duracin promedio de las cinco bombillas marca B es
de 980 hs.
b. La duracin promedio de todas las bombillas marca A es mayor que la
de todas las bombillas marca B.
c. La diferencia entre los dos promedios es de 20 hs.
d. La diferencia entre los dos promedios es demasiado pequeo para
llegar a conclusin de que las bombillas marca A son mejores que las
bombillas marca B.
e. Si se selecciona y prueba otra bombilla marca A, probablemente durar
ms que el promedio de las bombillas marca B.
f. Ud. decide comprar bombillas marca A en vez de bombillas marca B.
Cules de las conclusiones provienen de la Estadstica Descriptiva y
cules de Inferencia Estadstica?
a. La duracin promedio de las cuatro bombillas marca A es
1100 + 900 + 980 + 1020 = 4000 = 1000 hs.
4
4
La duracin promedio de las cinco bombillas marca B es
1050 + 960 + 1065 + 845 + 980 = 4900 = 980 hs.
4
4
Como se est usando Estadstica para describir el comportamiento slo
de los datos observados y no para una generalizacin, la conclusin
proviene de Estadstica Descriptiva.
b. Puesto que se est generalizando, que la duracin promedio de todas
las bombillas marca A es mayor que todas las bombillas marca B, la
conclusin proviene de la Estadstica Inferencial.
c. Vemos que: 1000 - 980 = 20 hs, es decir la conclusin proviene de la
Estadstica Descriptiva.
d. Se est usando los promedios de los datos observados para inferir
sobre la diferencia de todas las bombillas. Por lo tanto, es Inferencia
Estadstica.
e. Se hace una generalizacin de que cualquier bombilla marca A durar
ms que el promedio de las bombillas marca B, proviene de Inferencia
Estadstica.
f. Ud. est generalizando que las bombillas marca A duran ms que las
bombillas marca B. Por lo tanto, es Inferencia Estadstica.
4/147
ESTADSTICA APLICADA
Problemas:
a. La calificacin promedio de los cuatro trabajadores es 85, y la

calificacin promedio de las cuatro trabajadoras es 89.
b. La aptitud promedio de todas las trabajadoras es probablemente mayor
que la de los trabajadores.
c. En la siguiente prueba de aptitudes, probablemente los trabajadores
reciban calificaciones ms bajas que las trabajadoras.
2. Cinco neumticos para automvil de marca A y cuatro neumticos de
marca B se prueban para determinar su duracin en servicio. La duracin
para los neumticos marca A, son: 36000, 29000, 33000, 37000 y 40000
km; para la marca B, son: 29000, 31000, 33000 y 35 000 km.
De las siguientes declaraciones hechas en base a estas cifras, identifique
las que provienen de mtodos descriptivos y las que provienen de
inferencia estadstica.
a. La duracin promedio de los cinco neumticos marca A es mayor que la
de los cuatro neumticos marca B.
b. Probablemente, la duracin promedio de todos los neumticos marca A
sea casi 35000 km, mientras que la de los neumticos marca B sea
aproximadamente de 32000 km.
c. Si el precio de los neumticos marca A es el mismo que de los
neumticos marca B, Ud. recomendara los neumticos marca A a
todos sus amigos y parientes.
3. En cuatro pruebas de matemtica, Juana recibi calificaciones de 17,
18, 15 y 14 mientras que Juan recibi calificaciones de 14, 13, 16 Y 13. A
partir de estos datos se llega a las siguientes conclusiones, cules de
stas incluyen el mtodo descriptivo y cules se obtienen mediante la
inferencia estadstica?
a. El promedio de las calificaciones de Juana es 16 y el promedio de las
calificaciones de Juan es 14.
TIRA
En una prueba de aptitud, cuatro trabajadores recibieron calificaciones de

85, 90, 82 y 83. Cuatro trabajadoras recibieron calificaciones de 88, 87, 89,
92. De las siguientes declaraciones realizadas con base en estas
calificaciones, identificar aquellas que se derivan de mtodos descriptivos
y aquellos que se derivan de Inferencia Estadstica.
b. Juana es mejor estudiante que Juan.

c. Probablemente en la siguiente prueba, Juana obtenga calificaciones
ms elevadas que Juan.
d. La diferencia entre los dos promedios es 2 puntos.
5/147
ESTADSTICA APLICADA
4. En qu contexto se emplea generalmente la palabra "estadstica" en
radio que en televisin?
RETIRA
5. Clasifique cada una de las afirmaciones siguientes ya sea como

inferencias o mtodos descriptivos
a. El ao pasado, en la Universidad Nacional del Callao, el puntaje

promedio del examen de admisin fue 85.
b. El Dr. Garca, un eclogo, inform que en cierto ro de la selva la carne

de los peces contienen un promedio de 300 unidades de
mercurio.
C. La compaa "RM" predijo quin sera el ganador en una eleccin

presidencial despus de conocer los resultados de las votaciones de
25 mesas de sufragio de las 2800 mesas que hubo en total.
3. Poblacin y muestra
La palabra "poblacin" igual que sucede con el trmino "estadstica" tiene

varios significados. En el uso comn, se refiere a todas las personas de
una regin, localidad o pas. (La poblacin de Lima es 6 millones; la
poblacin de China es 900 millones, etc.).
El concepto de "poblacin", estadsticamente hablando, es un concepto

ms amplio de lo que se tiene al referirse a los habitantes de un
Departamento o un Pas; poblacin desde el punto de vista estadstico se
define como sigue.
Poblacin: Es la coleccin de todos los individuos, objetos u

observaciones que poseen al menos una caracterstica comn.
Los trminos poblacin y universo, suelen usarse indistintamente.

Ejemplo 4
a.
b.
c.
d.
Las edades de los estudiantes del Per.

Las edades de los alumnos del sistema universitario peruano.
Los dimetros de la produccin diaria de tuercas.
Los pesos de los melones de una cosecha de la cooperativa los
"meloneros".
e. Las placas de los automviles que circulan en un pas.
f. Los pacientes con poliomielitis sometidos a una determinada
teraputica de rehabilitacin.
g. Los enfermos de SIDA, tratado con uno de tres tratamientos diferentes.
En cada uno de los ejemplos anteriores, existe al menos una

caracterstica comn para todos los elementos integrantes de la
poblacin. Y cada situacin diferente implica a poblacin diferente. En el
ejemplo 1.5 g, en lugar de una poblacin, se tiene tres poblaciones
diferentes, cada poblacin est definida por cada uno de los tres
tratamientos que se utilizan.
6/147
Es importante definir la poblacin de acuerdo a la naturaleza y extensin

del problema bajo estudio. Al hablar de naturaleza, entenderemos la
caracterstica materia de estudio; es decir, si quisiramos estudiar los
pesos, alturas y edades de las personas, la poblacin estar formada por
los pesos, alturas y edades respectivamente. Y al hablar de e x t e n s i n
definimos la poblacin tan extensa como sea necesario; es decir, si
quisiramos estudiar las caractersticas anteriores en los alumnos del
sistema universitario peruano, la poblacin estar referida al sistema
universitario peruano; y si estuviramos interesados en estudiar stas
caractersticas en los alumnos de las universidades de Lima, la poblacin
estar referida solamente a ellas.
Al referimos a la naturaleza del problema, optamos tambin por distinguir
entre lo que podemos llamar poblacin "objeto" y poblacin "objetivo";
entendemos por poblacin objeto, el conjunto de elementos materia de
estudio y por poblacin objetivo las diferentes medidas de la caracterstica
que nos interesa de la poblacin objeto. Aclaremos esto con el ejemplo
siguiente: al estudiar el rendimiento acadmico de los alumnos en el
sistema universitario; la poblacin objeto estar constituida por los
alumnos del sistema y la poblacin objetivo, por las notas, que miden el
rendimiento acadmico. Es necesario adems anotar que:
(a). Toda poblacin debe definirse de manera que la ubicacin en ella de
cualquier elemento pueda decidirse de manera inequvoca.
(b). Toda poblacin puede ser real o virtual.
Por otro lado obsrvese, por ejemplo, al hablar de los "alumnos del
sistema universitario", definimos una poblacin acotada, por lo tanto finita.
En cambio al hablar los "pacientes con poliomielitis, sometidos a una
determinada teraputica de rehabilitacin" definimos una poblacin no
acotada, por lo tanto virtualmente infinita, cuyos elementos son, tanto las
personas que ya han sido sometidos a la referida terapia, como los que
sean en el futuro. Es decir, la poblacin puede clasificarse como finita o
infinita.
Poblacin finita: Una poblacin finita es aquella que tiene un nmero
limitado de elementos. Por ejemplo, las estaturas de todos los estudiantes
que actualmente estudian en las universidades del Per.
Notacin: El tamao de la poblacin finita lo denotaremos por "N".
Poblacin infinita: Una poblacin infinita es aquella que no tiene lmite;
cotas, es decir, tiene un nmero infinito de elementos. Por ejemplo, la
calidad de todas las unidades producida mediante un proceso
manufacturero.
TIRA
ESTADSTICA APLICADA
Parmetro: Es una medida resumen que describe una caracterstica de

toda la poblacin.
Los parmetros son caractersticas medibles de una poblacin y
naturalmente para determinar su valor es necesario utilizar la informacin
de toda la poblacin.
7/147
RETIRA
ESTADSTICA APLICADA
Por ejemplo, la edad promedio de los escolares del primer ao de
secundaria de los colegios del Per, es una caracterstica medible (por
tanto un parmetro) de la poblacin formada por las edades de todos los
escolares del primer ao de secundaria del pas; es pus media de la
poblacin.
Similarmente, la proporcin de todos los telespectadores que ven un
cierto programa dominical a cierta hora, es una caracterstica medible (por
tanto un parmetro) de la poblacin formada por todos los telespectadores
de ese programa dominical; es la proporcin de la poblacin.
Los parmetros ms usados son:
- La media poblacional = m (que se lee mn)
- Proporcin poblacional = r (que se lee pe)
- Desviacin tpica poblacional = s (que se lee sigma)
Obviamente es imposible calcular el verdadero valor de cualquier
parmetro de una poblacin infinita. En la mayor parte de los casos
tampoco resulta prctico (o econmico) calcular el verdadero valor de
cualquier parmetro de una poblacin finita. Por tanto, resulta necesario
realizar inferencias acerca de los parmetros de la poblacin, a partir de la
informacin contenida en una parte de la poblacin.
Muestra: Es una parte o un subconjunto representativo de la poblacin. Y
al proceso de obtener la muestra se llama muestreo.
Notacin: El nmero de observaciones (o tamao) de la muestra se
denota por "n".
Desde luego, el nmero de observaciones en una muestra es menor que
el nmero de observaciones posibles en la poblacin, de otra forma, la
muestra sera la poblacin misma.
La seleccin y el estudio de una muestra, tiene por objeto la extraccin de
conclusiones que sean vlidas para la poblacin del cual se obtuvo dicha
muestra. En otras palabras, nuestro propsito es conocer la poblacin,
para lo cual se extrae una muestra de sta.
Por ejemplo, si se-desea estimar el gasto promedio anual de los
estudiantes universitarios del Per, se extraera una muestra formada por
cierto nmero de estudiantes, en seguida se determinara el gasto anual
correspondiente a cada uno de ellos y despus se obtendra el promedio
de estos gastos.
Se utiliza una muestra debido a.que simplemente no se tiene el tiempo y
los recursos para establecer contacto con todos los estudiantes
universitarios del pas, aun cuando es posible hacerla.
En base al promedio de la muestra (promedio muestral) obtenido de esta
forma, se realiza una inferencia acerca del gasto promedio de todos los
estudiantes universitarios del Per.
10
8/147
ESTADSTICA APLICADA
La proporcin de la poblacin, la cual es un parmetro que se desconoce,

es la proporcin de todas las unidades defectuosas producidas en el
proceso; se estima mediante la proporcin de la muestra, la cual es la
proporcin de las unidades defectuosas contenida en la muestra. As, si
en un lote de 300 unidades defectuosas producidas en el proceso, el
ingeniero de control de calidad encuentra 45 defectuosas, entonces la
proporcin de defectuosas en la muestra ser 45/300 = 0.15 (15%).
Obsrvese, que tanto el promedio de la muestra, como la proporcin de la
muestra en los ejemplos considerados en el prrafo anterior son
caractersticas medibles de las muestras, lo cual da lugar a la definicin
siguiente.
Estadstico o Estadgrafo es una medida resumen que describe una
caracterstica de la muestra.
Por ejemplo, el C.I. (Coeficiente de inteligencia) promedio de una muestra
de escolares de primer grado seleccionada de entre todos los estudiantes
de primer grado del Per, es un estadstico; pus se trata de una
caracterstica de la muestra. Similarmente, la proporcin de una muestra
de telespectadores de un cierto programa a cierta hora, es tambin un
estadstico; ya que se trata de una caracterstica de la muestra de
telespectadores.
Ejemplo: Suponga que los ingresantes al primer ao de su universidad
consta de 3 000 estudiantes, todos los cuales han dado un examen nico
de seleccin que se aplic a todos los estudiantes que han ingresado a
primer ao de universidad en el pas. Explique las circunstancias bajo las
cuales las calificaciones recibidas por los estudiantes ingresantes al
primer ao de su universidad puede considerarse como: a. una muestra,
b. una poblacin.
Solucin:
a. Puede haber ms de una circunstancia. Por ejemplo, si se quiere
conocer, la calificacin promedio de todos los ingresantes a las
universidades del pas, la poblacin estara formada por las
calificaciones de todos los ingresantes a primer ao de universidad en
el pas, entonces las calificaciones de los ingresantes a su universidad
sera una muestra.
11
TIRA
Hemos expresado, tambin que es imposible calcular el verdadero valor

de cualquier parmetro de una poblacin infinita, es pus necesario
emplear una informacin muestral. Por ejemplo, para determinar la
proporcin de partes defectuosas producidas en cierto proceso de
fabricacin, los tcnicos de control de calidad examinan un lote de
unidades producidas para determinar el nmero de defectuosas
contenida en 1. (Generalmente un lote de este tipo, el cual constituye una
muestra, se toma a intervalos regulares de tiempo).
9/147
RETIRA
ESTADSTICA APLICADA
b. Tambin puede haber varias circunstancias. Por ejemplo, si se desea
conocer la calificacin promedio de todos los ingresantes a su
universidad. La poblacin estara compuesta por las calificaciones de
todos los ingresantes a su universidad. Tendremos as, una circunstancia
en la cual las calificaciones recibidas por los estudiantes ingresantes a
primer ao de su universidad se consideran como poblacin.
Ejemplo: Se realiza una votacin preliminar para determinar las
preferencias de los electores en una eleccin presidencial. Con este fin se
entrevistan 1500 electores registrados y entre ellos 860 estn a favor del
candidato A. Responda lo siguiente:
a. Qu constituye la muestra?
b. Qu constituye la poblacin?
c. La poblacin es finita o infinita?
d. Cul es el parmetro de la poblacin?
e. Cul es el estadstico de la muestra?
Solucin:
a. La muestra est constituida por las respuestas de 1 500 electores
registrados.
b. La poblacin est constituida por las respuestas de todos los
electores registrados.
c. La poblacin es finita.
d. El parmetro de la poblacin ser la proporcin de todos los electores
registrados que estn a favor del candidato A.
e. El estadstico de la muestra es la proporcin de los 1500 electores
registrados que estn a favor del candidato A.
Es decir 860/1 500 0.57 (57%).
12
10/147
ESTADSTICA APLICADA
PRCTICA N 01
Ejercicios de repaso relacionados a la estadstica descriptiva bsica
1. Durante cierta semana, en un restaurante se atendi a 2 300 clientes.
Explique las circunstancias bajo las cuales estos 2300 clientes pueden
considerarse como: a. una muestra y b. una poblacin.
2. Supngase que el 60% de todos los electores registrados en un pas
son integrantes de un partido A y el 40% no. A partir de una muestra de
500 electores, se encuentra que 250 pertenecen al partido A. Responda
lo siguiente:
a. Cul es la proporcin de electores en la muestra que pertenecen al
partido A?
b. Cul es la proporcin de electores en la poblacin que pertenecen
al partido A?
c. Cul es la poblacin? Es finita o infinita?
3. Establezca la veracidad o falsedad de cada una de las proposiciones
siguientes. Reemplace cada enunciado falso por la proposicin
verdadera correspondiente.
a. La poblacin es una coleccin de todos los elementos que estamos
estudiando.
b. Un estadstico es una caracterstica de la poblacin.
c. La Inferencia Estadstica, formula inferencias con respecto a una
muestra.
4. Se realiza un muestreo de opinin para determinar si las amas de casa
de Lima, prefieren un detergente de una marca A con respecto a otra.
Con este fin se entrevistan 2000 amas de casa y entre ellas 1500
prefieren la marca A. Responda lo siguiente:
a. Qu constituye a la muestra?
b. Qu constituye a la poblacin?
c. La poblacin es finita o infinita?
13
11/147
ESTADSTICA APLICADA
5. Para cada una de las siguientes proposiciones, defnase la poblacin

que se est muestreando y describa el parmetro de la poblacin y el
estadstico muestral.
a. Se entrevista a 800 estudiantes universitarios acerca de sus
opiniones (respuestas si o no) sobre la legalizacin del aborto.
b. Se entrevista a 300 trabajadores no sindicalizados para determinar
sus opiniones (respuestas si o no) acerca de la sindicalizacin.
c. Se selecciona una muestra de los tomillos producidos por una
mquina automtica y se prueban para determinar la proporcin de
defectuosos.
d. Se selecciona una muestra de los becerros nacidos en Cajamarca
en 1989 y se lleva un registro de sus pesos al nacer.
6. Defina poblaciones apropiadas y a partir de ellas seleccione las

muestras siguientes:
a. Se llam por telfono a personas de 200 hogares de cierta ciudad y
se les pidi mencionar el nombre de su candidato para la alcalda.
b. Se probaron 200 pares de un nuevo tipo de zapatos para futbolistas
en un torneo profesional y. en promedio duraron 4 meses.
c. En cinco ocasiones diferentes, a un Ingeniero le tom 21, 26, 24, 22 y
21 minutos conducir su auto de su casa en las afueras de la ciudad
hasta su oficina en el centro de la ciudad.
14
12/147
ESTADSTICA APLICADA
VARIABLES Y TOMAS DE DATOS
1. Toma de datos
A) Algunos procedimientos y mtodos para recolectar datos
Existen tres mtodos bsicos con los cuales el investigador puede
obtener los datos deseados: en primer lugar, el investigador puede
recurrir a datos ya publicados por fuentes gubernamentales,
industriales o individuales; en segundo lugar, puede disear un
experimento para obtener los datos necesarios, y en tercer lugar,
puede efectuar una encuesta.
Fuentes de informacin: Es el lugar, la institucin, la persona donde
estn los datos que se necesitan para cada una de las variables o
aspectos de la investigacin. Las fuentes de datos pueden ser:
Fuente de datos internos: Es la informacin recopilada por la empresa (o
la institucin) de los resultados de su propia gestin. Son pues las
observaciones que constantemente realizan los departamentos,
administrativos, contables, comerciales, tcnicos, etc. Estas pueden ser
por ejemplo:
a. Reportes financieros.
b. Reportes de operaciones, que estn dadas por la informacin de la
produccin, ventas, compras, estados de prdidas y ganancias.
c. Reportes especiales, es informacin adicional para anlisis
especfico.
a. Fuente de datos externos: Son informaciones estadsticas
elaboradas por instituciones de investigacin, ya sean pblicos o
privados, o dependencias especializadas, generalmente requeridos a
nivel nacional o sectorial.
b. Fuentes primarias: Cuando la informacin estadstica es obtenida
directamente de la unidad de observacin. Por ejemplo, los resultados de
los censos de poblacin y vivienda, ndices de precios al consumidor, etc.
c. Fuentes secundarias: Cuando se obtiene informacin estadstica
elaborada a base de los datos de fuentes primarias.
El organismo oficial fundamental de datos estadsticos es el Instituto
Nacional de Estadstica e Informtica (INEI). Se encarga de formular y
desarrollar el sistema Estadstico Nacional, levanta los censos nacionales
de poblacin y vivienda cada 10 aos y los censos econmicos cada diez
aos, etc.
El Ministerio de Industria Turismo e Integracin, elabora estadstica como:
ndice de volumen fsico de produccin, producto bruto interno, etc.
El Ministerio de Economa y Finanzas, a travs de sus organismos
especializados lleva y elabora estadstica de comercio al por mayor y al
por menor, comercio exterior (importacin y exportacin), etc.
En general todos los ministerios tienen una oficina especializada de
Estadstica.
15
13/147
ESTADSTICA APLICADA
Diseo de experimento: Un segundo mtodo de recoleccin de la
informacin es con un diseo de experimentos. Los diseos
experimentales deben utilizarse siempre que sea posible cuando se
desee construir modelos explicativos, y sus estudios suelen ser materia
de textos ms avanzados, ya que implican procedimientos estadsticos
complejos.
Encuestas: Es el proceso de recopilar informacin a travs de una
muestra.
Principales procedimientos para recolectar informacin en ciencias
sociales, salud, educacin, etc.
Toda informacin tiene dos aspectos fundamentales: Fuente de
obtencin, y
mtodos para su recoleccin.
Fuente de obtencin: La fuente de obtencin puede ser: primarios y
secundarios.
Primarios: Como ya hemos dicho, se recogen directamente de su origen.
Secundarios: Cuando no se recogen directamente de su fuente de
origen.
Mtodos de recoleccin: Cuando es utilizada una fuente primaria para
recolectar informacin se distinguen dos procedimientos fundamentales a
saber: la observacin y el interrogatorio.
Desventajas de la observacin
-
Requiere personal especializado.

Puede resultar ser un mtodo demasiado caro.
No es conveniente cuando se estudia grandes masas humanas.
Una cuestin que invalida la observacin es cuando se requiere
investigar.
- Las manifestaciones subjetivas de los individuos. Por ejemplo, saber
si un paciente tiene apetito.
- En su comportamiento pasado. Por ejemplo, enfermedades que ha
padecido. Sus actitudes futuras. Por ejemplo, qu hbitos higinicos
observar cuando est de alta.
Ventajas del interrogatorio: Como podr observarse las limitaciones' de
la observacin son ventajas del interrogatorio, ya que cuando se indaga el
pasado o futuro, as como las condiciones subjetivas del individuo ofrece
resultados satisfactorios.
Desventajas del interrogatorio
- Se apela a la memoria y/o a la buena fe del interrogado.
- Produce diferentes resultados segn el tipo de preguntas y a la
manera de formularios.
16
14/147
ESTADSTICA APLICADA
Para evitar errores en la segunda desventaja debe observarse los
siguientes aspectos:
-
Las preguntas deben ser claras y concisas.

Las preguntas no deben ser capciosas ni ambiguas.
Las preguntas no deben presuponer hechos.
Las preguntas no deben sugerir respuestas.
Mtodos de interrogatorios
El interrogatorio puede hacerse mediante dos mtodos:
Mtodo directo (se efecta por medio de entrevistas)
Mtodo indirecto (se efecta por medio de cuestionarios)
La entrevista tiene una ventaja principal que la acenta, y es que puede
completarse con la observacin directa, tambin tiene como principal
desventaja el hecho que la personalidad, posicin social, la inflexin de la
voz, la manera de hacer las preguntas, etc. pueden hacer variar las
respuestas.
El cuestionario tiene como ventaja principal el ser ms barato. Como
desventaja solo es posible para preguntas sencillas y tambin en
ocasiones no es devuelto por el individuo encuestado, o no llena con todos
los requisitos adecuadamente.
Frecuencia para la recoleccin de los datos
Los procedimientos para recoger la informacin, por su frecuencia,
pueden clasificarse en:
- Mtodos de recoleccin ocasional: las encuestas.
- Mtodos de recoleccin peridicas: los censos.
- Mtodos de recoleccin continuas: los registros.
Estos mtodos se diferencian entre s en una serie de aspectos
importantes y que son:
- Frecuencia de recoleccin.
- Los aspectos de cobertura.
- Los aspectos de temporalidad.
- Los aspectos de propsitos.
Veremos que la encuesta tiene una amplitud parcial, mientras que el
censo y el registro la tienen universal. Otro aspecto muy importante es que
el censo y la encuesta tienen un carcter transversal, es decir se realiza en
un determinado momento, mientras que el registro tiene un carcter
longitudinal, o sea, se recoge la informacin a lo largo del tiempo.
Finalmente diremos, que el censo es un procedimiento que tiene objetivos
generales, mientras que el registro y la encuesta tienen objetivos
especficos.
17
15/147
ESTADSTICA APLICADA
Encuesta: Es el procedimiento de obtencin de informacin estructurada
segn criterios previos de sistematizacin, que se efecta con un
propsito especfico (y que tiene alcance restringido) en un sector de la
poblacin.
Ejemplo: Encuesta nacional de propsitos mltiples (ENAPROM)
realizada por el INEI en 1977 y 1978, Y publicadas en 13 fascculos por
sta institucin.
Tipos de encuestas: Encuesta retrospectiva, encuesta prospectiva.
Encuesta retrospectiva: En este tipo de encuestas se parte de datos que
se conoce y la investigacin consiste en descubrir caractersticas de su
historia. Por ejemplo, se coge un grupo de personas afectadas con cncer
en el pulmn y vamos a recoger en su historia retrospectivamente si tiene
antecedentes de: hbito de fumar, riesgos industriales, etc.
Encuesta prospectiva: Comienza con una muestra de la poblacin
estudiando una o ms caractersticas a travs del tiempo. Por ejemplo, se
coge un grupo de personas, y vemos la caracterstica de hbito de fumar:
observamos si en el transcurso del tiempo se desarrolla cncer al pulmn.
Censo de poblacin: Se lIama al proceso de recolectar, completar y
publicar datos demogrficos, econmicos y sociales pertenecientes a un
tiempo especfico y datos de todas las personas en un pas o un territorio
determinado.
El propsito principal de un censo de poblacin nacional consiste en
satisfacer ciertas necesidades de informacin estadstica concernientes a
la totalidad de los habitantes de un pas con vistas a: planificacin de una
serie de aspectos como son los requerimientos de alimento, los nmeros
de escuelas y hospitales, as como su ubicacin, etc.
Registros: Son los procedimientos que se siguen para conocer
adecuadamente los cambios y las estructuras de:
- Cambios en el nmero de la poblacin.
- Aumento de la poblacin por nacimiento.
- Aumento de la poblacin por inmigracin.
- Reduccin de la poblacin por emigracin.
- Reduccin de la poblacin por fallecidos.
Mediante los sistemas de registros se establecen as, un proceso continuo
que sigue sin pausa los movimientos de cambio en la poblacin.
18
16/147
ESTADSTICA APLICADA
2. Identificacin de variables
Sea cual fuere la fuente de la que obtenemos la informacin, esta
puede estar referida a caractersticas cualitativas o cuantitativas. Las
primeras se refieren a cualidades tales como, color: blanco, azul, etc.;
estado civil: casado, soltero, etc.; profesin: economista, ingeniero,
etc.; calidad de un producto: bueno, regular, etc. Los segundos se
refieren a cantidades tales como: estatura en cm., salario en soles,
nmero de hijos de una familia, nmero de dormitorios por vivienda, etc.
Con cada caracterstica materia de investigacin, asociamos una
variable; as, podemos dar la definicin siguiente.
Variable: Es una caracterstica de la poblacin que se va investigar y que
puede tomar diferentes valores.
As, por ejemplo una variable sera, las horas extras trabajadas por los
trabajadores de una empresa y los valores de esta variable vendran
dadas por las diferentes horas trabajados por cada trabajador fuera de la
jornada normal: ninguna, una, dos, tres,
Notacin: Las variables se denotarn por X, Y, etc.
Las variables se clasifican en: cualitativas y cuantitativas.
Variable cualitativa: Se llama as, cuando la variable est asociada a una
caracterstica cualitativa. Es decir, son variables cuyos valores son
cualidades que presenta la poblacin.
Por ejemplo, la variable "profesin" puede adoptar las modalidades:
Ingeniero,
Mdico, Bilogo, Economista, etc.
Las variables cualitativas se clasifican en: nominales y ordinales.
Variable cualitativa nominal: Son aquellas que establecen la distincin
de los elementos en las categoras sin implicar orden entre ellas.
Ejemplo: Clasificar un grupo de individuos por sexo: masculino,
femenino; por su estado civil: soltero, casado, viudo, etc.
Variable cualitativa ordinal: Son aquellas que agrupan a los objetos,
individuos, en categoras ordenadas, para establecer relaciones
comparativas. Es decir, son susceptibles de ordenacin pero no de
medicin cuantitativas.
Ejemplo:
a. Clasificar a un grupo de personas por su hbito de fumar. Se procede
as:
- No fumadores
- Fumadores leves
- Fumadores moderados
- Fumadores severos
19
17/147
ESTADSTICA APLICADA
RETIRA
b. Clasificar un grupo de individuos por su grado de instruccin. Se

procede como sigue:
- Analfabeto
- Primaria
- Secundaria
- Superior
Variable cuantitativa: Se llama as, cuando la variable est asociada a
una caracterstica cuantitativa. Es decir, estas surgen cuando se puede
establecer cunto o en qu cantidad se posee una determinada
caracterstica.
Ejemplo: Son variables cuantitativas: ingreso por familia, nmero de
accidentes de trnsito, longitud, tiempo, etc.
Las variables cuantitativas se dividen en discretas y continuas.
Variable discreta: Son aquellas que surgen por el procedimiento de
conteo. Es decir, las variables estadsticas discretas suelen tomar valores
enteros.
Por ejemplo, el nmero de hijos por familia; el nmero de estudiantes por
colegio; el nmero de automviles que pasan por una avenida en una
hora; el nmero de habitantes por distrito; etc., son variables discretas.
Variable continua: Son aquellas que surgen cuando se mide alguna
caracterstica. Es decir, las variables continuas, pueden tomar al menos
tericamente cualquier valor dentro de un intervalo.
Por ejemplo, el peso, la estatura, la tensin arterial de las personas, los
ingresos, el tiempo de servicio, etc., son variables estadsticas continuas.
No significa que el nmero asignado a cada peso, estatura, etc., pueda
tomar en la prctica cualquier valor real de un intervalo (aunque
tericamente sea as) porque la imprecisin de nuestras mediciones har
que en definitiva stas vengan representadas por valores discretos. Pero
es el carcter de posibilidad que tiene todo nmero real de ser asignado a
una de estas variables lo que las define como continuas.
En general, todas las magnitudes relacionadas con el tiempo (edad,
duracin de un fenmeno,), la masa (volumen, peso,), el espacio
(longitud, superficie) o una combinacin de estos (velocidad, densidad,
capacidad) son variables continuas.
Ejemplo: Clasifique las siguientes caractersticas en variables
cualitativas, continuas, discretas.
a. Tiempo de servicio de los empleados de una empresa.
b. Nmero de cheques girados diariamente en un mes.
c. Nmero de acciones comunes vendidas cada da en la Bolsa de
Valores de Lima.
d. Lugar de nacimiento de las personas que viven en Lima.
e. Nivel educacional y religin de las limeas.
f. Temperatura y humedad diaria de Lima.
g. Nivel educacional, estatura y color de ojos de las cajamarquinas.
20
18/147
ESTADSTICA APLICADA
Solucin:
a. El tiempo que cualquier persona presta servicios a una empresa esta
comprendida generalmente de acuerdo a ciertas leyes entre 0 y 30
aos. Es decir, puede ser cualquier punto del intervalo [0, 30], al menos
en teora. Por tanto es una variable cuantitativa continua.
b. El nmero de cheques girados diariamente en un mes, puede ser:
ninguno, uno, dos. Es decir, es una variable cuantitativa discreta.
c. Tambin es una variable cuantitativa discreta.
d. Las personas que viven en Lima. pueden haber nacido en cualquier
distrito o lugar del pas o del extranjero. Por tanto, es una variable
cualitativa.
e. El nivel educacional es una caracterstica cualitativa ordinal y la religin
es cualitativa nominal. Por tanto, las limeas son clasificadas por las
variables cualitativas, nivel educacional y religin.
f. La temperatura y la humedad son variables cuantitativas continuas.
Luego, Lima es clasificada por las variables temperatura y humedad
ser una variable continua.
g. Nivel educacional y color de los ojos son variables cualitativas; la
estatura es una variable cuantitativa continua. Por tanto, las
cajamarquinas son clasificadas por las caractersticas cualitativas:
nivel educacional y color de sus ojos, y la variable continua estatura.
Unidad estadstica: Es el elemento u objeto indivisible de la poblacin
que ser analizado.
Por ejemplo, si se quiere estudiar la demanda del detergente X en Lima
Metropolitana, la unidad estadstica sern las familias.
Datos: Son los valores recopilados como resultado de las observaciones
de una caracterstica o variable. Llamados tambin series
estadsticas.
Como hay dos tipos de variables: cualitativas y cuantitativas, diremos
tambin que hay dos tipos de datos: datos cualitativos y cuantitativos. Los
datos cuantitativos, se pueden considerar tambin como datos discretos y
datos continuos.
21
19/147
ESTADSTICA APLICADA
PRCTICA N 2
1. Puede ordenar a las personas por su estado civil: soltero (a), casado
(a), viudo (a), divorciado "(a)? Justifique su respuesta.
2. En una carrera de caballos, Saltarn lleg primero, Pintado, segundo y
Ronco, tercero. Puede encontrar la distancia entre los caballos?
Justifique su respuesta.
3. Clasifique las siguientes caractersticas, en variables cualitativas,
cuantitativas continuas y discretas.
a. Consumo de corriente (kw) mensual en un ao.
b. El nmero de tornillos de cada caja producidos en un mes.
c. Estado civil, opinin pblica, lugar de nacimiento de las personas que
viven en el Callao.
d. Marca y pas de procedencia de los automviles vendidos durante el
ao en el Per.
4. Si los nicos valores posibles para una variable X son: , 1/3, 1/4,,
entonces X es una variable continua.
5. En cada aparato que produce una empresa de equipos elctricos se
incluye una pliza de garanta para el cliente. Adems de validar la
garanta y proporcionar a la compaa el nombre y domicilio del cliente,
la pliza pide otra informaci6n complementaria que se emplea en los
estudios de mercado. Para cada uno de los blancos numerados de la
pliza, determine las caractersticas ms probables de las categoras
que utilizar la compaa para registrar la informacin. En particular:
a. Sern cuantitativas o cualitativas?
b. Contnuas o discretas?
Nombre
Estado civil
Domicilio
Dnde se compr el equipo?

4
Ciudad
Estado
Cdigo postal
1
Edad
Ingreso anual
22
Por qu se compr el equipo?

2
20/147
ESTADSTICA APLICADA
6. Cul de los siguientes enunciados representa el esquema ms exacto

para clasificar datos?
a. Mtodos cuantitativos.
b. Mtodos cualitativos.
c. Una combinacin de mtodos cuantitativos y cualitativos.
d. El esquema se determina slo mediante la informacin concreta
sobre la situacin.
7. Para cada uno de los siguientes enunciados, identifique la unidad
estadstica:
a. El alcalde de una ciudad desea estimar el porcentaje de votantes en
su distrito que estar a favor de la aprobacin de una ley municipal.
b. Una cadena de supermercados desea conocer la opinin de sus
empleados acerca de un plan de seguro mdico patrocinado por la
compaa.
c. Un ejecutivo de mercadotecnia de una compaa desea hacer una
encuesta entre los compradores para determinar su actitud hacia
una nueva lnea de productos.
8. En los siguientes enunciados identifique usted: la poblacin, la

muestra, la variable, el tipo de variable, la unidad estadstica, el
parmetro y d una observacin.
a. Se va a realizar un estudio de la cantidad de azcar vendida por
semana, en un supermercado de cierto sector de Lima, para el ao
1990; para lo cual se utilizar el promedio de ventas de ese ao, los
registros se hacen en kgs. por semana.
b. Una firma industrial, comprometida en la produccin de aceros,
produce tornillos para los cuales existen estrechos mrgenes de
tolerancia con respecto a la anchura, se selecciona un nmero de
tornillos de la produccin diaria y se mide cuidadosamente.
23
21/147
ESTADSTICA APLICADA
INTRODUCCIN A LA ESTADSTICA APLICADA A PROCESOS PARA
MEJORAMIENTO DE LA CALIDAD
En los das de Taylor, todas las plantas, salvo algunas excepciones, tenan
un departamento de inspeccin. La funcin de ste consista en eliminar
los materiales inaceptables del proceso de produccin, desde el material
de entrada hasta el producto acabado. En aquella poca el muestreo
estadstico era eminentemente desconocido en la manufactura, por lo que
con frecuencia se escogan puntos clave del proceso en los cuales se
realizaba 100% de la inspeccin.
Como a los empleados se les pagaba a menudo con base en el nmero de
unidades buenas producidas y se evaluaba a los gerentes de produccin
segn el nmero de unidades embarcadas, tradicionalmente los
empleados y gerentes de los departamentos de inspeccin vivan en
ambientes que solan ser poco amistosos y a veces hostiles.
El control de calidad como una subdisciplina de la ingeniera industrial
tiene dos componentes bsicos. Un componente implica el uso tcnico de
estadsticas aplicadas y se le conoce como control estadstico de calidad
(SQC) o control estadstico de proceso (SPC). El otro componente implica
el desarrollo y la administracin cotidiana de una base programtica y
administrativa para el logro de objetivos de control de calidad en una
organizacin.
Corno se dijo antes, ningn curso en un programa de estudios tpico de
ingeniera industrial es ms importante que un curso en probabilidad y
estadstica. Esto es especialmente cierto en el rea de control estadstico
de calidad. El control estadstico de calidad, en trminos de contenido
tcnico, es sencillamente la aplicacin de la estadstica y la teora de
muestreo en un ambiente industrial o productivo.
Con toda la importancia que tienen la probabilidad y la estadstica para la
educacin de un ingeniero industrial, en este texto no se intentar
describir el contenido de tales cursos. Damos por sentado que un curso en
estadstica es un requisito esencial para el estudio del control estadstico
de la calidad.
Control estadstico de procesos: grficas X y R
Probablemente la tcnica ms conocida, y tal vez la ms antigua, en el
control estadstico de calidad (SQC) sea la grfica de X y R. Fue
desarrollada originalmente por Shewhart [14] en la dcada de los veinte.
La grfica se usa cuando la meta consiste en mantener control estadstico
de una variable aislada de inters (por ejemplo, una dimensin para un
componente o armado).
En la figura 1 se describe una operacin de corte sobre un torno, con la
dimensin A de inters. La operacin podra ejecutarse, por ejemplo,
como preparacin para cortar roscas para unir dos tubos en un campo
petrolero (por ejemplo, en el oeste de Texas).
24
22/147
ESTADSTICA APLICADA
Dimetro externo
a final deseado
Dimetro inicial
de la varilla
Mquina
tornilladora
Movimiento
de la herramienta
Fig. 1 Dimetro externo final A en mquina
tornilladora.
Aqu se corta
la pieza
En la tabla 1 se proporcionan las medidas del campo, hasta la centsima

de pulgada ms prxima, para los primeros 48 cortes de tubos.
Obsrvese que las mediciones se han dividido en muestras del tamao
cuatro. Como se explica en otra parte de este libro, la razn para hacer
esto consiste en aprovechar el teorema del lmite central, que
bsicamente dice que cuando usted grafica las medias de las muestras de
una distribucin desconocida pero esencialmente unimodal de valores
individuales, las medias tendrn una distribucin relativamente normal, es
decir, una distribucin gaussiana. (No es verdad, como un estudiante
graduado de matemticas enunci durante un examen oral despus de no
haber logrado recordar la palabra Gauss, que el creador original de la
distribucin normal se llamara Sir George Normal. Fue una respuesta
totalmente errnea, pero tan ingeniosa y humorstica que el alumno
sobrevivi.)
Al revisar los clculos para los lmites de control superior e inferior tanto
para la media como para el rango en la tabla 1, se observar que los
productos de los valores de factor y el rango de la muestra calculado
pueden usarse para determinar estos lmites.
Nmero de muestra
1
2
3
4
Total
X
Valor alto
Valor bajo
Rango
3.50
3.50
3.60
3.50
3.60
3.50
3.50
3.60
3.60
3.70
3.50
3.60
3.60
3.70
3.60
3.60
3.50
3.50
3.60
3.60
3.70
3.80
3.90
3.90
3.70
4.00
4.20
4.10
14.1
3.525
3.60
3.50
0.10
14.3
14.4
3.55
3.60
3.50
0.10
14.5
3.60
3.60
3.50
0.20
3.625
3.60
3.50
0.10
14.2
3.55
3.60
3.50
0.10
15.3
3.55
3.60
3.50
0.10
16.0
4.0
3.60
3.50
0.50
8
4.00
4.40
4.50
4.20
17.1
4.275
3.60
3.50
0.50
10
11
12
4.50
4.60
4.20
4.10
3.50
3.60
3.60
3.60
3.70
3.70
3.60
3.60
3.70
3.60
3.80
3.80
17.4
4.35
3.60
3.50
0.50
14.2
4.55
3.60
3.50
0.10
14.6
4.65
3.60
3.50
0.10
14.9
4.725
3.50
3.50
0.20
Tabla 1. Datos y clculos de X y R para la dimensin A
X=
R=
LCSX =
LClX =
LCSR =
LClR =
Xi l n = 45.225/12 = 3.769
Ri l n = 2.7/12 = 0.225
X + A2R = 3.769 + 0.73(0.225) = 3.93
X - A2R = 3.769 - 0.73(0.225) = 3.60
D4R = 2.28(0.225) = 0.51
D3R = 0(0.225) = 0
25
23/147
ESTADSTICA APLICADA
Los valores para estos factores, para varios tamaos de muestra, se dan
en la tabla 2.
Tamao de la muestra
A2
2
3
4
5
6
1.88
1.02
0.73
0.58
0.48
D3
D4
0
0
0
0
0
3.27
2.57
2.28
2.11
2.00
Tabla 2. Factores para determinar lmites de control superior e inferior para grficas
X y R a partir de R
Al analizar las medias graficadas para los valores del dimetro A para las
primeras 48 piezas cortadas (Fig. 2) resulta evidente que este proceso
parece estar "fuera de control", lo cual significa que demasiados (es decir,
ms de 1 en 100) valores de medias de la muestra caen fuera de los lmites
de control. Esto sugiere que hay una causa especial subyacente para el
grado desplegado de variabilidad de la media de la muestra. La sospecha
aqu es que algo est mal en la forma como se realiza esta operacin.
La habilidad subyacente de la operacin de corte para mantener las
dimensiones del valor del dimetro es muy superior a la informada en los
valores de la media de la muestra. Se deben considerar numerosas
preguntas acerca del proceso. Por ejemplo, el carrusel en el tomo
sostiene firmemente a la pieza? No tiene punta la herramienta y causa
por tanto un corte disparejo que desequilibra el dimetro para alguna
porcin del tubo? Hay inconsistencia del material a lo largo del tubo?
Torno
3058
Departamento
No. de parte
Operacin
Gran media
Rango medio
Cortar dimetro
=
3.768750
LCl x Barra
3.604725
0.225000
LCS Rango
0.513000
x Grfica de barra
Nombre de la pieza
Mquina
Variable
LCS x Barra
=
eje
Browne & Sharpe
dimetro
3.932775
4.35
4.185
4.02
UCLx
3.855
MEDIAx
3.69
LCLx
3.525
GRFICA R
0.513
UCLr
0.38475
0.2565
MEDIAr
0.12825
0.00
Fig. 2 Medidas graficadas para los valores de dimetro A
26
24/147
ESTADSTICA APLICADA
Considrese otro ejemplo, que se muestra en la tabla 3, acerca del
dimetro de paso de roscas en guarniciones de aviones.
Tabla 3 Dimetro de pasos de roscas en guarniciones de aviones
Mediciones del dimetro de paso de roscas en guarniciones de aviones.
Los valores se expresan en unidades de 0.0001 pulgadas en exceso de 0.4000
pulgadas. La dimensin se especifica como 0.4037 +
- 0.0013 pulgadas
Nmero de
la muestra
Medicin sobre cada tem

de cinco tems por hora
Promedio
X
Rango
R
1
2
3
4
5
36
31
30
32
32
35
31
30
33
34
34
34
32
33
37
33
32
30
32
37
32
30
32
35
35
34.0
31.6
30.8
33.0
35.0
4
4
2
3
5
6
7
8
9
10
32
33
23
43
36
32
33
33
36
35
31
36
36
35
36
33
32
35
24
41
33
31
36
31
41
32.2
33.0
32.6
33.8
37.8
2
5
13
19
6
11
12
13
14
15
34
36
36
36
30
38
38
40
35
37
35
39
35
37
33
34
39
26
34
34
38
40
33
33
35
35.8
38.4
34.0
35.0
33.8
4
4
14
4
7
16
17
18
19
20
28
33
27
35
33
31
30
28
36
35
33
34
29
29
35
33
33
27
27
39
33
35
30
32
36
31.6
33.0
28.2
31.8
35.6
5
5
3
9
6
Totales
...
...
...
...
...
671.0
124
La figura 3 ilustra valores para miembros individuales de dimetros

muestreados en relacin con la dimensin nominal del componente y los
lmites de tolerancia superior e inferior. De las 20 muestras de 5 lecturas
cada una (es decir, 100 dimetros individuales medidos), slo un dimetro
en la muestra 8 (es decir, 0.4023 pulgadas), cae fuera de los lmites de
tolerancia. Est el proceso en control? Eso depende de qu significa
control.
La figura 4 ilustra grficas de control X y R para las 20 muestras. Los
lmites de grfica de control, superior e inferior, se determinan estadstica
mente de tal modo que slo debera haber una probabilidad en 100 de que
una media de la muestra caer fuera de estos lmites. Obsrvese que tres
medias de la muestra estn fuera de los lmites para X y que un rango de la
muestra est fuera de los lmites para R, lo cual sugiere que hay causas
especiales que explican el hecho de tener tantas muestras que caen fuera
de los lmites.
En otras palabras, probablemente est sucediendo algo que no debera.
En el lenguaje de control de calidad, el proceso no est en control.
Recurdese que 99 de las 100 partes medidas caen dentro de los lmites
de tolerancia (es decir, son aceptables).
27
25/147
ESTADSTICA APLICADA
Lmite de tolerancia superior
Mediciones individuales (pulgadas)
0.4050
0.4040
Dimensin nominal
= 0.4037
0.4030
Lmite de
tolerancia inferior
0.4020
0
10
Nmero de muestra
15
20
Fig. 3 Mediciones individuales de dimetro
0.4040
X promedio (pulgadas)
Lmite de control superior
0.4030
Lmite de control inferior
0.4020
5
10
15
20
Nmero de muestra
0.0020
Rango R (pulgadas)
Lmite de control superior

X
0.0010
X
X
X
X
X
X
X
X
X
X
X
X
X
Lmite de control inferior
0
5
10
15
20
Nmero de muestra
Fig. 4 Grficas de control X y R para dimetro de avance
28
26/147
ESTADSTICA APLICADA
Dicho de modo sencillo, el rango de aceptabilidad de la dimensin de la
parte, en trminos de uso, es tan amplio que aun cuando el proceso est
"fuera de control" todava es capaz de producir partes aceptables (99 de
cada 100 veces). Con un mejor control del proceso (recuerde: hay razn
para creer que algo puede estar produciendo una variabilidad indebida)
este proceso tendra una mayor capacidad para producir la parte con
xito.
Un ajuste comn para un proceso basado en la informacin de tales
grficas consiste en alterar la frecuencia y el grado de centrado o
posicionamiento del proceso (por ejemplo, volverlo a montar tan cerca de
0.4037 pulgadas como sea posible, con la frecuencia que sea necesaria,
si se est desviando de la posicin central; o desplazarlo hacia abajo
dentro del rango aceptable conforme la herramienta se desgasta).
La razn para graficar medias de las muestras en vez de valores
individuales se remonta a las propiedades deseables del teorema del
lmite central, que se examinar. Baste decir que la determinacin confiable
de los lmites de control depende de la suposicin de que las medias de las
muestras se distribuyen de modo normal, independientemente de la
distribucin de los valores individuales de los cuales se obtuvieron las
muestras.
Las grficas X y R se han usado en el control estadstico de calidad desde
que Shewhart [14] present estos conceptos, a comienzos de los aos
veinte. Durante medio siglo y hasta la dcada de los ochenta, el control
estadstico de calidad se desarroll hasta incluir una considerable
diversidad de tcnicas estadsticas para el manejo de problemas de
calidad de productos manufacturados. Encontrar la fuente de problemas
de calidad fue una parte de la historia, pero generalmente se supona que
tales problemas en el proceso de fabricacin podran resolverse una vez
que se descubrieran.
El uso de grficas X y R y de otros enfoques estadsticos relacionados
para encontrar las causas de problemas de calidad en el piso de
produccin fue, desafortunadamente, un caso de "demasiado poco,
demasiado tarde".
Hay que resaltar un punto importante. Mucho ms importantes que las
formulaciones matemticas ms complejas que podamos concebir, o los
clculos que podamos realizar (hazaas con las cuales los estudiantes se
han asociado ntimamente durante sus estudios de ingeniera), son los
principios, conceptos o premisas orientadoras que se encuentran en el
meollo de la prctica de una profesin. El control de calidad como se
practic desde 1920 hasta 1980 tena una base estadstica muy alta, si no
en la prctica, al menos en teora.
En retrospectiva, hoy da es claro que aunque se logr mucho, se podra
haber logrado mucho ms con una mejor comprensin de la verdadera
fuente subyacente de problemas de calidad en la industria. Una revisin
de las definiciones deducidas de la calidad brinda cierta comprensin de
este cambio gradual en el enfoque para hacer frente ms exitosamente al
reto de mejorar la calidad en el futuro.
29
27/147
ESTADSTICA APLICADA
CALIDAD TOTAL
Filosofia basica de la calidad
1.1 Introduccion
Estamos prcticamente en la mitad del ltimo lustro del siglo XX y los
tiempos que corren son ciertamente cada vez ms difciles para toda
organizacin, a medida que nos aproximamos al tercer milenio, debido al
proceso de cambio acelerado y de competitividad global que vive el
mundo, donde la liberalizacin de las economas y la libre competencia
vienen a caracterizar el entorno de inexorable convivencia para el sector
empresarial.
En este contexto las empresas tienen que continuar asumiendo el
protagonismo que les corresponde para contribuir al crecimiento y
desarrollo del pas, logrando mayor eficiencia y brindando productos y
servicios de calidad. Hoy ms que nunca parece existir un amplsimo
consenso respecto de la urgente necesidad de que las empresas
funcionen bien competitivamente.
Hasta hace unos aos el sistema proteccionista en nuestro pas, como en
otros pases de Latinoamrica, haba impedido valorar las duras
condiciones de la competencia internacional y los mayores niveles de
exigencia de los clientes y consumidores, quienes exigen mayor calidad
en los productos, oportunidad en las entregas, precios razonables y
excelencia en la atencin. La cruda realidad iniciada en los anos ochenta y
los efectos de la globalizacin de los aos 90, esta despertando
bruscamente a todas las organizaciones y las obliga a buscar
afanosamente nuevas estrategias para adaptarse con xito a la creciente
competencia.
Es precisamente en este entorno en el que la Calidad Total se proyecta
vigorosa y revolucionariamente como un nuevo sistema de gestin
empresarial y factor de primer orden para la competitividad de las
empresas. El concepto de calidad, tradicionalmente relacionado con la
calidad del producto, se identifica ahora como aplicable a toda la actividad
empresarial y a todo tipo de organizacin.
Las empresas exitosas en el Per y el mundo son aquellas que vienen
aplicando de una u otra forma la estrategia de la Calidad Total; y muchas
otras con base a esta estrategia estan cambiando su forma de pensar y
por tanto de actuar; de hecho estan rediseando toda la organizacin
tanto en el aspecto fsico como espiritual prara enfocarla hacia los
clientes, y hacerla eficiente para cumplirles y satisfacerles.
Muchas de nuestras empresas, si bien reconocen la importancia de la
calidad, no se encuentran suficientemente preparadas para aceptar los
nuevos retos que trae consigo y para poner en prctica sus principios y
tcnicas. Tal vez uno de los principales inconvenientes sea el de carecer
de una metologa prctica que les sirva de soporte.
En la sesin correspondiente a esta primera jornada de trabajo
presentaremos un repaso de los conceptos generales y de los principios
en que se sustenta la filosofa de la Calidad Total.
30
28/147
ESTADSTICA APLICADA
Esperamos que el discurso inicial complementado con el instrumental
teorico-practico de las siguientes jornadas habra de orientar en la manera
de pensar del lector, y que en la medida que este discurso penetre en su
mente se hara posible la aplicacion a su realidad concreta, o coadyuvara a
encaminar procesos de calidad total ya iniciados.
1.2 Concepto y evolucion de la calidad
Concepto:
Una condicion indispensable para asegurar la implantacin de una
estrategia de Calidad Total consiste en definir y entender con claridad lo
que significa este concepto.
Es decir, los directivos de una organizacin que se proponen implantar la
Calidad Total como estrategia para competir tienen que saber
exactamente lo que quieren decir cuando hablan de calidad, o de mejorar
la calidad del producto o servicio, tienen que saber como dividir la calidad
global de proyectos de mejora manejables y como medir la calidad del
producto.
En la prctica, como lo refiere Ricchard J. Schonberger, uno de los
expertos en esta materia, "... la calidad es como el arte. Todos la alaban,
todos la reconocen cuando la ven, pero cada uno tiene su propia definicin
de lo que es".
Los diccionarios, nos brindan una primera base para la formacin de este
marco teorico. Una de las definiciones que encontramos en el Pequeo
Larouse Ilustrado nos dice que Calidad es la cualidad de una cosa. Otra
acepcin recogida del diccionario es que calidad significa una manera de
ser de una persona o cosa.
En estas definiciones implicitamente se esta concibiendo a la calidad
como un atributo, propiedad o caracter stica que distingue a las personas,
a bienes y a servicios, lo cual resulta ya una interesante aproximacin al
concepto de calidad aplicado a las organizaciones.
El organismo internacional de normalizacion, ISO, en su norma 8402, ha
definido a la calidad como la totalidad de caractersticas de una entidad
que le confiere la capacidad para satisfacer necesidades explicitas e
implicitas.
La norma precisa que entidad es una organizacin, llamese empresa o
institucin, producto o proceso. Complementando esta definicin,
diremos que las necesidades explicitas se definen mediante una relacin
contractual entre Clientes y Proveedores; mientras las necesidades
implcitas se definen segn las condiciones que imperan en el mercado.
Los elementos que conforman las necesidaes son basicamente: la
seguridad, la disponibilidad, la mantenibilidad, la confiabilidad, la facilidad
de uso, la economa (precio) y el ambiente. Estas necesidades, excepto el
precio, se definen traduciendo aspectos y caractersticas necesarios para
la fabricacin de un buen producto.
31
29/147
ESTADSTICA APLICADA
Evolucin de la Calidad
De manera general, puede decirse que el concepto de calidad y su
aplicacin, hasta llegar al estado actual, ha tenido la siguiente evolucin:
a) Control de calidad enfocada hacia los productos terminados.
b) Control Estadstico de procesos.
c) Control Total de Calidad o Calidad Total.
La primera etapa iniciada con la revolucin industrial consisti en la
inspeccin a los productos terminados, clasificndolos como aprobados o
rechazados. Estos ltimos deban ser sometidos a un reprocesamiento en
caso de ser posible o simplemente eliminados.
En esta concepcin tradicional, la calidad normalmente se asocia con una
cadena de produccin y a menudo se ve como competidora de otras
prioridades empresariales como la reduccin de costos y de la
productividad. Para aumentar la productividad se tena que sacrificar la
calidad.
Otro problema con este concepto tradicional de la calidad es el de
centrarse en la correccin de errores despus de hechos; esta filosofa de
comprobar y arreglar despus no slo permite la existencia de errores sino
que adems los incorpora al sistema. Nuestra experiencia como Clientes
es que demasiadas veces terminamos comprando los errores que resulta
de comprobar y arreglar luego. Muchas veces existen ms posibilidades
de comprar bienes y servicios defectuosos que perfectos. Pero si eso nos
pasa a nosotros como Clientes, la pregunta es Que dirn los nuestros?.
El ltimo problema de este enfoque, es que resulta muy caro arreglar las
cosas que han salido mal. Pues cuanto ms se intenta mejorar con la
calidad tradicional mas caro resulta. La calidad tradicional es algo
impreciso, todos pensamos en ella de formas distintas, ocupa un lugar
secundario ante otros objetivos como la productividad. No slo permite
errores sino, que los incorpora al sistema a travs de la filosofa de
comprobar y arreglar luego. Esta forma de hacer las cosas cuesta a las
empresa muchsimo dinero y les hace perder Clientes.
La segunda etapa, iniciada en la primera mitad de este siglo, consisti en
el desarrollo y aplicacin de tcnicas estadsticas para disminuir los
costos de inspeccin. Con este enfoque se logro extender el concepto de
calidad a todo el proceso de produccin, logrndose mejoras significativas
en terminos de calidad, reduccin de costos y de productividad. Las
ventajas que ofreca el Control Estadstico permiti ampliar su aplicacin a
otras areas de la organizacion; sin embargo se advirtio que si bien este
metodo mejoraba tremendamente los resultados de la empresa resultaba
insuficiente para enfrentar la creciente competitividad.
Es as como nace el Control Total de Calidad y la idea del Mejoramiento
Contnuo, como una manera de tener xito en el viaje hacia la excelencia,
es decir para lograr la Calidad Total.
32
30/147
ESTADSTICA APLICADA
Este concepto naci en la decada de los cincuenta en los Estados Unidos,
pero fue en Japn donde se desarrolla y aplica a plenitud, introduciendose
importantes y novedosos conceptos tales como :
La calidad significa satisfaccin de las necesidades y expectativas
del cliente.
La concepcin de clentes internos y clientes externos.
La responsabilidad de la direccin en la calidad.
La calidad no solo debe buscarse en el producto sino en todas las
funciones de la organizacin.
La participacin del personal en el mejoramiento permanente de la
calidad.
La aplicacin de principios y herramientas para el mejoramiento
contnuo de los productos y servicios.
1.3 Comprension del significado de la calidad total
El concepto de Calidad Total, originado a partir del concepto ampliado de
control de calidad (Control Total de Calidad), y que el Japn ha hecho de el
uno de los pilares de su renacimiento industrial, ha permitido uniformizar el
concepto de calidad definiendola en funcin del cliente y evitando asi
diversidad de puntos de vista como sucedia en la concepcin tradicional.
Es as pues como la Calidad se hace total.
La Calidad es total porque comprende todos y cada uno, de los aspectos
de la organizacin, porque involucra y compromete a todas y cada una de
las personas de la organizacin. La calidad tradicional trataba de arreglar
la calidad despus de cometer errores. Pero la Calidad Total se centra en
conseguir que las cosas se hagan bien a la primera . La calidad se
incorpora al sistema. No es ocurrencia tarda y los llamados niveles de
calidad aceptables se vuelven cada dia ms inaceptables.
Complementando lo ya mencionado, debemos decir que la Calidad Total
es reunir los requisitos convenidos con el cliente y superarlos, ahora y en
el futuro, debemos partir por ser exactos con los requisitos o
especificaciones. Con esta concepcin de Calidad Total se supera la
imprecisin del pasado, no solo tiende a ser exacta sino adems medible.
Otro cambio que se obtiene como resultado de esta concepcin es la
palabra Cliente.
Los clientes ya no son slo los Usuarios ltimos de los bienes y servicios
que vendemos, ahora el termino se amplia para incluir la idea de Cliente
Interno, las personas de la organizacin a quienes pasamos nuestro
trabajo. Con este concepto obviamente todo el mundo en la organizacin
se convierte en cliente de alguien; es mas adquiere un caracter dual de ser
Cliente y Proveedor a la vez.
Tal vez para entender mejor el concepto de Calidad Total conviene
comenzar diciendo que el objetivo de toda organizacin, grupo de trabajo,
area o puesto de trabajo o inclusive el individuo, es generar un producto o
servicio que va a recibir otra organizacin, otra area u otro individuo, a
quien denominamos, tambin llamado Usuario o Consumidor.
33
31/147
ESTADSTICA APLICADA
Algunos prefieren llamar Cliente cuando se trata de un producto tangible
como por ejemplo un automvil y Usuario cuando se trata de un servicio,
como por ejemplo la salud o el servicio de reparaciones. En nuestro caso
denominaremos Cliente, sea que se trate de producto o servicio.
Conviene precisar que el termino producto se refiere al resultado que se
obtiene de un proceso o de una actividad. Por consiguiente, en terminos
generales, este resultado puede ser un producto tangible (por ejemplo,
materiales ensamblados o procesados), o intangible (por ejemplo,
conocimientos o conceptos) o una combinacin de estos; producto es el
trabajo realizado por un puesto o estacin de trabajo. Tambin es producto
el resultado de una asesora, o un servicio educativo, etc., en general de
todas aquellas actividades donde el resultado obtenido no se percibe
como un producto tangible.
Sin embargo, para los fines de la Calidad Total se ha definido al termino
servicio como el resultado generado por actividades en la interfaz entre el
proveedor y el cliente y por actividades internas del proveedor, con el fin de
conocer las necesidades del cliente.
Veamos por ejemplo, en el caso de la Compna Toyota la satisfaccin del
cliente se clasifica en dos aspectos: producto y servicio. Cuando se
refieren al producto quieren significar: calidad, costo razonable y
oportunidad en la entrega. Por otro lado, el servicio para esta empresa
significa la comunicacin y el contacto permanente con el cliente, as como
la atencin, que puede desarrollarse incluso a tal vez de actividades
recreativas destinadas a los clientes; asi mismo forma parte del servicio el
mantener todas las mercancias en contacto con el cliente, el seguimiento
postventa para verificar el grado de satisfaccin con el producto, y todo el
conjunto de interrelaciones o actividades para captar la voz del cliente y
satisfacerlo mejor.
Otras companas incluyen como parte del servicio el denominado "servicio
pre-venta" destinado a hacer conocer las bondades del producto y la
imagen de la empresa a personas que no son clientes, que talvez podrian
serlo, pero no necesariamente.
Desde el punto de vista de la Calidad Total y aceptando las ideas
expuestas en el parrafo anterior los conceptos de producto y servicio no
estan separados, o bien el producto incluye al servicio, o ambos aspectos
(producto y servicio) deben planificarse separada y simultneamente para
lograr satisfacer mejor las necesidades y expectativas del cliente.
De una manera sencilla podemos decir que en la expresion Calidad Total,
el trmino Calidad significa que el Producto o Servicio debe estar al nivel
de satisfacci&onacute; del cliente; y el trmino Total que dicha calidad es
lograda con la participacin de todos los miembros de la organizacin. La
Calidad total comporta una serie de innovaciones en el area de gestin
empresarial que se ha difundido por todos los pases de Europa y Amrica,
aplicndose no slo a las actividades manufactureras sino en el sector de
servicios y en la Administracin pblica.
34
32/147
ESTADSTICA APLICADA
Hoy en da, en el Per, son muchas las organizaciones que vienen
aplicando con exito esta nueva estrategia.
La Calidad Total significa un cambio de paradigmas en la manera de
concebir y gestionar una organizacin. Uno de estos paradigmas
fundamentales y que constituye su razon de ser es el perfeccionamiento
constante o mejoramiento continuo. La Calidad Total comienza
comprendiendo las necesidades y expectativas del cliente para luego
satisfacerlas y superarlas.
1.4 Importancia estrategica de la calidad total
La Calidad total es una estrategia que busca garantizar, a largo plazo, la
supervivencia, el crecimiento y la rentabilidad de una organizacin
optimizando su competitividad, mediante: el aseguramiento permanente
de la satisfaccin de los clientes y la eliminacin de todo tipo de
desperdicios. Esto se logra con la participacin activa de todo el personal ,
bajo nuevos estilos de liderazgo; siendo la estrategia que bien aplicada,
responde a la necesidad de transformar los productos, servicios, procesos
estructuras y cultura de las empresas, para asegurar su futuro.
Para ser competitiva a largo plazo y lograr la sobrevivencia, una empresa
necesitar prepararse con un enfoque global, es decir, en los mercados
internacionales y no tan slo en mercados regionales o nacionales. Pues
ser excelente en el mbito local ya no es suficiente; para sobrevivir en el
mundo competitivo actual es necesario serlo en el escenario mundial.
Para adoptar con xito esta estrategia es necesario que la organizacin
ponga en prctica un proceso de mejoramiento permanente. Los aspectos
esenciales para la aplicacin de este proceso se expondrn en la segunda
sesin.
1.5 La calidad total como un nuevo sistema de gestion empresarial
La Calidad Total, constituye un nuevo sistema de gestin empresarial , en
la medidad que sus conceptos modifican radicalmente los elementos
caractersticos del sistema tradicionalmente utilizado en los pases de
occidente. Entre ellos se cuentan:
Los valores y las prioridades que orientan la gestin de la empresa.
Los planteamientos lgicos que prevalecen en la gestin de la
actividad empresarial.
Las caractersticas de los principales procesos de gestin y decisin.
Las tcnicas y metodologas aplicadas.
El clima entendido como el conjunto de las percepciones que las
personas tienen sobre relaciones, poltica de personal, ambiente, etc.
El nuevo enfoque de calidad requiere una renovacion total de la
mentalidad de las personas y por tanto una nueva cultura empresarial; ya
que entre otros aspectos se tiene que poner en prctica una gestin
participativa y una revalorizacion del personal no aplicada en los modos
de administracin tradicional.
35
33/147
ESTADSTICA APLICADA
1.6 Reflexiones para el lector
Con el objeto de ayudar al lector a identificar oportunidades de
mejoramiento, presentamos a continuacin un conjunto de reflexiones
que consideramos importantes, las mismas que hemos adaptado del libro
de Jaime Rojas referido a la aplicacin de la Calidad Total.
Est su organizacin preparada para satisfacer a los clientes frente a
los mejores competidores?
Los productos y servicios que ofrece responden a las verdaderas
necesidades y expectativas de los clientes?
Esta usted eliminando todo tipo de despilfarros para tener costos
competitivos y una adecuada rentabilidad?
El tiempo de sus ciclos de desarrollo de desarrollo de nuevos
productos o servicios y los de operacin, entrega y postventa es
adecuado?
Esta su personal altamente motivado y participa activamente en el
mejoramiento de los procesos ?
Ha logrado desarrollar proveedores confiables?
Qu tan lejos esta actualmente de la Calidad Total?
El proceso de mejoramiento hacia la calidad total
2.1 Principios basicos para el logro de la calidad total
1. La calidad es la clave para lograr competitividad.
Con una buena calidad es posible captar un mercado y mantenerse en
l.
2. La calidad la determina el cliente.
Es el cliente quien califica la calidad del producto o servicio que se
ofrece; de all que la calidad no debe ser tomada en su valor absoluto o
cientfico, sino que es un valor relativo, en funcin del cliente.
Es necesario identificar con precisin las cambiantes necesidades y
expectativas de los clientes y su grado de satisfaccin con los
productos y servicios de la empresa y los de la competencia.
Tenga presente que las expectativas de los clientes estn dadas en
trminos de calidad del producto o servicio, oportunidad de entrega,
calidad de la atencin, costos razonables y seguridad. No te preguntes
a ti mismo sobre la calidad del producto o servicio que ofreces,
pregntaselo a tu cliente, es el quien dice que hacer, como o para
cuando.
No se puede forzar al Cliente a comprar el producto que nosotros
queremos al precio que queremos. Una organizacin mejora hacia la
Calidad Total cuando los clientes externos e internos sienten que se
esta cumpliendo consistentemente con sus requerimientos de calidad,
oportunidad, costo y servicio.
36
34/147
ESTADSTICA APLICADA
3. El proceso de produccion esta en toda la organizacion.
Proceso de produccin no es toda la lnea de produccin propiamente
dicha, sino toda la empresa.
Los que hacen bien su trabajo lubrican el proceso, los que lo hacen mal
crean cuellos de botella en el proceso.
4. La calidad de los productos y servicios es resultado de la calidad
de los procesos
5. El proveedor es parte de nuestro proceso.
En el proveedor se inicia la calidad, el es parte de nuestro proceso,
debe ser considerado como parte de la organizacin.
La calidad se inicia en la demanda ( de nuestros clientes ) y culminar
con su satisfaccin, pero el proceso de elaboracin se inicia en el
proveedor; por lo que este debe ser considerado como parte de nuestro
proceso de produccin, extendindose a el las acciones de
entrenamiento en Calidad Total.
6. Son indispensables las cadenas proveedor-clientes internos.
Cada individuo de la organizacin toma conciencia de que tiene uno o
ms clientes internos y uno o ms proveedores internos. Crendose
cadenas de proveedor- cliente dentro de la organizacin. Proveedores
internos a los que hay que mantener informados de como queremos
que nos entreguen su trabajo y sobre lo que haya que corregir.
En esta cadena que se genera por esta conciencia de proveedores
internos y de clientes internos, es tan responsable el proveedor que no
le pregunta a su cliente sobre la calidad del trabajo que entrega, como el
cliente que no le informa a su proveedor sobre algo que se le esta
entregando mal hecho.
7. La calidad es lograda por las personas y para las personas.
Esto exige, entre otras cosas, un constante programa de capacitacin y
entrenamiento.
8. Establecer la mentalidad de cero defectos.
Esto tiene el propsito de erradicar el desperdicio, en todas las formas
como se presente, eliminando las actividades que no agregan valor.
"Cero defectos" consiste en tener una actitud sistemtica hacia el noerror. Debemos el uso comn de la frase errar es humano. no se trata
de perseguir a los subalternos porque cometen errores, ya que eso
matara su iniciativa.
De lo que se trata es de despertar la conciencia de no equivocarse. Bajo
el concepto de CERO DEFECTOS desaparecern los lmites de
tolerancia, pues estos consagran el error.
37
35/147
ESTADSTICA APLICADA
La Calidad Total promueve la eliminacin de todo tipo de despilfarros
presentes en:
- Inventarios.
- Equipos no disponibles por daos o mantenimiento.
- Personal dedicado a tareas repetitivas o inoficiosas.
- Papeles y exceso de tramites.
- Exceso de informes y reuniones.
- Inventarios de trabajo en procesos entre oficinas.
- Controles internos innecesarios.
9. La ventaja competitiva esta en la reduccion de errores y en el
mejoramiento continuo.
La verdadera ventaja competitiva esta en la reduccin de errores o en
mejorar los procesos; all radica la reduccin de costos. Con el
resultado de "Menores Costos" se puede:
- Bajar precios a los clientes.
- Mejorar utilidades de la empresa.
- Mejorar el acabado del producto.
- O todas las anteriores a la vez.
10.Es imprescindible la participacion de todos (conciencia
colectiva).
Reducir errores solo ser posible con la participacin de todos y cada
uno de los miembros de la organizacin.
11. Calidad
Es ante todo una responsabilidad gerencial. los mandos directivos
deben ser lderes. capaces de involucrar y comprometer al personal en
las acciones de mejora.
12.Requiere una nueva cultura.
En el concepto de Calidad Total "todos piensan y todos hacen"
2.2Modalidades de mejoramiento
Dentro del Mejoramiento de una empresa se distinguen dos grandes
modalidades: el mejoramiento Continuo y la innovacin o Mejora
Radical.
a) Mejoramiento continuo
Son aportaciones incrementales que se logran con la participacin
de todo el personal, motivado por un reto de superacin permanente,
conocido con el nombre japons de Kaizen.
b) Innovacion o mejora radical
Se refiere a aportaciones radicales o cambios grandes realizados
espordicamente por especialistas en los respectivos temas. Un
ejemplo, de esta modalidad es llamada "Reingeniera de Procesos"
38
36/147
ESTADSTICA APLICADA
La mejora radical, compete a la Alta Direccin y se consigue con cambios
importantes e innovaciones tecnolgicas que conllevan grandes
inversiones, mientras que la mejora incremental, Kaizen, es un proceso de
renovacin continua realizado a travs de pequeos pasos que sirven
para perfeccionar los estndares existentes, estando a cargo de todos los
niveles de la empresa.
El Mejoramiento ideal es aquel que combina eficazmente la mejora
continua y la innovacin, es la mejor forma de asegurar el xito futuro de
una empresa. No obstante, debemos sealar que la aplicacin de la
Calidad Total significa un cambio radical en la mentalidad de las personas,
y la concepcin holstica de la organizacin y de los procesos de mejora
que caracteriza a este enfoque, tiene un papel fundamental con fines
innovadores; pues, no slo favorece la capacidad innovadora, sino que se
descubre donde es necesario innovar, porque la labor de optimizacin ha
llegado a su lmite.
De esta manera, la calidad Total es determinante para la innovacin que
tambin se hace global, arraigndose a la empresa con el ingrediente
adicional de la participacin.
2.3 El ciclo de control para el mejoramiento
El mejoramiento y aseguramiento de la calidad se basa en el Ciclo de
Control, que se compone de las siguientes cuatro fases:
PLANEAR: Actividad que determina que es lo que se debera hacer,
cual es la meta y como se puede alcanzar.
HACER: Significa transformar los procesos actuales con el fin de
mejorar su desempeo, de acuerdo a lo planeado.
VERIFICAR: Determina el grado de cumpliendo de las actividades
planeadas y metas de desempeo.
HACER: Significa realizar los ajustes a los nuevos procedimientos y
estandarizarlos, con el fin de garantizar que siempre se apliquen.
La ejecucin continuada del Ciclo de Control garantiza el mejoramiento
permanente del desempeo de los procesos de la organizacin.
2.4 Actividades para iniciar un proceso hacia la calidad total
Para la implantacin de la Calidad Total no existe un modelo que
pueda copiarse. En principio cada organizacin tiene que disear una
metodologa de acuerdo a su propia realidad.
Como parte de todo proceso de mejoramiento hacia la Calidad Total
se incluyen acciones como: el desarrollo de las actividades de
liderazgo y el compromiso de los mas altos directivos de la
organizacin, el desarrollo del personal, el enfoque a los clientes, el
desarrollo de los proveedores, la planificacin de la calidad,
mejoramiento del trabajo diario, aseguramiento de la calidad,
programa de reduccin de costos, etc.
39
37/147
ESTADSTICA APLICADA
Tomando como base las recomendaciones de los expertos en esta
materia, nuestra experiencia y la propia evidencia emprica, nos
permitimos sealar que en trminos generales para poner en prctica este
proceso es conveniente dividirlo en las fases siguientes:
FASE I: Toma de decisin
Consiste en analizar seriamente si existe la voluntad de hacer todo lo que
sea necesario para emprender y mantener adecuadamente dicho
proceso; ya que una vez iniciado no debe ser discontinuado ya que genera
desconfianza y frustracin.
Es necesario ser conscientes de los esfuerzos que llevar vencer la
resistencia al cambio. Por otro lado, los directivos tienen que dedicar
tiempo y recursos, orientar la gestin administrativa, aceptar todos los
conceptos y principios tales como: el trabajo en equipo, nuevos estilos de
liderazgo, tener un definicin clara de calidad, etc.
Esa necesario estar consciente de lo que significa emprender un proceso
hacia la Calidad Total y de los beneficios que de ello se derivan.
Tomada la decisin debe elaborarse un Plan para poner en marcha este
proceso. Este Plan debe estar integrado o formar parte del Plan
Estratgico de la organizacin. As mismo, tomada la decisin debe
definirse paralelamente al plan de desarrollo de la Calidad una
organizacin bsica que se encargar de desarrollar las acciones de
calidad. Como parte de esta organizacin se incluir un Comit de Calidad
o mas bien un Consejo de Calidad presidido por el mas alto directivo de la
organizacin. luego los Comites de Calidad por Areas y Equipos de
Mejoramiento dependiendo del tamao de la organizacin. Tambin debe
tenerse en cuenta la necesidad de contratar los servicios de un Asesor
Externo. El plan de calidad deber definir un rea piloto para iniciar los
procesos de mejora y prever igualmente acciones de reconocimiento al
personal.
FASE II: Preparacin del escenario y promocin
Para iniciar esta etapa se asume que ya se cuenta con un Plan en el que se
ha desagregado todas las acciones a desarrollar. Algunas de las acciones
que se recomienda realizar en esta etapa son: desarrollar un intenso
programa de difusin de los conceptos y filosofa de la calidad para
internalizarla en la gente como medio de lograr su involucramiento y
compromiso. Se deber elaborar la visin. misin , polticas y objetivos de
la organizacin, los cuales se difundirn entre todo el personal durante las
acciones de difusin y promocin de la calidad.
Es conveniente en esta fase efectuar un Diagnstico de calidad la
organizacin , considerando aspectos como costos de la mala calidad, el
clima organizacional, nivel de satisfaccin de los clientes, identificacin de
procesos crticos, claridad y precisin en cuanto a las fortalezas y
debilidades.
En este fase es necesario poner en marcha un vigoroso Programa de
Capacitacin y desarrollo de personal. Se ensayar el desarrollo de
proyectos a nivel piloto.
40
38/147
ESTADSTICA APLICADA
FASE III: Implantacion de procesos de mejora
En esta fase se pondr en marcha los procesos de mejoramiento con la
participacin de los equipos de mejoramiento, quienes para este
momento han sido suficientemente entrenados en tcnicas de
mejoramiento y de solucin de problemas.
Si el proceso de mejora va mostrando sus frutos, es necesario motivar al
personal con acciones de reconocimiento. En el aspecto de capacitacin
debe incluirse lo referente a la aplicacin de las normas ISO de la serie
9000.
FASE IV: Consolidacion y optimizacion interfuncional
En esta fase se continuar desarrollando los procesos de mejora y
continuar con la capacitacin en tcnicas de calidad mas avanzadas. se
desarrollar los sistemas y procedimientos con base a las normas ISO
9000. Se continuar con los procesos de mejora manteniendo y
perfeccionando la gestin estratgica.
Lo antes expuesto no tiene un carcter definitivo o absoluto, depender
del dinamismo y progreso que haya alcanzado cada organizacin. Sin
entrar en controversia con lo expuesto, una metodologa operativa que
viene siguiendo una organizacin en nuestro pas donde hemos tenido la
oportunidad de participar y brindarle asesoramiento consiste en las
siguientes acciones:
1. Toma de la decisin: Anlisis situacional; anlisis de los enfoques de
calidad en el mundo; anlisis de las experiencias y logros obtenidos
por otras organizaciones.
2. Diseo, estructuracin y aprobacin del plan de gestin de la calidad
total.
3. Implantacin, al nivel de un rea piloto.
4. Expansin a toda la organizacin.
5. Evaluacin y seguimiento.
6. Acciones correctivas, medidas de aseguramiento y continuacin de la
gestin estratgica.
7. Desarrollo de acciones de aseguramiento y auditora con fines de
acreditacin.
41
39/147
ESTADSTICA APLICADA
CONTROL DE CALIDAD
El concepto de Control de Calidad comprende dos funciones
interrelacionadas:
a) Funcin control
b) Funcin calidad
Para nuestro propsito, la funcin control comprende al menos los
siguientes elementos y actividades:
- Establecer la norma
- Medir el fenmeno
- Comparar la medida con la norma
- Analizar la importancia y caractersticas de las diferencias.
- Establecer las bases para una accin correctiva.
Por su parte la funcin calidad tiene al menos los siguientes elementos o
etapas:
- Calidad de diseo
- Calidad de produccin
- Calidad de conformidad
- Calidad certificada
- Calidad de servicio
La interrelacin de estas dos funciones constituye en su forma ms amplia
el concepto moderno de control de calidad segn se observa en la Fig. 1.
MEDIDA
DISEO
NORMA
CORRECCIN
PRODUCCIN
CONTROL
CALIDAD
ANLISIS
CONFORMIDAD
CERTIFICACIN
SERVICIO
COMPARACIN
CONTROL DE CALIDAD
Fig. 1
42
40/147
ESTADSTICA APLICADA
1. Funciones y principios de control de calidad
FUNCIONES: Se distinguen tres funciones:
* Legislativa
* Ejecutiva
* Judicial
ETIRA
La Funcin Legislativa involucra la realizacin de normas de control,

preparacin de especificaciones, etc. En una palabra, hace la ley. Es
caractersticamente la estipulacin de la calidad de diseo. Esta no es una
funcin exclusiva del Control de Calidad, pues intervienen otros
departamentos, pero jams deber realizarse un diseo sin la
intervencin del Departamento de Control de Calidad.
Dentro de la Funcin Ejecutiva se hallan todas aquellas tareas que
hacen que el proceso entregue productos de acuerdo al diseo, que se
evite la fabricacin de piezas defectuosas y se posibilite la localizacin de
fuentes de desecho, es decir, lo que llamaremos control durante el
proceso de fabricacin.
En la Funcin Judicial encontraremos el control de entrada y de salida,
es decir el juzgamiento de productos ya terminados, los cuales pueden ser
materia prima para otros sectores o fbricas.
Entonces, resumiendo, tenemos que calidad de diseo est en la funcin
legislativa y calidad del producto en la funcin ejecutiva, control dinmico
de la calidad y judicial, control esttico de la calidad.
Principios (Se refiere al control de la calidad de producto)
1. "Control no es clasificacin ni seleccin"
En efecto, la clasificacin de productos en buenos y malos es una

operacin ms de la fabricacin. Control de la Calidad debe proveer las
razones para estudiar los problemas de la calidad.
2. Con el control no puede obtenerse calidad; esta es una
caracterstica inherente al producto"
Esto es evidente; para obtener un buen nivel de calidad hay que
fabricarlo. El control no agrega calidad a los productos.
3. "El equipo productor es el responsable de la calidad y el control"
Este principio es una consecuencia del anterior, y de l se concluye que
debemos brindar al equipo productor la poderosa herramienta que es el
control durante el proceso, que lo gue para saber las medidas
correctivas que debe tomar.
43
41/147
ESTADSTICA APLICADA
4. "El control no resuelve problemas de fabricacin, slo da las

razones para estudiarlos"
TIRA
Es muy importante que el equipo productor sepa que problemas de

calidad existen y en que sentido se manifiestan para lograr un buen
nivel de calidad en la produccin.
5. Las decisiones deben tomarse sobre la base de datos reales"
La confiabilidad de los datos registrados es del punto inicial para todo

anlisis o interpretacin de resultados. Esta tarea es propia del control
de calidad y el equipo productor tomar las medidas correctivas sobre
la base de estos datos objetivos.
6. "Los datos deben ser compatibles y estar dispuestos de manera

tal, que permitan el anlisis".
Esto posibilitar el empleo de algunas herramientas estadsticas de las

cuales el control de calidad hace uso.
7. "El acuerdo entre proveedores y cliente debe hacerse sobre el

mtodo de control y solamente sobre la fraccin defectuosa de las
prdidas".
Existe lo que se denomina riesgo del comprador que, en trminos
generales, puede definirse como el riesgo de aceptar partidas con un
porcentaje de defectuosos mayor que el especificado y el riesgo del
proveedor que partidas con un porcentaje defectuosos menor que el
especificado le sean rechazadas.
Teniendo siempre presente estos principios bsicos y haciendo que
todas las partes que intervienen los comprendan, es seguro que no se
desvirtuarn los esfuerzos que realizaremos para lograr los niveles de
calidad deseados.
44
42/147
ESTADSTICA APLICADA
Control de calidad
Por qu elaborar productos de calidad? (Fig. 2)
LA CALIDAD
PORQU?
RAZONES
FINANCIERAS
EXIGENCIAS
INTERNAS
RAZONES
COMERCIALES
EXIGENCIAS
INTERNAS
RAZONES
TCNICAS
Fig. 2
La empresa debe elaborar productos de calidad por:

- Razones financieras; los defectos de calidad significan un costo muy
elevado tanto para la empresa como para el cliente.
LOS DEFECTOS DE CALIDAD
CUESTAN MUCHO
A la empresa
Al cliente
DEFECTOS DE CALIDAD =
DESPILFARRO
Tiempos de trabajo e
indisponibilidad
Materias primas y productos
fabricados Energa
EMPRESA
Aumento del precio de

ventas
Disminucin de las
utilidades
Prdida de la
competitividad
45
43/147
ESTADSTICA APLICADA
- Razones Comerciales; necesidad de ser competitivo
Cliente (Competitividad = Calidad /Precio)
A precio de venta igual
Mejor utilizacin
CLIENTES MAS
SATISFECHOS
TIRA
Mejor disponibilidad
Mejor adaptacin a sus
necesidades
Aumentar la calidad
- Exigencias externas; conformadas por asociaciones de: consumidores,

normalizacin ecologistas y los poderes pblicos.
Son debidas a:
a) Principales clientes industriales
Quienes solicitan la certificacin de la calidad demandada.
b) Sociedad de consumidores
Quienes informan mediante cuadros comparativos, las caractersticas,
rendimientos y precio de los productos. Recepcin de reclamos y
defensa del consumidor.
c) Poderes pblicos
Quienes publican las reglamentaciones referidas a la seguridad del
uso.
d) Institutos de normalizacin
nicos responsables de la conformidad de la calidad del producto.
e) Asociaciones de ecologistas
Encargados de evitar la contaminacin ambiental.
- Exigencias Internas
Mejoramiento del clima laboral de la empresa.
La desmotivacin de los trabajadores se refleja con el siguiente

comportamiento:
- Un alto nivel de ausentismo y tardanzas.
- Un alto ndice de rotacin.
- Alto ndice de accidentes.
- Mala calidad y alto ndice de desechos en los productos.
- Baja productividad.
- Una fuerza de trabajo inflexible.
- Baja moral e insatisfaccin general.
" PARA REMEDIARLO DEBE DESARROLLARSE EL ESPRITU DE

CALIDAD
46
44/147
ESTADSTICA APLICADA
A IGUAL CALIDAD
NECESIDAD
DE
DISMINUIR EL PRECIO
Disminuir los costos de:

rechazo, reparaciones,
mantenimiento y controles
Racionalizar los mtodos de
trabajo y procesos de
fabricacin
DE VENTA
Simplificar el diseo de los
productos
Fidelizar a la clientela
MANTENER O MEJORAR LA
IMAGEN DE MARCA PARA
Ampliar los mercados
- Razones Tcnicas; mejorar las propiedades y rendimiento ligados al

uso; as como, al dominio de los procedimientos de fabricacin y
control.
Para evitar las consecuencias negativas de las razones financieras y
comerciales, debemos mejorar:
Para una utilizacin ms

LOS RENDIMIENTOS
TCNICOS
econmica y mejor
adaptados al uso
Fiabilidad
LAS PROPIEDADES
LIGADAS A LA
UTILIZACIN
EL DOMINIO DE
TCNICAS
REFERENTES A
Mantenimiento
Duracin de vida
Procesos de fabricacin y
mtodos de control
47
45/147
ESTADSTICA APLICADA
NORMALIZACIN Y ESPECIFICACIONES DE CALIDAD
Introduccin a la normalizacin
En la sociedad actual crece velozmente las relaciones comerciales,
donde comparadores y vendedores requieren de mejores procesos que
permitan realizar esas transacciones con un alto de grado de confiabilidad
con respecto a la calidad de los productos que se comercializan. La
calidad no es una magnitud absoluta, esta influenciada por condiciones
subjetivas variables, que necesita tener un sistema que sirva de conexin
entre los compradores y los vendedores, para generar unas bases
tcnicas para el buen entendimiento comercial, como son la metrologa, la
normalizacin y el control de la calidad.
Es importante puntualizar las funciones que va a cumplir el bien o servicio
que se va a adquirir y as conocer la potencialidad que tiene el fabricante
para responder a las expectativas de los clientes. Esto genera la aparicin
de distintos niveles de calidad y de precios. El xito de todos estos
aspectos para asegurar las calidades esperadas radica en el hecho de un
conjunto de reglas tcnicas, reconocidas y acatadas que conforman un
sistema de normas. Este sistema de entendimiento y control se le
denomina normalizacin.
El sistema que conforma la normalizacin est integrado por una
conceptuacin, una diferenciacin y un ordenamiento de una serie de
principios y procedimientos para establecer unidades y definiciones,
mtodos de toma y conservacin de muestras, mtodos de ensayo,
adems de especificaciones cualitativas y cdigos de prctica.
Para el Ingeniero Rafael Salas Jimnez, del departamento tcnico de A
VPC, "El problema estriba en que para lograr un arraigo y una extensin
suficientes de la normalizacin, se hace necesario que la sociedad tenga
conciencia real de esta necesidad". Esto plantea que la primera tarea es
crear conciencia de la falta de un proceso de normalizacin y de control de
calidad, donde es necesario demostrar que son necesarios estos
cambios, para que no sea pasajera la modificacin de conducta.
La normalizacin dirigida a los fabricantes es denominada normalizacin
industrial, donde es un importante caso particular, restringido y restrictivo
que se ocupa de llevar a la organizacin los fundamentos para un
desarrollo armnico y eficiente de la industria. El grado de evolucin de la
normalizacin en un rubro especfico determina su grado de importancia y
desarrollo industrial.
En el vasto conjunto del mercado de compradores, el comprador industrial
lleva ventajas sobre el comprador comn, ya que los suplidores estn
sujetos a la normalizacin industrial que ejerce la organizacin en sus
compras, basada en convenios de garantas, especificaciones y acuerdos
que no estn presentes en el comprador comn. El comprador comn
puede no saber con exactitud que productos responden mejor a sus
necesidades particulares. Por esto la normalizacin tiene la importante
labor de desarrollar los rubros de produccin que salen al mercado, y
ayudar a definir un tipo de calidad para aquellos compradores que
carecen de los conocimientos tcnicos necesarios.
48
46/147
ESTADSTICA APLICADA
RETIRA
Es probable que no exista una retroalimentacin completa entre las

informaciones completas, correctas y suficientes sobre un producto
especfico y sus vendedores o fabricantes. La normalizacin trata de
evitar estas peculiaridades al definir los procedimientos y normas a
emplearse en las mesas de trabajo y en 1& elaboracin de las mismas en
las largas y difciles discusiones tcnicas.
Una mala relacin entre comprador y fabricante y la ausencia de

mecanismos que garanticen la confiabilidad y calidad de los productos y
materiales, conduce a que las empresas efecten por su cuenta ensayos
de calidad sobre los materiales de un mismo suplidor, y donde los
compradores dupliquen los ensayos y controles sobre los mismos
productos de un fabricante determinado.
Estos controles son los siguientes:
Controles de produccin, o de tipo interno, efectuados por la empresa

fabricante o de servicios.
Controles de Aceptacin o rechazo, de tipo externo, efectuados por el

comprador.
1. Normalizacin
Conceptos generales
La necesidad de normar las diversas actividades humanas se remontan a

los inicios de la civilizacin, esto debido a la tendencia que tienen los
problemas a repetirse; es entonces que se plantean soluciones a estos
problemas repetitivos, estas soluciones tienden a hacerse normas,
escritas o no; surgen regulaciones, reglas o normas de, por ejemplo, como
comunicarse, como cuidarse, como cultivar la tierra, etc. la evolucin de
estas reglas particularmente las de comunicacin desembocan en el
lenguaje y la escritura, las reglas gramaticales, las formas de conjugar
verbos, la manera de formar plurales, el uso de la "S", "C" o "Z", etc. son
normalizaciones.
Tambin se desarrollan normas de aplicacin comercial, normas de

medicin de longitudes, reas, volmenes, pesos, etc.
Cuando una especificacin de resultados satisfactorios, la emplearemos

todas las veces que necesitamos el mismo resultado. Este uso reiterativo
de una especificacin es una NORMA.
As; podemos mencionar algunos hechos que marcan pasos importantes

en el campo de la normalizacin industrial.
1793 A.W.WHITUEY,
Logra que todas las piezas de un arma sean

intercambiables, es decir que los componentes
de un arma la haga a otro de igual tipo.
49
47/147
ESTADSTICA APLICADA
1841 WHITWORTH
Establece normas para los hilos de los tornillos,

pernos y tuercas que se mantienen hasta la
actualidad.
1846 Se unifica la separacin entre rieles de los ferrocarriles.
TIRA
En nuestro siglo la normalizacin da el gran salto del empirismo por un

lado y el regionalismo por otro; al de la precisin, la tecnificacin y la
universalizacin.
Aparecen organismos, de rnbito nacional e internacional, que se dedican
casi exclusivamente a la normalizacin.
BSI
BRISTIH STANDARD INSTITUTION
ISA
Federacin Internacional de Asociaciones

Nacionales de Normalizacin
(Funciona hasta el inicio de la 2da. Guerra Mundial)
ISO
Organizacin Internacional de Normalizacin
En nuestro pas:
1959
1901
1947
1926-1939
Se crea el INANTIC- Instituto Nacional de Normas Tcnicas

Industriales y Certificacin.
1970 Se crea el lTINTEC Instituto DE INVESTIGACIN Tecnolgica

Industrial y Normas Tcnicas.
1992 Se crea el lNDECOPI Instituto Nacional de Defensa de la

Competencia y de la Proteccin de la Propiedad Intelectual.
Las funciones de estas entidades, que se han ido sucediendo en el

tiempo, son genricamente y entre otras, promover, estudiar, establecer,
revisar, verificar y certificar las normas tcnicas; apoyar a todos los
sectores de la Economa Nacional en los aspectos relacionados a
normalizacin.
NORMALIZACIN
Definicin segn ISO
"Normalizacin es el proceso de formular y aplicar reglas con el propsito

de poner orden en un campo de actividades dado, para beneficio y con el
concurso de todos los involucrados y, en particular, para la obtencin de
una economa de conjuntos ptima, respetando las exigencias
funcionales y de seguridad.
Se basa en los resultados consolidados de ciencia, tcnica y experiencia;
no fija solamente las bases para el presente sino tambin las proyecta
para el futuro desarrollo, con el que debe marchar al unsono
50
48/147
ESTADSTICA APLICADA
Es una disciplina que trata el establecimiento, aplicacin y adecuacin de
un conjunto de reglas destinadas a conseguir y mantener un
ordenamiento dentro de un campo determinado, con el fin de procurar a
una Institucin, Empresa, al pas o a la Comunidad Internacional, ciertos
beneficios econmicos o sociales.
Debe tener una caracterstica definitoria: es dinmica; es decir en
constante proceso de actualizacin.
Norma Tcnica
"Resultado de un particular o especfico trabajo de normalizacin"
Es un patrn o modelo, un conjunto de datos de referencia, es concreta y
precisa, se materializa en un documento escrito donde fundamentalmente
se especfica:
- El nombre del objeto, bien o servicio, claramente diferenciado e
individualizado de cualquier otro.
- Requisitos y/o valores numricos, que debe tener para adecuarse a
sus funciones de uso.
- Mtodos de ensayo para probar o comprobar estos requisitos. Estos
ensayos pueden solicitar normas aparte.
- Identificacin, rotulado, envase y/o embalaje, de ser el caso.
Una Norma Tcnica puede manifestarse o concretarse tambin como un
aparato o equipo, un instrumento, o un objeto como por ejemplo un
viscosmetro, un termmetro o una regla - metro, respectivamente.
Tipos de normas tcnicas
Por el carcter de su aplicacin:
Normas obligatorias
Normas optativas o voluntarias
Por su contenido:
Normas de terminologa y definiciones
Normas de clasificacin
Normas de elaboracin
Normas de requisitos
Normas de mtodos de ensayo
Normas de muestreo y recepcin
Normas de rotulado
Normas de envase y embalaje
Normas de uso.
51
49/147
ESTADSTICA APLICADA
Cuando una especificacin da resultado satisfactorio, la emplearemos
1. Todas las veces que necesitamos el mismo resultado. Este uso
reiterativo de una especificacin es una NORMA.
2. Condiciones que debe reunir una Norma:
a) Que responda a una necesidad real.
b) Que se elabore con una participacin y consenso de los grupos
interesados.
c) Que sea de rpida y fcil aplicacin.
d) Que propicie o provoque economa, reduccin de costo y/o mejora
del producto o servicio.
e) Que sea revisable y perfectible cuando las condiciones que la
motivacin cambie o cuando las circunstancias lo aconsejen.
f) Que sea:
Clara; ideas concretas y bien expresada.
Objetiva: que defina caractersticas comprobables.
Precisa: que evite las ambigedades.
Eficaz, que resuelva el problema que el motivo, en forma prctica y
completa.
NIVELES DE APLICACIN
Normas de Empresa.- Las que regulan y controlan la produccin,
especificado detalladamente la manera como se elaboran los productos y
se orientan, al interior de la empresa en sus relaciones convencionales
saber que materias primas usar, que equipos usar o adquirir, que mano de
obra emplear, etc.
Normas de Asociacin.- Las que desarrollan un grupo de personas o
empresas que desempean actividades en un campo de inters comn,
ejemplo: ASTM.
Normas Nacional.- Son aquellas establecidas por el Organismo Nacional
de Normalizacin competente, existente en cada pas, en nuestro caso
INDECOPI.
Normas Internacional.- Son las establecidas por organizaciones
regionales y/o internacionales de normalizacin. Por ejemplo: ISO,
COPANT, CEL.
52
50/147
ESTADSTICA APLICADA
NORMAS ISO 9000
La serie ISO 9000 es un conjunto de normas orientadas a ordenar la
gestin de la empresa que han ganado reconocimiento y aceptacin
internacional debido al mayor poder que tienen los consumidores y a la
alta competencia internacional acentuada por los procesos
integracionistas.
Algunas de estas normas especifican requisitos para sistemas de calidad
(ISO 9001, 9002, 9003) y otras dan una gua para ayudar en la
interpretacin e implementacin del sistema de calidad (ISO 9000-2, ISO
9004-1)
Objetivos de las ISO 9000
Proporcionar elementos para que una organizacin pueda lograr la
calidad del producto o servicio, a la vez que mantenerla en el tiempo,
de manera que las necesidades del cliente sean satisfechas
permanentemente, permitindole a la empresa reducir costos de
calidad, aumentar la productividad, y destacarse o sobresalir frente a
la competencia.
Proporcionar a los clientes o usuarios la seguridad de que el
producto o los servicios tienen la calidad deseada concertada,
pactada o contratada.
Proporcionar a la direccin de la empresa la seguridad de que se
obtiene la calidad deseada.
Establecer las directrices, mediante las cuales la organizacin,
puede seleccionar y utilizar las normas.
Normas ISO 9000
La organizacin internacional de normalizacin ISO, a travs de su sector
TC - 176 ha preparado un conjunto de normas sobre Gestin y
Aseguramiento de la Calidad, agrupndolas por cdigos de 9000 a 9004,
as:
ISO - 9000: Normas para la Gestin de la Calidad y el Aseguramiento de
la Calidad, Lineamientos para seleccin y uso.
ISO - 9001: Sistema de Calidad, modelo de aseguramiento de la calidad
en diseo desarrollo, produccin, instalacin y servicio postventa.
ISO - 9002: Sistema de calidad, modelo de aseguramiento de la calidad
en produccin e instalacin.
ISO - 9003: Sistema de calidad, modelo de aseguramiento de la calidad
en inspeccin y ensayos finales.
ISO - 9004: Gestin de la calidad y elementos del sistema de la calidad.
Directivas.
53
51/147
ESTADSTICA APLICADA
NORMA ISO 14000
ISO 14000 es una norma medioambiental voluntaria internacional
reconocida por comandante las naciones comerciales y comercio que
regulan organizaciones como GATT y la Organizacin de Comercio
Mundial. No es una ley en el sentido que nadie se exige ser registrado (de
es voluntario); sin embargo, ninguno hace a cualquiera tiene que hacer
negocio usted, compre sus productos y servicios, o permiti sus productos
y servicios en su pas si ellos han declarado ISO 14000 registro un
requisito por hacer negocio con ellos o en su pas. Se espera que los
compaeros comerciales tantos extranjeros requerirn registro por
fabricantes de importacin. Esta es una barrera de comercio legal
reconocida bajo el tratado internacional. Los elementos del Gobierno
americano han indicado intencin para instituir cualquier preferencia para,
o requisito que, los proveedores s registrados. Es probable que el
registro influir en la posicin de la entrada en vigor de reguladores medio
ambientales, y influir en las proporciones de seguros Y prcticas del
prestamista probablemente.
ISO 14000 realmente es una serie de normas que cubren todo de los
sistemas de direccin medioambientales (El SME) a las calificaciones del
interventor a como todava normas no escrito para las tales cosas como
valoracin de ciclo de vida.
La norma ISO 14000, no es una sola norma, sino que forma parte de una
familia de normas que se refieren a la gestin ambiental aplicada a la
empresa, cuyo objetivo consiste en la estandarizacin de formas de
producir y prestar de servicios que protejan al medio ambiente,
aumentando la calidad del producto y como consecuencia la
competitividad del mismo ante la demanda de productos cuyos
componentes y procesos de elaboracin sean realizados en un contexto
donde se respete al ambiente.
Normas ISO 14000
Sistemas de Gestin Ambiental (14001 Especificaciones y directivas
para su uso - 14004 Directivas generales sobre principios, sistemas y
tcnica de apoyo.)
Auditorias Ambientales (14010 Principios generales. 14011
Procedimientos de auditorias, Auditorias de Sistemas de Gestin
Ambiental-14012 Criterios para certificacin de auditores)
Evaluacin del desempeo ambiental (14031 Lineamientos - 14032
Ejemplos de Evaluacin de Desempeo Ambiental)
Anlisis del ciclo de vida (14040 Principios y marco general- 14041
Definicin del objetivo y mbito y anlisis del inventario. 14042 Evaluacin
del impacto del Ciclo de vida - 14043 Interpretacin del ciclo de vida-14047
Ejemplos de la aplicacin de ISO 14042- 14048 Formato de
documentacin de datos del anlisis)
Etiquetas ambientales (14020 Principios generales - 14021Tipo II 14024 Tipo I - 14025 Tipo III)
Trminos y definiciones (14050 Vocabulario)
54
52/147
ESTADSTICA APLICADA
DISTRIBUCIN DE FRECUENCIAS ABSOLUTAS, MEDIA, MODA,
MEDIANA
Tabla de distribucin de frecuencias
Si los datos que se dispone son numerosos, es indispensable clasificarlos
en un cuadro o tabla resumen de las observaciones originales, a las que
en adelante llamaremos Tabla de distribucin de frecuencias o
simplemente Tabla de frecuencias.
1. Datos de Variables Discretas
Sean x1, x2,..., Xn un conjunto de n observaciones discretas y sean y1,
y2,...ym el conjunto de valores diferentes que toman los datos originales (m
n)
Defincin1: Se llama frecuencia absoluta del valor yi, al nmero de veces
que aparece este valor en el conjunto de observaciones y se representa
por ni, i = 1,2,...,m.
Tabla 1. Distribucin de Frecuencias Absolutas
Valores diferentes
observados
yi
Frecuencias
absolutas
ni
y1
n1
y2
.
.
.
ym
n2
.
.
.
nm
Totales
Se realiza una encuesta a un conjunto de 16 familias sobre el nmero de

hijos. Los resultados en el orden obtenido son:
x1 = 2, x2 = 1, x3 = 3, x4 = 1, x5 = 2, x6 = 1, x7 = 3, x8 = 0 ,
x9 = 2, x10 = 1, x11 = 2, x12 = 3, x13 = 4, x14 = 1, x15 = 1, x16 = 2
a. Construya una tabla de distribucin de frecuencias absolutas para estos
datos.
b. Interprete cada frecuencia absoluta (ni)
Solucin:
1. En primer lugar, se observa que el conjunto de observaciones es de
tamao 16, luego n = 16
2. En segundo lugar, identificamos el nmero de observaciones
diferentes, m = 5. Estos valores son:
y1 = 0, y2 = 1, y3 = 2, y4 = 3, y5 = 4
55
53/147
ESTADSTICA APLICADA
Los cuales se ubican (en ese orden) en la primera columna de la tabla 2.
3. Contemos ahora el nmero de familias con 0,1,2,3 y 4 hijos
respectivamente. Esto se puede hacer agregando una columna en la
tabla 2, llamada conteo, usando el mtodo de los palotes, que
consiste en poner una raya vertical o tarja (/) cada vez que aparece el
valor en cuestin, destacando cada cinco unidades con el fin de facilitar
el cmputo final (////). Finalmente se cuenta el nmero de tarjas,
obteniendo las frecuencias absolutas (ni). En nuestro caso.
n1 = 1, n2 = 6, n3 = 5, n4 = 3, n5 = 1
De esta manera se ha construido la tabla de distribucin de frecuencias
absolutas del nmero de hijos por familia.
Tabla 2. Distribucin de Frecuencias del nmero de hijos por familia
Nmero de hijos
Conteo
Frecuencias absolutas
yi
ni
0
1
2
3
4
/
//// /
////
///
/
1
6
5
3
1
16
Totales
b. Interpretacin de las ni:

n1 = 1, significa que en las familias encuestadas, una no tiene hijos.
n2 = 6, significa que en las familias encuestadas, seis tienen un hijo cada
una.
As sucesivamente,
n5 = 1, significa, que en las familias encuestadas, una tiene cuatro hijos.
La tabla de distribucin de frecuencias, se puede construir no slo con
respecto a las frecuencias absolutas, sino tambin a otro tipo de
frecuencias, tales como: las relativas, las absolutas acumuladas, las
relativas acumuladas, etc., Las cuales se definen como sigue.
Definicin 2: Se llama frecuencia absoluta acumulada menor que
correspondiente al valor yi, al nmero de observaciones menores o iguales
a yi (xi yi).
Si denotamos esta frecuencia por Ni, entonces:
Ni = n1 + n2 + n3 + ... + ni
Usando la notacin de sumatoria, la frecuencia
absoluta acumulada se escribe:
56
Ni = jS
nj
=1
54/147
ESTADSTICA APLICADA
As, para el ejemplo 1, tenemos:
1
Ni = jS
nj = n1 = 1
=1
2
N2 = S
nj = n1 + n2 = 1 + 6 = 7
j=1
3
N3 = S
nj = n1 + n2 + n3 = 1 + 6 + 5 = 12
j=1
4
N4 = S
nj = n1 + n2 + n3 + n4 = 1 + 6 + 5 + 3 = 15
j=1
5
N5 = S
nj = n1 + n2 + n3 + n4 + n5 = 1 + 6 + 5 + 3 + 1 = 16
j=1
Interpretacin: N2 = 7, significa, que en la encuesta hay 7 familias con 1
menos hijos (o equivalente; en la encuesta se ha encontrado 7 familias
con a lo ms 1 hijo).
N3 = 12, significa, que en la encuesta se ha obtenido 12 familias con a los
ms 2 hijos.
Definicin 3: se llama frecuencia absoluta acumulada mayor que
correspondiente al valor yi, al nmero de observaciones mayores o iguales
a yi (xi yi)
Si se denota esta frecuencia por N*i , entonces:
N*i = ni + ni + 1 + ... + nm
En notacin de sumatoria, se escribe:
N*i = jS
nj
=1
As, para el ejemplo 2, tenemos que m = 5, entonces:

5
N*1 = j S
nj = n1 + n2 + n3 + ... + n5 = 1 + 6 + 5 + 3 + 1 = 16
=1
5
N*2 = S
nj = n2 + n3 + ... + n5 = 6 + 5 + 3 + 1 = 15
j=1
5
N*3 = S
nj = n3 + n4 + n5 = 5 + 3 + 1 = 9
j=1
5
N*4 = S
nj = n4 + n5 = 3 + 1 = 4
j=1
5
N*5 = S
nj = n5 = 1
j=1
N*1 = 16, significa, las familias encuestadas tienen entre 0 y 4 hijos
inclusive;
N*2 = 15, significa, que en la encuesta, 15 familias tienen por lo menos 1
hijo.
hijos
57
55/147
ESTADSTICA APLICADA
hijos
N*5 = 1, significa, que de las encuestadas, slo una familia tiene 4 hijos .
Definicin 4: Se llama frecuencia relativa del valor yi, al cociente de la
frecuencia absoluta de yi y el nmero total de observaciones.
Esta frecuencia se denota por hi. entonces
Frecuencia absoluta de yi
ni
hi = nmero total de observaciones = n
Para el ejemplo 2 las frecuencias relativas son:
n1
1
=
= 0.0625
n 16
n2
6
h2 = =
= 0.3750
n 16
n3
5
h3 = =
= 0.3125
n 16
h1 =
n4
3
=
= 0.1875
n 16
n5
1
h5 = =
= 0.0625
n 16
h4 =
Interpretacin:
h1 = 0.0625, se interpreta como la proporcin de familias que no tienen hijo
en la muestra.
h2 = 0.3750, se interpreta como la proporcin de familias que tienen un hijo
en la muestra.
As sucesivamente.
h5 = 0.0625, es la proporcin de familias que tienen 4 hijos en la muestra.
La importancia que tiene la frecuencia, es que mide el peso que tiene
cada frecuencia absoluta respecto al nmero total de observaciones.
Definicin 5: se llama frecuencia relativa porcentual, a la frecuencia
relativa hi multiplicada por 100% (100hi%), y representa el porcentaje de
observaciones que corresponde al valor yi.
La frecuencia porcentual estar comprendida lgicamente entre 0 y 100 y
se denota por:
p1 = 100hi As, para el ejemplo 2 tenemos que:
p1 = 100hi % = 6.25%, porcentaje de familias que no tienen hijos en la
muestra de tamao.
p2 = 100h2% = 37.5%, porcentaje de familias con 1 hijos en la muestra.
As sucesivamente:
p5 = 100h5% = 6.25%, porcentaje de familias con 4 hijos en la muestra
en estudio.
58
56/147
ESTADSTICA APLICADA
Definicin 6: se llama frecuencia relativa acumulada Menor que del
valor yi a la frecuencia relativa total de las observaciones menores o
iguales a yi
Si denotamos esta frecuencia por Hi, entonces
Hi = h1 + h2 + ... + hi =
n1 + n2 + ... + ni
n
Empleando la notacin de sumatoria, Hi se escribe

i
Hi =
hj
j=i
Para el ejemplo 2, las Hi son:

1
H1 = j S
hj = h1 = 0.0625
=1
2
H2 = S
hj = h1 + h2 = 0.0625 + 0.3750 = 0.4375
j=1
3
H3 = S
hj = h1 + h2 + h3 = 0.0625 + 0.3750 + 0.3125 = 0.7500
j=1
4
H4 = S
hj = h1 + h2 + h3 + h4 = 0.0625 + 0.3750 + 0.3125 + 0.1875 = 0.9375
j=1
5
H5 = S
hj = h1 + h2 + h3 + h4 + h5 = 0.0625 + 0.3750 + 0.3125 + 0.1875
j=1
+ 0.0625 = 1.0
Interpretacin:
H2 = 0.4375, es la proporcin de las familias bajo estudio con a lo ms 1
hijo.
H3 = 0.75, la proporcin de familias bajo estudio con a lo ms dos hijos.
As, sucesivamente.
Definicin 7: se llama frecuencia relativa acumulada Mayor que del
valor yi a la frecuencia relativa total de las observaciones mayores o
iguales a yi
Si denotamos por Hi, esta frecuencia, entonces
Hi* =
hj = hi + hi + 1 + ... + hm
j=i
Para el ejemplo 2, las Hi son:

5
H*1 = j S
hj = h1 + h2 + h3 + h4 + h5 = 1.0
=1
5
H*2 = jS
hj = h2 + h3 + h4 + h5 = 0.3750 + 0.3125 + 0.1875 + 0.0625 = 0.9375
=2
5
H*3 = jS
hj = h3 + h4 + h5 = 0.3125 + 0.1875 + 0.0625 = 0.5625
=3
59
57/147
ESTADSTICA APLICADA
5
H*4 = jS
hj = h4 + h5 = 0.1875 + 0.0625 = 0.25
=4
5
Interpretacin:
RETIRA
H*5 = jS
hj = h5 = 0.0625
=5
H2 = 0.9375, es la proporcin de familias en la muestra con por lo menos 1

hijo.
H3 = 0.5625, es la proporcin de familias en la muestra con por lo menos
dos hijos.
As, sucesivamente.
Definicin 8: se llama frecuencia relativa acumulada porcentual a la

frecuencia relativa acumulada Hi(Hi * ) multiplicado por 100%. Es decir,
100Hi% (100 Hi * %) y representa el porcentaje de observaciones menores
o iguales a yi (mayores o iguales a yi)
As, para el ejemplo 2:
100 H2* % = 43.75%, es el porcentaje de familias en la muestra con a lo ms

1 hijo;
100 H3* % = 75%, es el porcentaje de familias en la muestra con a lo ms
hijos;
100 H2 % = 93.75%, es el porcentaje de familias en la muestra con por lo
menos 1 hijo;
100 H3* % = 56.25%, es el porcentaje de familias en la muestra con por lo
menos 2 hijos;
Por tanto; las diferentes tablas de distribucin de frecuencias que se

pueden confeccionar para un mismo conjunto de datos, se
resume en la tabla 3.
Tabla 3. Diferentes tipos de tablas de Distribucin de Frecuencias
100 Hi % 100 H*i %
yi
ni
Ni
hi
Hi
Ni*
Hi*
100 hi %
y1
y2
n1
n2
N1
N2
h1
h2
H1
H2
N1*
N2*
H1*
H2*
100 h1
100 h2
100 H1
100 H2
100 H*1
100 H*2
ym
nm
Nm = n
hm
Hm
Nm*
Hm*
100 hm
100 Hm
100 Hm*
Totales
n = n
h = n
i=1
i=1
m
1
100 %
Las diferentes variantes de tablas de distribucin de frecuencias para el ejemplo 2
60
58/147
ESTADSTICA APLICADA
Tabla 4. Diferentes tipos de tablas de Distribucin de Frecuencias del nmero de hijos
Ni*
yi
ni
Ni
hi
Hi
0
1
2
3
4
1
6
5
3
1
1
7
12
15
16
0.0625
0.3750
0.3125
0.1875
0.0625
0.0625
0.4375
0.7500
0.9375
1.00
Totales 16
16
15
9
4
1
H*i
100 hi % 100 Hi % 100 H*i %
1.00
0.9375
0.5625
0.2500
0.0625
6.25
37.50
31.25
18.75
6.25
1.0
6.25
43.75
75.00
93.75
100.00
100.00
93.75
56.25
25.00
6.25
100%
Propiedades de las frecuencias

Lo que sigue son propiedades triviales que son consecuencia de las
definiciones de frecuencia absoluta, relativa, absoluta acumulada y
frecuencia acumulada, por lo que no se demostrarn ninguna de ellas.
Propiedad 1: Las frecuencias absolutas y las frecuencias acumuladas
son siempre enteros no negativos. Es decir
Ni 0 , Ni 0 y Ni* 0 , para i = 1, 2, ... , m
Propiedad 2: La suma de todas las frecuencias absolutas es igual al
nmero total del conjunto de observaciones. O sea
m
ni = n + n + ... + nm = n
i=i
1
Propiedad 3: Las frecuencias relativas y las frecuencias relativas

acumuladas son siempre nmeros fraccionarios no negativos, no
mayores que uno. Es decir.
0 hi 1,0 Hi 1 y H*i 1 , para i = 1, 2, ... , m
Propiedad 4: La frecuencia absoluta acumulada menor que
correspondiente al valor ym coincide con el nmero total del conjunto de
observaciones. o sea Es decir:
m
Nm =
ni = n
i=i
Propiedad 5: La frecuencia absoluta acumulada mayor que

correspondiente al valor y1 coincide con el nmero total del conjunto de
datos. Es decir
N*1 =
ni = n
i=i
Propiedad 6: La frecuencia relativa acumulada menor que

correspondiente al valor ym coincide con la unidad. Es decir
m
Hm =
hi = 1
i=i
61
59/147
ESTADSTICA APLICADA
Propiedad 7: La frecuencia relativa acumulada mayor que
correspondiente al valor y1 coincide con la unidad. O sea:
H*1 =
hi = 1
i=i
Propiedad 8: La frecuencia absoluta acumulada menor que

correspondiente al valor y1 es n1. Es decir:
1
N1 =
ni = n1
i=i
Propiedad 9: La frecuencia absoluta acumulada mayor que

correspondiente al valor ym es nm. O sea:
Nm* =
ni = nm
i=m
Propiedad 10: La frecuencia relativa acumulada menor que

correspondiente al valor y1 es h1. Es decir:
1
H1 =
hi = nm
i=1
Propiedad 11: La frecuencia relativa acumulada mayor que

correspondiente al valor ym es hm. O sea:
H*m =
hi = hm
i=m
Propiedad 12: Las frecuencias absolutas acumuladas cumplen las

desigualdades siguientes:
n1 = Ni N2 ... Nm = n y Ni = Ni-1 + ni
Para i = 1, 2,... , m, y N0 = 0 Note que ni = Ni + Ni-1
n = N1* N2* ... Nm* = nm y Ni* = Ni-1* - ni-1 para i = 2, 3, ...m
Note que ni-1 = Ni-1 *- Ni
Propiedad 13: Las frecuencias relativas acumuladas cumplen las

desigualdades siguientes:
h1 = Hi H2 ... Hm = 1 y Hi = Hi-1 + hi Para i = 1, 2,... , m
H0 = 0 Note que hi = Hi + Hi-1
1 = H1* H2* ... Hm * = hm y Hi * = Ni-1* - ni-1 para i = 2, 3, ...m
Note que ni-1 = Ni-1 *- Ni
El conocimiento de estas propiedades sirve para controlar la correcta

confeccin de las tablas de frecuencia.
62
60/147
ESTADSTICA APLICADA
En la tabla de frecuencias que se dan a continuacin faltan algunos datos.
Compltala.
yi
ni
0
1
2
3
4
hi
Ni
Hi
0.2
2
5
9
14
0.70
Solucin:
1. Por la propiedad 8, N1 = n1, entonces n1 = 2
2. Por la propiedad 12, N2 = N1 + n2 = 2 + n2 = 5, de donde n2 = 3
N3 = N2 + n3 = 5 + n3 = 9, luego n3 = 4
N4 = N3 + n4 = 9 + n4 = 14, por tanto n4 = 5
3. Por la definicin de frecuencia relativa acumulada MENOR QUE,
H4 = h1 + h2 + h3 + h4 =
n1 + n2 + n3 + n4
n
14
= 0,70, luego n = 20
n
4. Por definicin de frecuencia relativa H5 = n5 = n5 = 0.20, de donde

20
n
n5 = 4
5. Finalmente
N5 = N4 + n5 = 14 + 4 = 18
N6 = N5 + n6 = 18 + 4 = 18
Luego, n6 = 2
Propiedad 12
Propiedad 12 y 4
6. Las frecuencias relativas que faltan son:

h1 = 2 = 0.10
h2 = 3 = 0.15 h3 = 4 = 0.20
20
20
20
h4 = 5 = 0.25
20
h6 = 2 = 0.10
20
7. Las frecuencias relativas acumuladas MENOR QUE, que faltan son:
H1 = h1 = 0.10 H2 = h1 + h2 = 0.10 + 0.15 = 0.25 Propiedad 10 y 13
H3 = h2 + h3 = 0.25 + 0.2 = 0.45
H5 = h4 + h5 = 0.70 + 0.20 = 0.90
H6 = h5 + h6 = 0.90 + 0.10 = 1.0
Por tanto la tabla de Distribucin de frecuencias completa es la siguiente
Tabla 5
yi
ni
hi
Ni
Hi
0
1
2
3
4
5
2
3
4
5
4
2
20
0.10
0.15
0.20
0.25
0.20
0.10
1.00
2
5
9
14
18
20
0.10
0.25
0.45
0.70
0.90
1.00
Totales
63
61/147
ESTADSTICA APLICADA
Un ingeniero agrnomo visita 25 cooperativas agrarias de naranajas en el
valle de Huaral y en cada una anot el nmero de plantas atacadas por
cierto hongo, de los cual resultaron los datos siguientes
15, 20, 25, 15, 18,16, 17, 18, 20, 18, 18, 18, 19, 16, 17, 19, 16, 17, 19, 16,
17, 17, 17, 19, 18, 19,18, 15
a. Diga qu tipo de datos son stos.
b. Construya una tabla de distribucin de frecuencia adecuada a este
conjunto de valores.
c. Cuntas cooperativas agrarias tienen a lo ms 20 plantas atacadas
por hongos?
d. Cuntas cooperativas agrarias tienen por lo menos 17 plantas
atacadas por hongos?
e. Qu proporcin de cooperativas bajo estudio tienen 18 plantas
atacadas por hongos?
f. Qu proporcin de cooperativas tienen 18 o menos plantas atacadas
por hongos?
g. Qu porcentaje de cooperativas tienen 18 o menos plantas atacadas
por hongos?
Solucin
a. Puesto que los datos se obtienen como resultado del conteo de plantas
atacadas por hongos, estos son discretos.
b. 1. El conjunto de observaciones es de tamao 25, luego n = 25
2. Los diferentes valores de la caracterstica observada son:
y1 = 15, y2 = 16, y3 = 17, y4 = 18, y5 = 19, y6 = 20, y7 = 25
Es decir, m = 7
3. Conteo: se cuenta el nmero de cooperativas con 15, 16, 17, 18, 19,
20 y 25 plantas atacadas por hongos respectivamente. As, el nmero
15 aparece 3 veces en el conjunto de datos, luego n1 = 3; el nmero 16
aparece tambin 3 veces, entonces n2 = 3; el nmero 17 aparece 5
veces, luego n3 = 5; el 18 aparece 7 veces, o sea n4 = 7; el 19 aparece 4
veces, es decir; n5 = 4; el 20 aparece dos veces, luego n6 = 2; y
finalmente el 25 aparece una vez, o sea n7 = 1
4. La frecuencia relativa de yi, i - 1,2, ..., 7, son:
h1 = n1 =
n
h2 = n2 =
n
h3 = n3 =
n
n
h4 = 4 =
n
3
25
3
25
5
25
7
25
= 0,12
= 0,12
= 0,20
h5 = n5 =
n
h6 = n6 =
n
h7 = n7 =
n
4
= 0,16
25
2
= 0,08
25
1
= 0,04
25
= 0,28
64
62/147
ESTADSTICA APLICADA
5. Las frecuencias absolutas acumuladas para yi, i=1,2,...7, estn dadas
por:
N1 = n1 = 3
N2 = N1 + n2 = 3 + 3 = 6
N3 = N2 + n3 = 6 + 5 = 11
N4 = N3 + n4 = 11 + 7 = 18
N5 = N4 + n5 = 18 + 4 = 22
N6 = N5 + n6 = 22 + 2 = 24
N7 = n = 25
N1* = n = 25
N2* = N*1 - n1 = 25 - 3 = 22
N3* = N*2 - n2 = 22 - 3 = 19
N4* = N*3 - n3 = 19 - 5 = 14
N5* = N*4 - n4 = 14 - 7 = 7
N6* = N*5 - n5 = 7 - 4 = 3
N7* = N*6 - n6 = 3 - 2 = n7 = 1
6. Las frecuencias relativas acumuladas para yi, i=1,2,...7, son:

H1 = h1 = 3
H*1 = 1
H2 = H1 + h2 = 0.12 + 0.12 = 0.24
H*2 = H1* - h1 = 1 - 0.12 = 0.88
H3 = H2 + h3 = 0.24 + 0.20 = 0.44
H*3 = H2* - h2 = 0.88 - 0.12 = 0.76
H4 = H3 + h4 = 0.44 + 0.28 = 0.72
H*4 = H3* - h3 = 0.76 - 0.20 = 0.56
H5 = H4 + h5 = 0.72 + 0.16 = 0.88
H*5 = H4* - h4 = 0.56 - 0.28 = 0.28
H6 = H5 + h6 = 0.88 + 0.08 = 0.96
H*6 = H5* - h5 = 0.28 - 0.16 = 0.12
H7 = H6 + h7 = 0.96 + 0.04 = 1
H*7 = H6* - h6 = 0.12 - 0.08 = 0.04 = h7
Por tanto, los diferentes tipos de tablas de distribucin de frecuencias que
se puede confeccionar para el mismo conjunto de datos esta dado en la
tabla 6
Tabla 6. Distribucin de Frecuencias del nmero de plantas atacadas por el hongo
Valores
diferentes
observados
Frecuencia
absoluta
Frecuencia
relativa
Frecuencias
absolutas
acumuladas
menor que
yi
ni
hi
Ni
Frecuencias
absolutas
acumuladas
mayor que
N*
15
16
17
18
19
20
25
3
3
5
7
4
2
1
0.12
0.12
0.20
0.28
0.16
0.08
0.04
3
6
11
18
22
24
25
25
22
19
14
7
3
1
Totales
S n = 25
Sh = 1
Frecuencias Frecuencias
relativas
relativas
acumuladas acumuladas
menor que
mayor que
H
H*
i
0.12
0.24
0.44
0.72
0.88
0.96
1.00
1.00
0.88
0.76
0.56
0.28
0.12
0.04
c. El nmero de cooperativas que tienen a los ms 20 plantas atacadas

por hongos es N6 = 24
d. El nmero de cooperativas que tienen por lo menos 17 plantas
atacadas por hongos es N*= 19
e. La proporcin de cooperativas en la muestra que tienen 18 plantas
atacadas por hongos, es h4 = 0.28, la cual expresado en porcentaje es
28%
f. La proporcin de cooperativas que tienen 18 o menos plantas atacadas
por hongos es H4 = 0.72
g. El 100 H4% = 72%
65
63/147
ESTADSTICA APLICADA
Nota: Discutiremos brevemente la utilidad de la construccin de una tabla
de distribucin de frecuencias. Claro est que con nuestros ejemplos,
donde slo hemos considerado unos cuantos datos por el problema de
simplificar los clculos, es posible que ste procedimiento muestre a
plenitud todas sus ventajas; no obstante con un poco de imaginacin por
parte del lector, las experiencias que se deriven de estos ejemplos se
puede fcilmente extender a otra situacin donde el nmero de datos sea
mayor. De este modo, a partir de la tabla 6, donde se brindan las diferentes
variantes de tablas de frecuencias que se puede construir para el ejemplo
3, a parte de las preguntas ya contestadas, es posible extraer, por ejemplo
conclusiones como las siguientes:
1. No existe en general grandes diferencias en cuanto a nmeros de
plantas atacadas con hongos en las 25 cooperativas. El nmero de
plantas atacadas que ms se repite es 18, ya que hay 7 cooperativas que
poseen esta cifra (est dado por la frecuencia absoluta del valor 18).
2. Si se tiene criterios sobre el nmero de plantas atacadas con hongos
que debe tener cada cooperativa para ser declarada en emergencia por el
Ministerio de Agricultura, digamos que este nmero fuese 100, de los
datos de la tabla se puede apreciar que todas las cooperativas estn por
debajo de este nmero, por tanto no sern declarados en emergencia.
Observacin: el lector observar que la construccin de tablas de
frecuencias para datos discretos, no es ms que un procedimiento
mediante el cual se ha considerado la informacin contenida en el
conjunto original. Decimos esto porque del conjunto original de n
observaciones hemos pasado a considerar un conjunto ms pequeo
compuesto slo por m valores (m < n) diferentes (yi). Ahora bien, este
procedimiento que conduce a la construccin de una tabla de frecuencias,
no implica prdida de informacin contenida en el conjunto de
observaciones originales, ya que a partir del conocimiento de las yi,
i=1,2,...m y sus respectivas frecuencias absolutas, se puede construir el
conjunto original de los valores de estas observaciones sin tener en
cuenta el orden de aparicin de stas. Es decir, dada una tabla de
frecuencias de este tipo, podemos saber la cantidad de veces de cada
valor diferente debe aparecer en el conjunto original y as enumerar cada
uno ellos; si el orden de aparicin no es importante, entonces puede
asegurarse que se conoce completamente el conjunto original de
observaciones.
Datos de variables contnuas
Designaremos tambin el conjunto original de datos u observaciones por
x1, x2, ..., Xn, siendo n el tamao del conjunto (tamao muestral) y donde
estos datos son del tipo continuo . En este caso debido a que la magnitud
de la caracterstica puede tomar, al menos tericamente, una infinidad de
valores, el proceso de reduccin, agrupacin o condensacin de los datos
originales, que conducen a la construccin de tablas de frecuencia, no es
tan simple como en el caso de datos discretos y no se puede proceder
como en el caso ya estudiado; es ms bien un problema de clasificacin
de datos donde la subjetividad del hombre tiene una influencia que no
debe ignorarse
66
64/147
ESTADSTICA APLICADA
Definicin 9: se llaman clases a cada uno de los grupos en que e divide el
conjunto de datos.
El primer paso a dar para resolver este problema de clasificacin, es decir
cules y cuntas han de ser las clases a considerarse. Para ello
normalmente se empieza por determinar la observacin que tiene el valor
mximo xmax, y la observacin que tiene el valor mnimo xmin
Xmax = max {x/i=1,2,..., N}, Xmin = min {x/i=1,2,..., n}
Estos valores extremos definen el recorrido o rango del conjunto de
observaciones, el cual est dado por el intervalo [Xmin ,Xmax]
R
Xmin
Xmax
Definicin 10: Amplitud de recorrido (l) es la longitud del recorrido del
conjunto de datos. O sea.
l = xmin - xmax
Una vez determinado el nmero de clases en que se dividir los datos,
digamos m, el cual puede hacerse con cierto grado de arbitrariedad, pues
depende del problema en cuestin y en ltima instancia del investigador o
del estadstico, se divide el recorrido del conjunto de datos en tantos
intervalos como clase se desee, que en adelante llamaremos intervalos
de clase (o simplemente clase). En la prctica se suele dividir no
exactamente el recorrido [Xmin ,Xmax] sino un intervalo mnimo [Xmin ,Xmax] que
contenga a dicho recorrido, cuyos extremos sean nmeros que faciliten
esta operacin y de manera que la amplitud l` del nuevo recorrido sea
mltiplo de nmero de clases m
[xmin ,xmax] [xmin ,xmax]
Notacin: Sea m el nmero de clases y, y1, y2, ... , ym los extremos o
lmites de los intervalos de clase, entonces.
yi-1 - yi , i = 1, 2, ... , m
Denota el i-simo intervalo de clase. Donde yi-1, es el extremo inferior, yi
el extremo superior del intervalo.
Un intervalo de clase, que al menos tericamente no tiene lmite inferior o
superior se llama intervalo de clase abierto.
Definicin 11: Amplitud de clase es la longitud del intervalo que define la
clase, es decir.
ci - yi - yi-1 , i = 1, 2, ... , m
c1 - y1 - y0 Es la longitud del primer intervalo de clase
c2 - y2 - y1 Es la longitud del segundo intervalo de clase
Si los intervalos tienen igual longitud digamos c , es decir
As
c - yi - yi-1 para todo i = 1, 2, ... , m

Entonces
c=l/m
67
65/147
ESTADSTICA APLICADA
Construccin de los intervalos de clase
Los intervalos de clase se construyen partiendo de xmin(o x`min), luego se
va asignando consecutivamente a las clases, los lmites inferior y superior
de clase (yì-1 - yì), de la siguiente manera.
Lmite superior
Lmite inferior
y1 = xmin + c = y0 + c
Primer intervalo de clase: yo = xmin
y2 = xmin + 2c = y1 + c
Segundo intervalo de clase: y1 = xmin + c
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m-simo intervalo de clase: ym-1 = xmin + (m-1)c ym = xmin + mc = xmax
Los intervalos de clase de amplitud diferentes se construyen en forma
similar.
Definicin 12: La marca de clase es el punto medio del intervalo que
representa a dicha clase. Se denota por yi, i=1,2,..., M. Es decir.
yi =
yi-1 + yi , i = 1,2,..., m
2
Determinacin de la frecuencia absoluta.

Se pasa finalmente a determinar el nmero de observaciones (frecuencia
absoluta ni) del conjunto original (x1, x2,..., Xn), que pertenecen a cada
intervalo de clase. Este proceso se conoce como la operacin de conteo.
Consiste en tomar cada una de las observaciones registradas y asignar
una tarja a la clase a la cual pertenece (mtodo de los palotes).
El nmero de tarjas es la frecuencia absoluta de clase. El concepto de
frecuencia absoluta es la misma que en la definicin 1; slo que en este
caso se refieren a las clases y no a los valores yi.
Tabla 7 Distribucin de frecuencia
Intervalo de clase
yi-1 - yi
Marca de clase
yi
y0 - y1
y1 - y2
.
.
.
ym-1 - ym
y1
y2
.
.
.
ym
Totales
Conteo
Frecuencia absoluta
de clase ni
n1
n2
.
.
.
nm
n
Observaciones:
En situaciones especiales se podr tener intervalos de clase de amplitud
diferentes.
Esto depende del problema en cuestin y del criterio del investigador.
Desde que la teora para tablas con amplitud de clase diferentes es la
misma que la teora con amplitudes iguales.
68
66/147
ESTADSTICA APLICADA
Cuando es conveniente ampliar la amplitud del recorrido de tal manera
que resulte un nmero manejable en futuros clculos, esta ampliacin en
lo posible debe hacerse en forma simtrica, es decir a la izquierda de xmin y
a la derecha de xmax.
Respecto al nmero de clases (m) no existe un concenso unnime entre
los autores Bradfor Hill seala que debe tomarse un nmero de clases
comprendido entre 10 y 20, mientras que Camel indica que el nmero
apropiado es entre 8 y 15. Sin embargo, el sentido comn nos dice que el
nmero de clases no deben ser pocas debido a que la condensacin sera
mucha y con ello habran prdidas de informacin fuerte en relacin con la
contenida en el conjunto de datos originales. Por otra parte, un nmero
excesivo de clases, si bien produce poca prdida de informacin no
reduce o simplifica el trabajo, siendo en ocasiones preferible el trabajo con
los propios datos originales. Tambin algunas pueden resultar vacas, es
decir con la frecuencia nula.
Daremos a continuacin algunas reglas frecuentemente utilizadas:
A. Tomar el nmero de clases (m) igual al entero ms prximo a 2 n,
siendo n el nmero de datos.
b. m
n, donde n es el nmero de observaciones
c. Regla de Sturges: m = 1 + 3.3 log(n), con n el nmero de observaciones.

En general se recomienda que el nmero de clases est entre cinco y
veinte
5 m 20
El lector habr notado que el lmite superior de una clase coincide con el
lmite inferior de la clase siguiente, entonces al hacer la clasificacin de
una observacin que coincide con el lmite comn de clase, se encuentra
frente a la disyuntiva, a qu clase se asigna este valor?. Para evitar esta
dificultad se suele tomar una de las alternativas siguientes:
A. Definir los extremos de los intervalos de clase con una cifra decimal
ms que las que contengan las observaciones.
B. Considerar los intervalos de clase como intervalos de nmeros reales
abiertos a izquierda y cerrados a derecha. As, el intervalo i-simo yi-1 - yì
que define la clase i-sima equivalente al intervalo < yi-1, yi], es decir
Yi-1 - yi @ < yi - 1 , yi ]
Con esta alternativa cada clase excluye la observacin que coincide con
su lmite superior.
Nota: se debe destacar que lo anterior es pura notacin y que no afecta la
amplitud de clase ni la marca de clase.
69
67/147
ESTADSTICA APLICADA
Convencin: en el desarrollo de este texto por criterio de uniformidad,
asumiremos la tercera alternativa. Evidentemente se puede tomar las
otras alternativas, esto queda a criterio del especialista.
Regla general para elaborar las distribuciones de frecuencia
1. Decidir el nmero m de clase a considerar, de acuerdo con la
observacin 4.
2. Determinar el recorrido o rango de los datos y la amplitud (l) del
recorrido.
3. Determinar, la amplitud o longitud de los intervalos de clase. En lo
posible es conveniente que los intervalos de clase sean de igual
amplitud (c), la cual est dado por
c = l /m
Si esto es posible, utilizar intervalos de clase de diferente tamao o
intervalos de clase abiertos.
4. Determinar los lmites de clase, de manera que cada observacin se
clasifique sin ambigedades en una sola clase.
5. Se determina las marcas de clase.
6. Finalmente se halla la frecuencia absoluta de cada clase.
Suponga que se han registrado 50 observaciones referentes a los pesos
de 50 lingotes de acero producidos por SIDERPER, la muestra fue
obtenida de la produccin semanal y las unidades estn dadas en kg.
94.3
92.9
94.2
94.7
94.1
93.0
93.6
95.7
92.7
93.7
95.5
95.7
94.7
95.0
94.2
95.3
93.8
94.3
93.0
93.7
92.4
94.8
92.7
92.9
94.0
94.4
93.9
94.5
93.7
93.9
92.8
92.7
96.2
92.7
93.6
93.2
91.6
95.4
93.3
94.6
93.6
93.6
93.7
94.6
92.3
95.5
93.7
91.9
96.4
94.4
a. Clasificar estas observaciones en una tabla de frecuencias con 5 clases

de igual amplitud.
b. Interpretar cada ni
Solucin: a
1. Por datos; m = 5
2. Del conjunto de datos xmax = max {x1,x2,...x50} = 96.4 y xmin = min {x1,
x2,...,x50}, = 91.6 luego el recorrido de los datos es [91.6, 96.4] y la
amplitud es l = 96.4 - 91.6 = 4.8
l
4.8
3. De (1) y (2) la amplitud de clase constante ser C = m = 5 = 0.96

un nmero como este es difcil de manejar, por eso al igual que ud.
Preferimos trabajar con el entero ms prximo c = 1. Para esto
ampliamos el recorrido de los datos simtricamente a izquierda de xmin =
91.6 y a derecha de xmax = 96.4, de manera que contenga al recorrido
original [91.6 , 96.4] y cuya amplitud sea mltiplo de m = 5, en este caso
70
68/147
ESTADSTICA APLICADA
Puede ser l = 96.5 - 91.5 = 5, donde xmin = 91.5 y x`max = 96.5
4. Determinaremos los lmites de clase:
yo = xmin = 91.5 ;
y3 = y`2 + c = 93.5 + 1 = 94.5 ;
y1 = yo + c = 91.5 +1 = 92.5
y4 = y3 + c = 94.5 + 1 = 95.5
y2 = y1 + c = 92.5 + 1 = 93.5
y5= y4 + c = 95.5 + 1 = 96.5
5. Se halla las marcas de clases:

y1 =
91.5 + 92.5
= 92.0
2
92.5 + 93.5
= 93.0
2
93.5 + 94.5
y3 =
= 94.0
2
y2 =
y4 =
94.5 + 95.5
= 95.0
2
y5 =
95.5 + 96.5
= 96.0
2
6. Finalmente se determina la frecuencia absoluta de cada clase, y

teniendo en cuenta que estamos considerando intervalos de clase
abierto a la derecha y cerrados a izquierda, es decir.
yi-1 - yi @ [ yi-1 , yi >
Por ejemplo, el valor 94.5 estar en la cuarta clase.
Se procede como sigue: se toma la primera observacin 94.3 y se busca el
intervalo de clase a que pertenece, es el 93.5 - 94.5, luego se asigna una
tarja en la interseccin de la columna de conteo y la fila de este intervalo.
Se toma ahora la otra observacin 93.0, la cual pertenece al intervalo 92.5
- 93.5, entonces se asigna una tarja en la interseccin de la fila de este
nuevo intervalo y la columna de conteo. As sucesivamente hasta agotar la
ltima observacin. Sumando las tarjas se obtiene la frecuencia absoluta
de cada clase. Se obtiene de esta manera la tabla 8.
Conteo
Intervalo de clase Marca de clase

[ yi-1 , yi ]
yi
91.5 - 92.5
92.5 - 93.5
93.5 - 94.5
94.5 - 95.5
95.5 - 96.5
92.0
93.0
94.0
95.0
96.0
Frecuencia absoluta
ni
////
////
////
////
////
//// /
//// //// ////
////
/
Totales
4
11
20
9
6
S ni = 50
B. Interpretacin de las ni:

n1 = 4, significa que en la muestra hay 4 lingotes que pesan 91.5 kg o ms
pero menos de 92.5 kg
n2 = 11, en la muestra, 11 lingotes pesan 92.5 kg o ms, pero menos de
93.5 kg, etc.
71
69/147
ESTADSTICA APLICADA
Nota: al elaborar la tabla de frecuencias de datos variables continuas;
siempre hay una ligera prdida de informacin, que ocurre al no
considerar ms los datos individuales, si no la marca de clase (o punto
medio de cada clase) como un valor representativo de toda la clase. As,
y2 = 93.0 representa a toda las observaciones mayores o iguales a 92.5 y
menores que 93.5. Sin embargo, esta prdida de informacin queda
compensada por la ganancia en concisin, sencillez y claridad.
Definicin 14: Frecuencia absoluta acumulada menor que (Ni) de la
clase i-sima, es el nmero de observaciones menores que el extremo
superior del intervalo de clase i-simo, o sea menores a y1. Entonces
i
Ni = n1 + n2 + ... + ni = jS=1 nj
As, para el ejemplo.
N1 = n1 = 4, es el nmero de lingotes de acero que pesan menos de
92.5 kg
N2 = n1 + n2 += 4 + 11, es el nmero de lingotes de acero cuyo peso es
menor que 93.5 kg
N3 = n1 + n2 + n3 = 4 + 11 + 20 =35, nmero de lingotes de acero que
pesan menos de 94.5 kg
N4 = n1 + n2 + n3+ n4 = 4 + 11 + 20 + 9 = 44, nmero de lingotes de acero
que pesan menos de 95.5 kg.
N5 = n = 50
Definicin 15: Frecuencia absoluta acumulada mayor que (Ni* ) de la
clase i-sima, es el nmero de observaciones mayores o iguales que el
extremo inferior del intervalo de clase i-simo, es decir mayor o igual a yi-1 .
Entonces:
i
N*i = n1 + ni+1 + ... + nm = jS=1 nj

As, para el ejemplo:
N*1 = n1 + n2 + ... + n5 = n = 50, nmero de lingotes de acero que pesan
por lo menos 91.5 kg
N*2 = n2+ n3 + n4 + n5 = 11 + 20 + 9 + 6 = 46, nmero de lingotes de acero
que pesan por lo menos 92.5 kg
N*3 = n3+ n4+ n5 = 20 + 9 + 6 = 35, nmero de lingotes de acero que
pesan por lo menos 93.5 Kg.
N*4 = n4 + n5 = 9 + 6 = 15, nmero de lingotes de acero que pesan por lo
menos 94.5 kg
N*5 = n5 = 6, nmero de lingotes de acero que pesan por lo menos 95.5 kg
72
70/147
ESTADSTICA APLICADA
Definicin 16: Frecuencia relativa (hi) del i-simo intervalo de clase, es
el cociente.
ni
hi =
, i = 1, 2,... , m
n
Para el ejemplo 4:
4
n1
h1 =
=
= 0.08
5
n
h2 =
n2 11
=
= 0.22
50
n
h3 =
n3 20
=
= 0.40
50
n
, es la proporcin de lingotes de acero que pesan

menos de 92.5 kg.
, es la proporcin de lingote que pesan 92.5 kg. o
ms pero menos de 93.5 kg
, es la proporcin de lingotes de acero que pesan
93.5 kg. o ms pero menos de 94.5 kg
9
n4
=
= 0.18
50
n
6
n5
h5 =
=
= 0.12
50
n
h4 =
Definicin 17: Frecuencia relativa porcentual a la frecuencia relativa hi

multiplicada por 100% (100%) y representa el porcentaje de
observaciones que pertenecen a la clase i-sima.
As, para el ejemplo 4
100 h1% = 100(0.08)% = 8%, es el porcentaje de lingotes de acero que
pesan menos de 92.5 Kg.
pesan 92.5 Kg o ms pero menos de 93.5 kg
pesan 93.5 Kg o ms pero menos de 94.5 kg
Definicin 18: Frecuencia relativa acumulada menor que (Hi)l de la
clase i-sima, es la frecuencia relativa correspondiente a los valores
observados menores que yi, es decir menores que el extremo superior del
intervalo de clase i-simo. entonces.
i
Hi = h1 + h2 + ... + hm = jS=1 nj
Para el ejemplo 4:
H1 = h1 = 0.08, es la proporcin de lingotes de acero que pesan menos
de 92.5 kg
H2 = h1 + h2 = 0.08 + 0.22 = 0.30, es la proporcin de lingotes de acero
que pesan menos de 93.5 kg
H3 = h1 + h2 + h3 = 0.08 + 0.22 + 0.40 = 0.70, es la proporcin de lingotes
de acero que pesan menos de 94.5 kg
Definicin 19: Frecuencia relativa acumulada mayor o igual
*
que (Hi) de la clase i-sima, es la frecuencia relativa total
correspondiente a los valores observados mayores o iguales al extremo
inferior del intervalo de clase i-simo, es decir mayores o iguales que yi-1 ,
entonces.
73
71/147
ESTADSTICA APLICADA
H*i = hi + hi+1 + ... + hm = Sj =1hj

Para el ejemplo 4:
m
H1* = jS=1 hj = 1
H2* = h2 + h3 + h4 + h5 = 0.22 + 0.40 + 0.18 + 0.12 = 0.92
es la proporcin de lingotes de acero que pesan por lo menos 92.5 kg
*
H3 = h3 + h4 + h5 = 0.40 + 0.18 + 0.12 = 0.70

es la proporcin de lingotes de acero que pesan por lo menos 93.5 kg
Definicin 20: Frecuencia relativa acumulada porcentual a la
frecuencia relativa acumulada Hi (o Hi* ) multiplicada por 100%
Es decir 100 Hi% (o 100 H*i %) y representa el porcentaje de observaciones
menores que yi (o mayores o iguales a yi-1)
As, para el ejemplo 4:
100 H1% = 100(0.08)% = 8%, es el porcentaje de lingotes de acero que
100 H2% = 100(0.30)% = 30%, es el porcentaje de lingote de acero que
Etc.
100H2* % = 100(0.92)% = 92%, es el porcentaje de lingotes de acero que
pesan por lo menos 92.5 kg
100H3* % = 100(0.70)% = 70%, es el porcentaje de lingotes de acero que
pesan por lo menos 93.5 kg
Por tanto, las diferentes tablas de frecuencias que se pueden
confeccionar para un conjunto de datos contnuos est dada en la tabla 9.
yi-1 - yi
yi
ni
hi
y0 - y1
y1
y2
y1 - y2
.
.
.
.
.
.
ym-1 - ym ym
n1 h1
n2 h2
.
.
.
.
.
.
nm hm
Totales
H*i
100hi%
100Hi%
100Hi* %
N1 H1 N 1
N2 H2 N*2 Hi
.
.
. .
.
.
. .
.
.
. .
n 1 N*m H*m
100h1
100h2
.
.
.
100hm
100H1
100H2
.
.
.
100
100
100H2*
.
.
.
100H*m
Ni
Hi N*i
100
Las tablas de frecuencia diferentes que se puede formar para el ejemplo 4

se resume en la tabla 10
[yi-1- yi]
91.5 - 92.5
92.5 - 93.5
93.5 - 94.5
94.5 - 95.5
95.5 - 96.5
Totales
yi
ni
hi
Ni
Hi N*i
H*i
100hi%
100Hi%
50
46
35
15
6
1.00
0.92
0.70
0.30
0.12
8
22
40
18
12
8
30
70
88
100
92.0
4 0.08 4 0.08
93.0 11 0.22 15 0.30
94.0 20 0.40 35 0.70
95.0
9 0.18 44 0.88
96.0
6 0.12 50 1.00
50
100Hi* %
100
92
70
30
12
100
74
72/147
ESTADSTICA APLICADA
Nota: Antes de pasar, vale la pena ilustrar, al igual que se hizo con los
resultados de la tabla 6, como a partir de una clasificacin de datos
continuos, se puede obtener informacin valiosa y resumida de ellos. En el
ejemplo 2.4 donde las observaciones respecto a los pesos de 50 lingotes
de acero producidos por SIDERPER, se consideran representativos DE
toda la poblacin de lingotes de acero producidos por dicha empresa, las
diferentes distribuciones de frecuencias que aparecen en la tabla 10
pueden entre otros, brindar informaciones como las siguientes:
1. Que el mayor tanto por ciento de lingotes de acero pesan entre 93.5 y
94.5 kg. Como se puede observar en la columna correspondiente a
100hi% este tanto por ciento es 40.
2. Si el peso apropiado de los lingotes de acero para su aceptacin en el
mercado internacional es como mnimo 93.5%, los resultados de la
tabla reflejan que slo el 70% (ver la columna 100 Hi %) de esta
poblacin cumple la condicin, lo cual representa quizs, que dicha
empresa debe reajustar sus maquinarias, ya que habra un 30% que no
se puede en adelante.
La inversin real (en miles de dlares) anual de un grupo de pequeas
empresa fueron:
10
16
13
0
12
12
20
17
14
6
8
25
21
6
5
40
28
7
8
5
6
30
6
9
6
8
26
8
11
8
10
30
14
13
7
30 2
4 6
7 15
15 18
12 15
8
10
19
20
36
6
18
27
30
39
14
17
22
60
52
Se pide:
a. Formar una tabla de todas las distribuciones de frecuencias, con
intervalos de amplitud constante;
b. El nmero de pequeas empresas con inversiones menores de 40 mil
dlares.
c. El nmero de pequeas empresas que han invertido 40 mil dlares o
ms.
d. El nmero de pequeas empresas que invirtieron 10 mil dlares o ms
pero menos de 35 mil dlares.
e. La proporcin de pequeas empresas con inversiones menos de 8 mil
dlares.
f. La proporcin de pequeas empresas que invirtieron por lo menos 20
mil dlares pero a lo ms 38 mil dlares.
g. El porcentaje de pequeas empresas que han invertido entre 6 mil
dlares y 30 mil dlares inclusive;
h. El porcentaje de pequeas empresas que invirtieron ms de 64 mil
dlares.
Solucin a:
1. Consideremos m 60 = 7.746, es decir m = 8
2. Xmax = 60 y xmin = 0, por tanto l = 60 - 0 = 60
60
l
3. De (1) y (2) c =
=
= 7.5
8
m
75
73/147
ESTADSTICA APLICADA
Obviamente preferimos trabajar con c = 8. Para lo cual ampliamos el
recorrido de los datos, de manera que sea mltiplo de m = 8. Pero como la
inversin no puede ser negativa, ampliamos slo a la derecha, es decir,
hacemos:
xmax = 64 y xmin = xmin = 0
Ahora: l = 64 - 0 = 64
4. Los lmites de clases son:
y0 = xmin = 0
y1 = y0 + c = 0 + 8
y2 = y0 + 2c = 0 + 2x8 = 16
y3 = y0 + 3c = 24
y4 = y0 + 4c = 32
y5 = y0 + 5c = 40
y6 = y0 + 6c = 48
y7 = y0 + 7c = 56
y8 = y0 + 8c = 64
5. Las marcas de clases son:

0+8
8 + 16
y1 =
Y2 =
=4
= 12 Observe que esto es lo mismo que
2
2
y2 = y1 + c - 4 + 8 - 12. Entonces y3 - y2 + c - 12 + 8 - 20
y4 = y3 + c = 20 + 8 = 28, etc
6. Las frecuencias absolutas de cada clase se obtiene siguiendo el
proceso antes mencionado. Las otras frecuencias tambin se ubicarn
directamente en la tabla.
Tabla 11 Distribucin de frecuencias de las inversiones de pequeas empresas
yi-1 - yi
yi
ni
hi
Ni
Hi
N*i
H*i
100hi%
0-8
8 - 16
16 - 24
24 - 32
32 - 40
40 - 48
48 - 56
56 - 64
4
12
20
28
36
44
52
60
15
22
10
8
2
1
1
1
15/60
22/60
10/60
8/60
2/60
1/60
1/60
1/60
15
37
47
55
57
58
59
60
15/60
37/60
47/60
55/60
57/60
58/60
59/60
60/60
60
45
23
13
5
3
2
1
16/60
45/60
23/60
13/60
5/60
3/60
2/60
1/60
150/6
220/6
100/6
80/6
20/6
10/6
10/6
10/6
60
Totales
100%
B. El nmero de pequeas empresas con inversiones menores de 40 mil

dlares es 57. Este nmero se encuentra en la interseccin de la fila del
intervalo 32-40 y la columna Ni. (Fig. 2)
22
10
{
{
{
{
{
{
{
{
15
16
24
32
40
48
56
64
15 + 22 +10 + 8+ 2 = 57
1 + 1+ 1 = 3
Fig. 2
76
74/147
ESTADSTICA APLICADA
c. El nmero de pequeas empresas con inversiones de 40 mil dlares o
ms es 3 y se encuentra en la interseccin de la fila del intervalo 40*48
y la columna Ni* (Fig. 2)
d. Ubiquemos los puntos 10 y 35 y los intervalos de clase en una recta
(Fig. 3)
10
22
10
16
24
32
35
40
X
Fig. 3
Por tanto, el nmero de pequeas empresas que intervinieron 10 mil

dlares o ms pero menos de 35 mil dlares ser:
X + 10 + 8 + y
X, se determina interpolando linealmente de la siguiente manera:
suponiendo que los datos estn uniformemente distribuidos en los
intervalos de clase, entonces
Si en una amplitud de 8 = 16 - 8 hay 22 valores
En una amplitud de 6 = 16 - 10 habr x valores
Es decir x =
(16 - 10) 22 6 x 22
=
= 16.5 = 17
16 - 8
8
Similarmente se obtiene y:
en una amplitud de 8 = 40 - 32 hay 2 observaciones
En una amplitud de 3 = 35 - 32 habr y observaciones
(35 - 32) 2
3x2
6
=
=
=1
40 - 32
8
8
O sea y =
Por tanto, el nmero ser 17 + 10 + 8 + 1 = 36 empresas

e. La proporcin de pequeas empresas con inversiones menos de 8 mil
dlares es 15/60 =. 0.25
f. Ubiquelos los lmites de los intervalos y los puntos 20 y 38 en una
recta(Fig. 4)
10/60
8/60
24
20
{
16
2/60
32
38
P1
P2
40
Fig. 4
77
75/147
ESTADSTICA APLICADA
La proporcin de pequeas empresas que intervinieron por lo menos
20 mil dlares pero a lo ms 38 mil dlares, estar dado por:
P1 +
8
+ P2
60
p1 se determina como sigue: suponiendo que las observaciones est

uniformemente distribuido en cada intervalo de clase, entonces
Si en una amplitud de 8 = 24 - 16 hay una proporcin de 10/60
En una amplitud de 4 = 24 - 20 habr una proporcin p1
(24 - 20) (10/60)
5
4 1
( )=
Luego, p1 =
=
24 - 16
8 6 60
Anlogamente se obtiene p2:
Si en una amplitud de 8 = 40 - 32 hay una proporcin de 2/60
En una amplitud de 6 = 38 - 32 habr una proporcin p2
Es decir, p2 =
(38 - 32) (2 / 60)

3
6 2
( )=
=
40 - 32
120
8 6
Por tanto, la proporcin pedida ser
3
5
8
+
= 0.242
+
60 60 120
g. Se sigue el mismo proceso de (d) y (f)

150/6%
220/6%
24
30
16
x%
80/6%
{
0
100/6%
Fig. 5
32
40
y%
El porcentaje de pequeas empresas que han invertido entre 6 y 30 mil

dlares inclusive ser:
x% +
220 100
+
%+y%
6
6
X%, se obtiene como sigue:

Si en una amplitud de 8 = 8 - 0, hay un 15/60%
En una amplitud de 2 = 8 - 6, habr un x%
( (
(8-6) (150 / 6)% 2 150

=
% = 6.25%
8 6
8-0
En forma completamente similar se obtiene y%
Es decir: x% =
Si en una amplitud de 8 = 32 - 24 hay un 80/6%

En una amplitud de 6 = 30 - 24 habr y%
Esto es y% =
( (
(30-24) (80 / 6)% 6 80

=
% = 10%
8 6
(32 - 24)
78
76/147
ESTADSTICA APLICADA
PRCTICA N 3
1. Por qu las frecuencias relativas son ms importantes que las
absolutas?
2. Cuando se construye una distribucin de frecuencia, el nmero de
clases que se usan depende de:
A. Nmero de datos
c. Tamao de la poblacin
B. Intervalo de los datos reunidos
d. Todas las anteriores
E. A y b pero no c
3. Explique la diferencia entre distribuciones de frecuencias relativas y de
porcentajes.
4. A continuacin se transcriben las edades de 50 integrantes de un
programa de servicio social del gobierno:
81
66
43
39
92
53
88
54
87
72
67
67
76
76
82
60
65
70
97
80
80
52
97
86
70
80
52
97
86
70
64
72
68
45
65
56
74
82
60
50
54
65
75
45
58
91
73
79
65
70
61
69
60
76
56
Construya con esto datos las distribuciones de frecuencia relativa

usando 7 y 13 intervalos iguales. Las polticas estatales de los
programas de servicio social exigen que aproximadamente 40% de los
participantes del programa sean mayores de 50 aos.
a. Se ajusta el programa a esa poltica?
b. Cul de las distribuciones de frecuencia relativa le ayuda a contestar
mejor la parte (a)?
c. Suponga que el director de los servicios sociales quiera conocer la
proporcin de participantes en el programa cuya edad flucta entre 45 y
80 aos. Con cul de las dos distribuciones podra estimar mejor la
respuesta el director?
5. La compaa VELOZ, una empresa situada en Arequipa, muestreo sus
registros de embarque durante cierto da, obteniendo los siguinetes
resultados:
Tiempo transcurrido desde la recepcin de la orden hasta la

entrega (en das)
4
20
12
5
8
19
14
10
11
15
6
24
7
7
13
29
79
13
6
11 11
77/147
ESTADSTICA APLICADA
Construya una distribucin de frecuencia para los datos anteriores y
una distribucin de frecuencia relativa. Use intervalos de 6 das.
a. Qu afirmacin puede hacer sobre la eficacia del procesamiento de
pedidos a partir de las distribucin de frecuencia?
b. Si la compaa quiere asegurarse de que la mitad de sus entregas se
realicen en 10 o menos das. Puede ud. determinar mediante la
distribucin de frecuencia de la compaa ha alcanzado su meta?
6. Las marcas de clase de una distribucin de frecuencias con intervalos
de igual amplitud son: 46,55,64,73,82,91. Halle:
a. El intervalo de clase
b. El rango
c. Los limites de clase
7. Se tiene una distribucin de frecuencias con cuatro intervalos de clase

de igual amplitud y los siguientes datos:
y1 = 10,
y4= 22
h1 = 0.30
h4 = 17.5%
H2 = 0.45
n = 120
Reconstruir la tabla de frecuencias.

8. Los puntajes de 50 alumnos se clasifican en un cuadro de distribucin
de frecuencias de cuadro intervalos de amplitud constente. Sabiendo
que: y2 = 50, n1 = 4, N2 = 20, n3 = 25, c = 62. Reconstruir el cuadro
9. En cada uno de los siguientes casos, determine si son consistentes o no
los datos:
a. m = nmero de clases = 6, h1 = 0.2, h4 = 0.2, H2 = 0.6, H3 + H4 = 1.9
b. H4 = 0.30, n = 10, h3 = 0.31
c. h2 = 0.40, n = 50, n1 = 20
d. h1 = 4%, h3 = 12%, H4 = 15%
e. H5 = 0.36, N4 = 30, h5 = 6, n = 50
10.Suponga que la siguiente tabla de distribucin representa los salarios
de los trabajadores de la construccin civil de Lima.
a. El sindicato de construccin civil
solicita que en el nuevo pacto
colectivo se establezca un
salario diario mnimo de S/. 14
Qu porcentaje de
trabajadores se beneficiarn
con este pacto?
Salarios diarios (en S/.)

De 8
de 12
de 16
de 20
de 24
de 28
Total
a
a
a
a
a
a
12
16
20
24
28
32
Frecuencia
360
420
510
660
570
480
3000
b. Los trabajadores que reciben ms de 30 soles diarios, se supone

muy calificados (maestros de obra). Qu porcentaje de
trabajadores se supone muy calificados?
c. Estime el nmero de trabajadores que ganan entre 15 y 20 soles
diarios.
80
78/147
ESTADSTICA APLICADA
LA MEDIA
La media aritmtica de una variable estadstica es la suma de todos sus
posibles valores, ponderada por las frecuencias de los mismos.
Es decir, si la tabla de valores de una variable X es:
X ni
x1 n1
... ...
fi
f1
...
xk
fk
nk
la media es el valor que podemos escribir de las siguientes formas

equivalentes:
x = x1 f1 + ... + xk fk
= 1 (x1 n1 + ... xk nk)
n
1 k
=
xi ni
n
i=1
si los datos no estn ordenados en una tabla, entonces:
x1 + ... + xn
x=
n
Observacin
Hemos supuesto implcitamente en la definicin de media que tratbamos
con una variable X discreta. Si la variable es continua tendremos que
cambiar los valores de Xi por las marcas de clase correspondientes. En
general, la media aritmtica obtenida a partir de las marcas de clase Ci,
diferir de la media obtenida con los valores reales, Xi. Es decir, habr una
perdida de precisin que ser tanto mayor cuanto mayor sea la diferencia
entre los valores reales y las marcas de clase, o sea, cuanto mayores sean
las longitudes ai, de los intervalos.
Proposicin
La suma de las diferencias de la variable con respecto a la media es nula,
es decir:
n
( x - x ) = 0
i
i=1
Demostracin:
Basta desarrollar el sumatorio para obtener:
n
( x - x ) = (x
i
- x ) + ... + (xn - x) = (x1 + ... + xn) - nx = nx - nx = 0
i=1
Este resultado nos indica que el error cometido al aproximar un valor

cualquiera de la variable, por ejemplo x1, mediante el valor central x, es
compensado por los dems errores:
n
Error aprox. de x1 x1 - x = (xi - x)

i=1
81
79/147
ESTADSTICA APLICADA
Si los errores se consideran con signo positivo, en este caso no pueden
compensarse. Esto ocurre si tomamos como medida de error alguna de
las siguientes:
n
(x i
x) 0
Error cuadrtico
i=1
n
xi - x 0
Error cuadrtico
i=1
mx
xi - x 0
i=1,...,n
Error cuadrtico
Que son cantidades estrictamente positivas si algn xi x

Ejemplo
Obtener las desviaciones con respecto a la media en
la siguiente distribucin y comprobar que su suma es
cero.
Solucin
li-1 - l1 ni xi
0 - 10
1 5
10 - 20 2 15
20 - 30 4 25
30 - 40 3 35
xini
5
30
100
105
xi - x
-19
-9
+1
+11
X n = 240
n = 10
i i
li-1 - l1 n1
0 - 10
1
10 - 20 2
20 - 30 4
30 - 40 3
(xi - x) ni
-19
-18
+4
+33
=0
La media aritmtica es
x=
240
1
xi ni =
= 24
10
n
Como se puede comprobar sumando los elementos de la ltima columna.
(x - x) n = 0
i
Proposicin (Konig)
Para cualquier posible valor k que consideremos como candidato a
medida central, lo mejora en el sentido de los mnimos cuadrados, es
decir.
n
n
2
(xi - x) <
i=1
(x - k)
i
si k x
i=1
Demostracin
Sea k x
Veamos que el error cuadrtico cometido por k es mayor que el de x
n
(xi - k)2 =
i=1
xi - (k - x + x) 2
(Sumando y restando x)
i=1
n
(xi - x) - (k - x)
(y usando el binomio de Newton...)
i=1
82
80/147
ESTADSTICA APLICADA
n
n
2
(x - x)
i
- 2(x - k)
i=1
n
2
(x - x) + (k - x)
i
i=1
n (k-x)2 > 0
>
i=1
(x - x)
i
i=1
Proposicin (Linealidad de la media)

Y = a + bx
y = a + bx
Proposicin
Dados r grupos con n1, n2,nr observaciones y siendo, x1, x2,...xr ,las
respectivas medias de cada uno de ellos.
Entonces la media de las n = n1 + ... + nr observaciones es:
X=
n1 x1 + ... + nr xr
n1 + ... + nr
Demostracin
Vamos a llamar xij a la j-sima observacin del grupo i; entonces tenemos
er
1 grupo
2do grupo
x11
x21
... X1n1
... X2n2
xr1
... Xrn
...
resimo grupo
n1
x1 = ( j=1 xij( /n1

n2
x2 = ( j=1 xij( /n2

nr
xr = ( j=1 xij( /nr
As, agrupando convenientemente las observaciones se llega a que:

(x11 + ... + x1n1) + (x22 + ... + x2n2) + ... + (xr1 + ... + xrnr)
n1 + n2 + ... + nr
x1 + x1 + ... + nrxr
=
n
x=
Observacin
A pesar de las buenas propiedades que ofrece la media, sta posee
algunos inconvenientes:
Uno de ellos es que es muy sensible a los valores extremos de la
variable: ya que todas las observaciones intervienen en el clculo de
la media, la aparicin de una observacin extrema, har que la media
se desplace en esa direccin. En consecuencia.
No es recomendable usar la media como medida central en las
distribuciones muy asimtricas;
Depende de la divisin en intervalos en el caso de variables
continuas.
Si consideramos una variable discreta, por ejemplo, el nmero de
hijos en las familias de Mlaga el valor de la media puede no
pertenecer al conjunto de valores de la variable;
Por ejemplo x = 25 hijos.
83
81/147
ESTADSTICA APLICADA
Clculo abreviado
Se puede utilizar la linealidad de la media para simplificar las operaciones
necesarias para su clculo mediante un cambio de origen y de unidad de
medida. El mtodo consiste en lo siguiente:
1. Tomamos a un nmero que exprese aproximadamente el tipo de
unidad con la que se trabaja. Por ejemplo, si las unidades que
usamos son millones, tomamos a = 1.000. 000
2. Seleccionamos un punto cualquiera de la zona central de la tabla, Xo.
Este punto jugar el papel de origen de referencia.
3. Cambiamos a la variable
x - x0
a
x = az + x0
x=
X - x0
Z= a
4. Construimos de este modo la tabla de la variable Z, para la que es

ms fcil calcular x directamente, y despus se calcula x mediante la
relacin (2.2).
Medias generalizadas
En funcin del tipo de problema varias generalizaciones de la media
pueden ser consideradas. He aqu algunas de ellas aplicadas a unas
observaciones x1,..., xn:
La media geomtrica
xg, es la media de los logaritmos de los valores de la variable:
log xg =
log x1 + ... + log xn

n
Luego
xg = n x1 x2 ... xn
Si los datos estn agrupados en una tabla, entonces se tiene:
La media armnica
xa, se define como el recproco de la media
aritmtica de los recprocos, es decir,
por tanto:
xa =
1 ... 1
+ +
xn
x1
1
xa =
n
n
1 ... 1
+ +
x1
xn
La media cuadrtica
xc, es la raz cuadrada de la media aritmtica de los cuadrados.
2
2
xc = x 1 + ... + x n
n
84
82/147
ESTADSTICA APLICADA
LA MEDIANA
Consideramos una variable discreta X cuyas observaciones en una tabla
estadstica han sido ordenadas de menor a mayor. Llamaremos mediana,
Med al primer valor de la variable que deja por debajo de s al 50% de las
observaciones. Por tanto, si n es el nmero de observaciones, la mediana
corresponder a la observacin [n/2] + 1, donde representamos por [-] la
parte entera de un nmero.
Fig. 1 Clculo geomtrico de la mediana
Ni
N/2
B
A
Ni
Med
l
l1
i-1
En el caso de variables continuas, las clases vienen dadas por intervalos,

y aqu la frmula de la mediana se complica un poco ms (pero no
demasiado): Sea [li-1, li] el intervalo donde hemos encontrado que por
debajo estn el 50% de las observaciones.
Entonces se obtiene la mediana a partir de las frecuencias absolutas
acumuladas, mediante interpolacin lineal (Teorema de Thales) como
sigue (Fig. 1).
n - Ni - 1
2
CC BB
ni
=
=
AC
AB
ai
Med - li-1
n - Ni - 1
2
ai
Med = li-1 +
ni
Observacin
La relacin (2.2) corresponde a definir para cada posible observacin,
x (lj-1, lj)su frecuencia relativa acumulada, F(x), por interpolacin lineal
entre los avlores F(lj-1) = Fj-1 y F(lj) = Fj de forma que
F(x) = F(lj-1) +
F(lj) - F(lj-1)
(x - lj-1)
aj
De este modo, Med es el punto donde F(Med) = 1

2
Esto equivale a decir que la mediana divide al histograma en dos partes
iguales a 1
2
85
83/147
ESTADSTICA APLICADA
Observacin
Entre las propiedades de la mediana, vamos a destacar las siguientes:
Como medida descriptiva, tiene la ventaja de no estar afectada por las
observaciones extremas, ya que no depende de los valores que toma la
variable, sino del orden de las mismas. Por ello es adecuado su uso en
distribuciones asimtricas.
Es de clculo rpido y de interpretacin sencilla.
A diferencia de la media, la mediana de una variable discreta es siempre
un valor de la variable que estudiamos (ej. La mediana de una variable
nmero de hijos toma siempre valores enteros).
Si una poblacin est formada por 2 subpoblaciones de medianas Med1 y

Med2, slo se puede afirmar que la mediana, Med, de la poblacin est
comprendida entre Med1 y Med2
Med1 Med Med2
El mayor defecto de la mediana es que tiene unas propiedades

matemticas complicadas, lo que hace que sea muy dificil de utilizar en
inferencia estadstica.
Es funcin de los intervalos escogidos.
Puede ser calculada aunque el intervalo inferior o el superior no tenga
lmites.
La suma de las diferencias de los valores absolutos de n puntuaciones
respecto a su mediana es menor o igual que cualquier otro valor. Este
es el equivalente al teorema de Konig (proposicin 2.1) con respecto a
la media, pero donde se considera como medida de dispersin a:
n
xi - Med
i=1
Ejemplo
Sea X una variable discreta que ha presentado sobre una muestra las
modalidades
X
2, 5, 7, 9, 12
x = 7,
Med = 7
Si cambiamos la ltima observacin por otra anormalmente grande, esto

no afecta a la mediana, pero si a la media:
X
2, 5, 7, 9, 125
x = 29,6 ;
Med = 7
En este caso la media no es un posible valor de la variable (discreta), y se

ha visto muy afectada por la observacin extrema. Este no ha sido el caso
para la mediana.
86
84/147
ESTADSTICA APLICADA
Ejemplo
Obtener la media aritmtica y la mediana en la
distribucin adjunta.
Determinar grficamente cul de los dos
promedios es ms significativo.
li-1 - li
ni
0 - 10
10 - 20
20 - 30
30 - 100
100 - 500
60
80
30
20
10
Solucin:
li-1 - l1
0 - 10
10 - 20
20 - 30
30 - 100
100 - 500
ni
ai
60 10
80 10
30 10
20 70
10 400
n = 200
xi
5
15
25
65
300
xini
300
1.200
750
1.300
3.000
Ni
60
140
170
190
200
n i
60
80
30
2,9
0.25
x n = 6.550
i i
La media aritmtica es
x=
1
n
x = 6.550
200
i
= 32,75
La primera frecuencia absoluta acumulada que supera el valor n/2 = 100

es Ni=140. Por ello el intervalo mediano es [10;20). As
Med = li-1 +
n/2 - Ni - 1
100 - 60
ai = 10 +
x 10 = 15
ni
80
Para ver la representatividad de ambos promedios, realizamos el

histograma de la figura 2 y observamos que dada la forma de la
distribucin, la mediana es ms representativa que la media.
Fig. 2 Para esta distribucin de frecuencias es ms representativo usar como
estadstico de tendencia central la mediana que la media
80
Mediana
60
Media
30
5
0
10
20
30
100
87
85/147
ESTADSTICA APLICADA
LA MODA
Llamaremos moda a cualquier mximo relativo de la distribucin de
frecuencias, es decir, cualquier valor de la variable que posea una
frecuencia mayor que su anterior y su posterior.
Fig. 3 Clculo geomtrico de la moda
B
H
C
F
F
Moda
E
En el caso de variables continuas es ms correcto hablar de intervalos

modales. Una vez que este intervalo, (li-j, li), se ha obtenido, se realiza la
siguiente frmula para calcular la moda. (Fig. 3).
HC
BC
HC + HC
=
=
AB
AB
AB + AB
Moda - li-1
ai
=
ni - ni-1
(ni - ni-1) + (ni - ni+1)
Moda = li-1 +
ni - ni-1
ai
(ni - ni-1) + (ni - ni+1)
Observacin
De la moda destacamos las siguientes propiedades:
Es muy fcil de calcular.
Puede no ser nica.
Es funcin de los intervalos elegidos a travs de su amplitud,
nmero y lmites de los mismos.
Aunque el primero o el ltimo de los intervalos no posean
extremos inferior o superior respectivamente, la moda puede ser
calculada.
88
86/147
ESTADSTICA APLICADA
EJEMPLO
Problema 1: se tiene la siguiente informacin sobre una distribucin de
frecuencia de 50 elementos de un material sometido a prueba de rotura
(en kg/cm2). La longitud de los intervalos de clase es constante e igual a 20
y
i-1
yi
ni
Ni
yini
i
300
400
23
350
17
440
- 120
50
a. Determinar la media y la mediana muestral

b. El n de datos que estima pertenezca al intervalo [media, mediana]
c. El segundo decil
Solucin: Teniendo en cuenta que c = 20, y los datos de la tabla,

completamos sta
y
yi
ni
Ni
yini
20 - 40
30
10
10
300
40 - 60
50
18
400
60 - 80
70
23
350
80 - 100
90
17
40
1530
100 - 120
110
44
440
120 - 140
130
50
780
i-1
Totales
50
89
3800
87/147
ESTADSTICA APLICADA
EVALUACIN PARCIAL I
1.
La estadstica descriptiva es el conjunto de mtodos que

analiza y describe los datos
2.
La estadstica inferencial es el conjunto de mtodos que

predice algo respecto a la fuente de informacin
3.
Poblacin estadsticamente se refiere a todos los

individuos, objetos con caractersticas comunes
4.
Clasificar un grupo de individuos por sexo y por estado civil

corresponde a una variable cuantitativa ordinal
5.
El control de la calidad en la ingeniera industrial tiene

como componente bsico: SQC, SPC en el desarrollo y la
administracin de una base pragmtica
6.
La calidad total es una estrategia que busca garantizar a

largo plazo: la supervivencia, el crecimiento y la
rentabilidad de una organizacin
7.
La calidad es la clave para lograr la competitividad
8.
La calidad la determina el cliente
9.
El control de calidad comprende 2 funciones
12. El resultado de un particular o especfico trabajo de

normalizacin se le conoce como: norma tcnica
13. Los niveles de aplicacin de la norma son 4:
14. La norma ISO 9000 son un conjunto de normas orientadas

a ordenar la gestin de una empresa
15. ISO 14000 es una norma medioambiental
16. La Media aritmtica es la suma de todos los posibles

valores
17. La moda es cualquier mximo relativo de la distribucin de

frecuencias
10. Los defectos de calidad tienen que ver con las razones
financieras
11. La normalizacin ISO 9000 consiste en formular y aplicar
reglas con el propsito de poner en orden un campo de
actividades.
90
88/147
ESTADSTICA APLICADA
RANGO, VARIANZA, DESVIACIN ESTNDAR
MEDIDAS DE DISPERSIN
Estudia la distribucin de los valores de la serie, analizando si estos se
encuentran ms o menos concentrados, o ms o menos dispersos.
Existen diversas medidas de dispersin, entre las ms utilizadas podemos
destacar las siguientes:
1. Rango: mide la amplitud de los valores de la muestra y se calcula por
diferencia entre el valor ms elevado y el valor ms bajo.
2. Varianza: Mide la distancia existente entre los valores de la serie y la
media. Se calcula como sumatorio de las diferencias al cuadrado entre
cada valor y la media, multiplicadas por el nmero de veces que se ha
repetido cada valor. El sumatorio obtenido se divide por el tamao de la
muestra.
(xi-xm)2 * ni
2
Sx=
n
La varianza siempre ser mayor que cero. Mientras ms se aproxima a
cero, ms concentrados estn los valores de la serie alrededor de la
media. Por el contrario, mientras mayor sea la varianza, ms dispersos
estn.
3. Desviacin tpica: Se calcula como raz cuadrada de la varianza.
4. Coeficiente de varizacin de Pearson: se calcula como cociente
entre la desviacin tpica y la media.
Ejemplo: vamos a utilizar la serie de datos de la estatura de los alumnos
de una clase y vamos a calcular sus medidas de dispersin.
Variable
(valor)
1,23
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,30
Frecuencias absolutas
simple Acumulada
1
4
4
2
1
2
3
3
4
3
3
1
5
9
11
12
14
17
20
24
27
30
Frecuencias relativas
Simple Acumulada
3,3%
13,3%
13,3%
6,6%
3,3%
6,6%
10,0%
10,0%
13,3%
10,0%
10,0%
3,3%
16,6%
30,0%
36,6%
40,0%
46,6%
56,6%
66,6%
80,0%
90,0%
100,0%
1. Rango: Diferencia entre el mayor valor de la muestra (1,30) y el menor

valor (1,20). Luego el rango de esta muestra es 10 cm.
2. Varianza: recordemos que la media de esta muestra es 1,253. Luego,
aplicamos la frmula:
91
89/147
ESTADSTICA APLICADA
((1,20-1,253)2 * 1 + ((1,21-1,253)2 * 4) + ((1,22-1,253)2*4) + ... + ((1,30-1,253)2 *3)
Sx=
30
2
Por lo tanto, la varianza es 0,0010

3.- Desviacin tpica: es la raz cuadrada de la varianza.
2
s = (S x)
()
Luego:
s = (0,010)() = 0,0320
4. Coeficiente de variacin de Pearson: se calcula como cociente entre
la desviacin tpica y la media de la muestra.
Cv = 0,0320 / 1,253
Luego:
Cv = 0,0255
El inters del coeficiente de variacin es que al ser un porcentaje permite
comparar el nivel de dispersin de dos muestras. Esto no ocurre con la
desviacin tpica, ya que viene expresada en las mismas unidas que los
datos de la serie.
Por ejemplo, para comparar el nivel de dispersin de una serie de datos de
la altura de los alumnos de una clase y otra serie con el peso de dichos
alumnos, no se puede utilizar las desviaciones tpicas (una viene vienes
expresada en cm. y la otra en kg). En cambio, sus coeficientes de variacin
son ambos porcentajes, por lo que s se pueden comparar.
Interpretacin y aplicacin
La desviacin estndar es una medida del grado de dispersin de los
datos del valor promedio. Dicho de otra manera, la desviacin estndar es
simplemente el "promedio" o variacin esperada con respecto de la media
aritmtica.
Una desviacin estndar grande indica que los puntos estn lejos de la
media y una desviacin pequea indica que los datos estn agrupados
cerca de la media.
Por ejemplo, las tres muestras (0, 0, 14, 14), (0, 6, 8, 14) Y (6, 6, 8, 8) cada
una tiene una media de 7. Sus desviaciones estndar son 7, 5 y 1,
respectivamente. La tercera muestra tiene una desviacin mucho menor
que las otras dos porque sus valores estn ms cerca de 7.
La desviacin estndar puede ser interpretada como una medida de
incertidumbre. La desviacin estndar de un grupo repetido de medidas
nos da la precisin de stas. Cuando se va a determinar si un grupo de
medidas est de acuerdo con el modelo terico, la desviacin estndar de
esas medidas es de vital importancia: si la media de las medidas est
demasiado alejada de la prediccin (con la distancia medida en
desviaciones estndar), entonces consideramos que las medidas
contradicen la teora.
92
90/147
ESTADSTICA APLICADA
Esto es de esperarse ya que las mediciones caen fuera del rango de
valores de los cuales sera razonable esperar que ocurrieran si el modelo
terico fuera correcto.
Desglose
La desviacin estndar (DS/DE), tambin conocida como desviacin
tpica, es una medida de dispersin usada en estadstica que nos dice
cunto tienden a alejarse los valores puntuales del promedio en una
distribucin. De hecho especficamente la desviacin estndar es "el
promedio de la distancia de cada punto respecto del promedio". Se suele
representar por una S o con la letra sigma, s
La desviacin estndar de un conjunto de datos es una medida de cunto
se desvan los datos de su media. Esta medida es ms estable que el
recorrido y toma en consideracin el valor de cada dato.
Es posible calcular la desviacin estndar como la raz cuadrada de la
integral
s =
Donde:
(x-u) f(x) dx
m=
x f(x) dx
La DS. Es la raz cuadrada de la varianza de la distribucin

2
1 n
s = lim
(xi - x)2
n-
n i=1
As la varianza es la media de los cuadrados de las diferencias entre cada

valor de la variable y la media aritmtica de la distribucin.
Aunque esta frmula es correcta, en la prctica interesa realizar
inferencias poblacionales, por lo que en el denominador en vez de n, se
usa n-1 (Correccin de Bessel)
n
S =
i=1 (xi - x)2

n -1
Tambin hay otra funcin ms sencilla de realizar y con menos riesgo de

tener equivocaciones:
n
S =
i=1 xi2 x2
n -1
Ejemplo
Aqu se muestra cmo calcular la desviacin estndar de un conjunto de
datos. Los datos representan la edad de los miembros de un grupo de
nios. {5, 6, 8, 9}
93
91/147
ESTADSTICA APLICADA
1. Calcular el promedio X.
x=
1 n xi
N i=1
En este caso, N = 4 porque hay cuatro datos:

x1 = 5
x2 = 6
x3 = 8
x4 = 9
1 4 xi
Sustituyendo N por 4
4 i=1
1 (xi + x2 + x3 + x4)
x=
4
1 (5 + 6 +8 + 9)
x=
4
x = 7 Este es el promedio
x=
2. Calcular la desviacin estndar
s=
s=
1 N (xi - x)2
N i=1
s=
1 4 (xi - x)2
4 i=1
Sustituyendo N por 4
s=
1 4 (xi - 7)2
4 i=1
Sustituyendo x por 7
1
[(4.589 - 4.596)2+(4.318-4.596)2+(4.256-4.596)2+(4.624-4.596)2+(4.903-4.596)2+(4.867-4.596)2+(4.420-4.596)2+(4.790-43596)2]
8
s=
1 [(5-7)2 + (6 - 7)2 + (8 - 7)2 + (9 - 7)2]

4
s=
1 ((-2)2 + (-1)2 + 12 + 22)

4
s=
1 (4+1+1+4)
4
s=
10
4
s = 1.5811 Esta es la desviacin estndar.
94
92/147
ESTADSTICA APLICADA
PRCTICA N 4
1. El promedio de sueldos de los empleados de una fbrica es una cierta
cantidad. Qu contestara usted, como Jefe de Personal, ante una
queja de que nadie debera ganar por debajo del promedio, sea cual
fuere ste?
Respuesta: La nica forma de satisfacerlos es haciendo que todos
ganen igual, lo cual no es posible.
2. Hasta el semestre pasado un alumno de la UDEP haba aprobado 108
de 141 crditos matriculados, con un ndice acumulado de 10,43. Si
este semestre se ha matriculado en 21 crditos, Hasta cunto puede
subir su ndice acumulado como mximo?
Respuesta: Hasta 11,67
3. Puede la desviacin media tener un valor cero? Puede ser negativa?
4. Qu puede decirse de una distribucin en la que s = 0?
5. Una asociacin de ahorro y prstamo tiene las siguientes hipotecas con
sus respectivas tasas de inters: $40 000 al 10%; $25000 al 9%;
$20000 al 8%; $10000 al 7% y $5 000 al 6%. Cul es la tasa de inters
promedio que se paga?
6. En las cuatro aulas donde se rindi una prueba de Estadstica hubieron
14, 27, 27 y 36 alumnos. Las medias (o promedios) en estas aulas
fueron 14,4; 12,1; 9,9 Y 10,2 respectivamente. Cul es la media
general?
7. Un grupo de amigos que salieron juntos del colegio, egresaron de la
UDEP el ltimo semestre. Cuatro de Ingeniera con un ndice promedio
de 14,95, seis de Administracin de Empresas con un ndice promedio
de 14.12 y tres de Informacin con un ndice promedio de 15.10. Cul
es el ndice promedio del grupo? Cul es la desviacin estn dar?
8. Dada la siguiente distribucin de salarios, en dlares, en una empresa
extranjera:
80
70
61
85
100
98
88
81
52
90
96
75
85
76
64
91
92
69
88
81
95
100
81
59
75
83
63
73
88
58
70
72
82
94
78
97
98
108
105
97
96
67
83
109
78
89
64
77
80
63
99
87
98
84
64
97
a) Construya una tabla de distribucin de frecuencia, utilizando intervalos

de $10, desde $50,
b) Determine la media y la desviacin estndar.
c) Comente brevemente cmo es la distribucin de salarios en esta
empresa.
d) Construya una tabla de frecuencias acumulativas.
e) Encuentre el salario sobre el cual est el 25% de los empleados.
9. El dimetro de 180 tornillos vara entre 0,829 a 1,286 cm. Sugiera un
agrupamiento indicando sus lmites, fronteras y marcas de clase.
10. Considere la siguiente muestra: resistencia de 50 lotes de algodn
(Kg. necesarios para romper una madeja)
95
93/147
ESTADSTICA APLICADA
HISTOGRAMA DE FRECUENCIAS
Se usa para representar grficamente las distribuciones de frecuencias
absolutas o relativas de datos cuantitativos continuos agrupados en
clases. El fenmeno estudiado queda representado por una serie de
rectngulos semejantes a los del diagrama de barras; sin embargo las
barras de histograma se colocan slo verticalmente y deben ir uno al lado
del las otras sin que haya un espacio que las separe. La base de cada
rectngulo es la amplitud de la clase de la variable correspondiente. Estos
grficos reciben el nombre de histograma de frecuencia absolutas (o
histograma de frecuencias relativas), Se construye como sigue:
1. Se lleva sobre un eje horizontal los lmites de los intervalos de clase
y0, y1,ym
2. Sobre cada intervalo de clase se levantan rectngulos que tengan
como rea exactamente la frecuencia absoluta (o relativa)
correspondiente.
Es decir, al intervalo de clase [y'i-1' y'i >
con amplitud c1, y frecuencia absoluta
ni (o frecuencia relativa h i ),le
corresponder un rectngulo de base
ci y altura ni/ci (o respectivamente hi/ci),
con lo cual se garantiza que el rea de
dicho rectngulo, es decir base por
altura, coincida con n1 (o con hi segn
el caso). Fig. 1
ci x
ni
ni
Ci
ni
hi
= ni (o ci x
= hi)
ci
ci
yi - 1
As, la superficie total de los
yi
yi
rectngulos o sea e! rea limitada
Ci
por e! histograma ser igual a n (o a
la unidad), lo cual permite comparar
visual mente dos distribuciones de
efectos diferentes.
Nota: Cuando los intervalos de clases son de igual amplitud como se ha
venido considerando en los ejemplos (c1 = c), las alturas de los rectngulos
ni/c (o h/c) sern proporcionales a las frecuencias absolutas (o relativas).
En este caso se acostumbra tomar las alturas numricamente iguales a

dichas frecuencias (o sea que se cambia n/c por ni o hi/c por hi). Esto es
equivalente a poner c una unidad.
Ejemplo 1: Las figuras 2 y 3 seran los histogramas de frecuencias
absolutas y relativas respectivamente para la distribucin de frecuencias
de los pesos de los lingotes de acero del ejemplo 1, Figura 3.
Note que la nica diferencia entre ambos histogramas es la escala
vertical. La escala de la Fig. 2 es el nmero absoluto de las observaciones
en cada clase; en cambio, la escala de la Fig. 3 es el nmero de
observaciones en cada clase como una fraccin del nmero total de ellas.
Es decir, ambos grficos tienen la misma forma.
96
94/147
ESTADSTICA APLICADA
ni
20
15
20
10
11
9
6
4
0
91.5
92.5
93.5
95.5
94.5
96.5
yi
Fig. 2 Histograma de Frecuencia absoluta de los pesos de lingotes de acero
hi
0.40
0.30
0.20
0.10
0.08
0.22
0.40
0.18
0.12
0
91.5
92.5
93.5
94.5
95.5 96.5
yi
Fig. 3 Histograma de Frecuencia relativa de los pesos de los lingotes de acero.
Es til poder presentar los datos en funcin de la frecuencia relativa de las

observaciones y no en funcin de la frecuencia absoluta de cada clase,
pues, aunque los nmeros absolutos pueden cambiar (por ejemplo, al
pesar ms lingotes de acero), la relacin entre las clases pueden
permanecer estables. El 40% de los lingotes pueden caer dentro de la
clase "9.35 - 94.5", sin importar si pesamos 50 500 lingotes.
Utilidad de las grficas: Las grfica" de la distribucin de frecuencias
absolutas y de la distribucin de frecuencias relativas son tiles porque
ponen en relieve y aclaran las tendencias que no se captan fcilmente en
las tablas. Atraen la atencin del lector sobre las tendencias de los datos.
Nos permiten estimar algunos valores con una simple ojeada y nos
brindan una verificacin grfica de la veracidad de nuestras soluciones.
97
95/147
ESTADSTICA APLICADA
Polgonos de frecuencias
Los polgonos de frecuencias absolutas o relativas, se obtienen uniendo
los puntos medios de las bases superiores de los rectngulos en el
histograma de frecuencias" absolutas o relativas, respectivamente. As las
figuras 4 y 5 seran los polgonos de frecuencias absolutas y relativas para
la distribucin de los pesos de lingotes de acero del ejemplo 1.
ni
20
15
10
91.5 92.5 93.5 94.5 95.5
96.5
yi
Fig. 4. Polgono de frecuenias absolutas de los pesos de 50 lingotes de acero
Si comparamos estas figuras con las figuras 2 y 3, vemos que se han

agregado un intervalo de clase de cero observaciones en cada extremo de
la distribucin, lo cual permite al polgono alcanzar el eje horizontal en
ambos extremos.
hi
0.40
0.30
0.20
0.10
91.5 92.5 93.5 94.5 95.5
96.5
yi
Fig. 5 Polgono de frecuencias relativas de los pesos de 50 lingotes de acero.
Podra demostrarse que el rea encerrada por los rectngulos del

histograma coincide con la encerrada por el polgono de frecuencias.
Por tanto no habra diferencia entre ambos grficos.
Sin embargo, cuando se quiere presentar ms de una serie estadstica en
el mismo grfico con fines comparativos, deben utilizarse los poligonos de
frecuencias.
98
96/147
ESTADSTICA APLICADA
Polgonos de frecuencias acumuladas ojivas
Una ojiva es la representacin grfica de una distribucin de frecuencias
absolutas acumuladas o las frecuencias relativas acumuladas.
OJIVA ''MENOR QUE": Es la representacin grfica de una distribucin
de frecuencias absolutas acumuladas "menor que" o las frecuencias
relativas acumuladas "menor que". Se construyen de la siguiente manera:
1. Se llevan sobre un eje horizontal los lmites de los intervalos de clase
y0, y1,ym
2. Se levantan sobre el extremo superior de cada clase un segmento cuya
longitud - coincida con la frecuencia absoluta acumulada o con la
frecuencia relativa acumulada de dicha clase, segn estemos
considerando una ojiva de frecuencias absolutas acumuladas o una
ojiva de frecuencias relativas acumuladas.
3. Luego se unen con segmentos de rectas los extremos superiores de
dichos segmentos verticales.
Ejemplo 2: Construir la ojiva "menor que" de frecuencias absolutas
acumuladas y de frecuencias relativas acumuladas para la distribucin de
los pesos de lingotes de acero del ejemplo 1.
Solucin: Escribimos las tablas de distribucin de frecuencias absolutas
acumuladas y frecuencias relativas acumuladas de la siguiente manera:
Pesos (en Kg)
intervalo de clase
Frecuencia
absoluta
acumulada Ni
Frecuencia
relativa
acumulada Hi
Menor que 91.5

Menor que 92.5
Menor que 93.5
Menor que 94.5
Menor que 95.5
Menor que 96.5
0
4
15
35
44
50
0.00
0.08
0.30
0.70
0.88
1.00
Luego, siguiendo las pautas

dadas, se construye las
ojivas menor que, Figuras
6 y 7.
Ni
50
45
40
35
Ojiva
menor que
30
25
20
15
10
5
0
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 6 Ojiva Menor que de la distribucin de peso de lingotes de acero usando frecuencias
absolutas acumuladas
99
97/147
ESTADSTICA APLICADA
Nota: Ojiva porcentual
Si en una ojiva de frecuencias relativas acumuladas se cambia en el eje
vertical la escala de frecuencias relativas acumuladas por la porcentual,
se obtiene la ojiva porcentual.
Observe que la ojiva "menor" que" es siempre creciente u horizontal.
OJIVA "MAYOR O IGUAL QUE"; Es la representacin grfica de una
distribucin de frecuencias absolutas acumuladas; "mayor o igual que" o
las frecuencias relativas acumuladas "mayor o igual que". Se construye
completamente similar a la ojiva menor que.
Hi
1
0.90
Ojiva
menor que
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.10
0
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 7 Ojiva menor que de la distribucin de pesos de lingotes de acero usando

frecuencias relativas acumuladas
Ejemplo 3: Construir la ojiva mayor igual que, de las frecuencias

absolutas acumuladas y frecuencias relativas acumuladas para la
distribucin de pesos de lingotes de acero del ejemplo 1.
Solucin: las tablas de distribucin de frecuencias mayor o igual que se
escribe:
Peso (en Kg)
intervalo de clase
N*i
H*i
Mayor o igual que 91.5

50
46
35
15
6
0
1.00
0.92
0.70
0.30
0.12
0.00
Luego, siguiendo el mismo proceso

de las ojivas menor que, se
construyen las ojivas mayor o igual
que. (Figs. 8 y 9)
Observe que la ojiva "mayor o igual que" es siempre decreciente u

horizontal.
La ventaja principal de la ojiva es la facilidad con la cual se puede
interpolar linealmente entre dos puntos trazados. Por ejemplo, el
investigador podra estar interesado en el porcentaje de lingote s de acero
que pesan menos de un valor especfico, digamos 95.1 kg (es decir,
conocida la abscisa, hallar la ordenada).
100
98/147
ESTADSTICA APLICADA
Ni*
50
45
40
35
30
25
20
15
10
5
0
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 8 Ojiva mayor o igual que de la distribucin de pesos de lingotes de acero, usando
frecuencias absolutas acumuladas.
Hi *
1
0.90
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.10
91.5
92.5
93.5
94.5
95.5
96.5
Fig. 9 Ojiva mayor o igual que de la distribucin de pesos de lingotes de acero, usando
frecuencias relativas acumuladas.
Se traza por la abscisa conocida una lnea vertical que intersecta a la curva
"menor que" y por este punto se traza una recta horizontal. La
aproximacin al porcentaje deseado se obtiene al leer el punto de
interseccin de la horizontal con el eje de la escala vertical. Fig. 10.
En este caso, aproximadamente el 80% de los lingotes pesarn menos de
95.1 Kg. Esto implica que el 20% de los lingotes pesan 95.1 Kg o ms. Esto
se obtiene al trazar una lnea vertical por 95.1 Kg hasta que corte la curva
"mayor o igual que", luego trazar una horizontal y leer el punto de
interseccin de esta horizontal con el eje de la escala vertical Fig. 10.
(Observe la direccin de la flecha).
Si por el contrario, el investigador quiere saber por debajo de que valor
est situado un cierto porcentaje especfico de la distribucin de
observaciones, (es decir ordenada conocida, hallar la abscisa). Por
ejemplo, si se quiere saber por debajo de qu valor est el 25% de los
pesos de los lingotes de acero.
101
9/113
99/147
ESTADSTICA APLICADA
1.00
Frecuencia Relativa
0.90
Ojiva
menor que
0.80
0.70
0.60
0.50
0.40
Ojiva
menor
o igual que
0.30
25%
0.20
0.10
0
91.5
92.5
93.5
93.3
94.5
94.0
95.5
95.1
96.5 Pesos de los lingotes
Fig. 10 Grfica de ambas ojivas la menor que y la mayor o igual que
Por este punto se traza una horizontal que intersecta a la curva "menor
que" y por la interseccin una vertical. La aproximacin al valor buscado
se obtiene al leer el punto de interseccin de la vertical con el eje de las
abscisas (Fig. 10). En este caso es aproximadamente 93.3 Kg. Es decir, el
25% de los lingotes de acero pesan menos de 93.3 Kg.
Una conclusin importante que se extrae del grfico de ambas ojivas
(Fig. 10) es que stas se intersectan en un punto "M" que corresponde al
50% de las observaciones. Para nuestro ejemplo este punto es
aproximadamente 94 Kg.
Ejemplo 4: La revista econmica "Per en cifras" ha recabado los
siguientes datos en una muestra de 130 vendedores que representan los
ingresos anuales totales por concepto de comisin:
<Utilidades (en S)]
Frecuencia
5 000 o menos
5 000 - 10 000
10 000 - 15 000
15 000 - 20 000
20 000 - 30 000
30 000 - 40 000
40 000 - 50 000
ms de 50 000
5
9
11
33
37
19
9
7
a. Construya un histograma de frecuencias

con estos datos.
b. Qu observa en el histograma respecto
a los datos que no capt de inmediato en
la distribucin de frecuencias?
c. Construya una ojiva que le ayude a
contestar las siguientes preguntas:
I. Aproximadamente qu proporcin de los vendedores gana ms de $

25000?
Ii. Aproximadamente cunto gana el vendedor "medio" de la muestra?
Iii. Aproximadamente cunto podra ganar al ao un agente de bienes
races cuyo rendimiento fuera 25% del nivel mximo?
Solucin:
a. Los intervalos de clases tienen amplitudes diferentes. Entonces para
graficar el histograma, primero estandarizamos la amplitud, tomando
como unidad c = 5 000 = unidad. En la tabla siguiente se puede
observar los clculos.
102
100/147
ESTADSTICA APLICADA
< utilidades (en S) ]
Frecuencia
ni
5
9
11
33
37
19
9
7
5 000 o menos
5 000 - 10 000
10 000 - 15 000
15 000 - 20 000
20 000 - 30 000
30 000 - 40 000
40 000 - 50 000
ms de 50 000
Altura =
ci
Amplitud
estandarizado
c = 5000 = unidad
--5 000
5 000
5 000
10 000
10 000
10 000
---
--1
1
1
2
2
2
---
--9
11
33
18.5
9.5
4.5
---
Amplitud de
clase
ni
ci
estandar
Note que los extremos son intervalos abiertos. No se conoce su amplitud;

por tanto, no se puede estandarizar, tampoco graficar dichos intervalos.
30
25
20
15
10
5
cinco vendedores que

ganan 5 mil o menos
FRECUENCIA ABSOLUTA
35
Siete vendedores
que ganan
50 mil o ms
10
15
20
25
30
35
40
45
50 ingreso
(en miles de S)
Fig. 11 Histograma de frecuencia absoluta de las utilidades de 130 vendedores
b. El extremo inferior de la distribucin es ms plano que el superior.

c. Construiremos la ojiva de frecuencias relativas acumuladas menor
que.
Ingresos (en S)
ni
Frecuencia (hi )
relativa
< 5 000
5 000 - 10 000
10 000 - 15 000
15 000 - 20 000
20 000 - 30 000
30 000 - 40 000
40 000 - 50 000
< 50 000
11
33
37
19
9
7
0.038
0.069
0.085
0.254
0.285
0.146
0.069
0.054
TOTAL
130
1.000
5
9
Frecuencia relativa
acumulada Hi
0.038
0.107
0.192
0.446
0.731
0.877
0.946
1.000
103
101/147
ESTADSTICA APLICADA
i. Por el punto 25 se traza una vertical que corta a la ojiva y por este una
horizontal. El valor es aproximadamente 42%. Es decir,
aproximadamente el 42% de los vendedores ganan ms de $ 25 000.
FRECUENCIA RELATIVA ACUMULADA
Esta solucin como sabemos se puede hacer tambin por el mtodo de

interpolacin lineal. En este mtodo se supone que las frecuencias
dentro de todo intervalo estn uniformemente distribuidas. Y se pueden
utilizar indiferentemente las frecuencias absolutas o las relativas.
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
5 10 15
30
25
20
50 ingreso
40
(en miles de S)
Fig. 12 Ojiva de frecuencia relativa acumulada menor que
1. utilizando frecuencias absolutas.

25
}
x 30
20
40
50
}
}
}
}
37
10
30 - 25
Por tanto:
19
37
(30-25) 37
= 5 x 3.7 = 18.5 = 19
x, Luego x =
10
N = 19 + 19 + 9 + 7 = 54
El porcentaje ser : P =
N
54
x 100 =
x 100 42%
130
130
2. Utilizando frecuencias relativas:

25
}
30
20
40
50
}
}
}
}
28.5%
14.6%
104
6.9%
5.4%
102/147
ESTADSTICA APLICADA
P=
(30 - 25) 28.5%

+ 14.6% + 6.9% + 5.4%
10
= 14.25% + 14.6% + 6.9% + 5.4% = 41.15%

La diferencia es por los redondeos
ii. Al vendedor medio le corresponder el 50% de la frecuencia.
El valor aproximado que corresponde es $ 22 000
iii. El 25% del nivel superior, implica el 75% inferior, al actual le
corresponde aproximadamente $ 31 000
Grficas de lnea
Grficas de lneas son aquellas que se representan en unos ejes de
coordenadas cartesianas mediante una lnea recta o quebrada, ya que los
valores de las variables estadsticas sern aislados, tanto en el caso de
variables discretas como en el de las continuas, porque el dominio se
divide en clases y se elige una marca de clase.
Los polgonos de frecuencias y las ojivas son ejemplos de grfica de lnea.
Estos grficos se utilizan tambin para representar series cronolgicas o
sea de distribuciones analizadas a travs del tiempo.
En las series cronolgicas el tiempo (aos, meses, das, etc.) se ubica en
el eje horizontal, llamada escala cronolgica. En el eje vertical, llamada
escala numrica o de valores, se representa el valor de los datos. Ambas
escalas son independientes.
El grfico puede representar una sola variable en funcin del tiempo o ms
de una variable en funcin del tiempo.
Ejemplo 5: El nmero de piezas (en miles) existentes en el almacn de
una Compaa el ltimo da de cada mes del ao 1990 est dado en la
siguiente tabla. Representar un grfico de lnea con estos datos.
Meses
En. Feb. Mar. Abr. Ma. Jun. Jul. Ag.
Piezas
4.5
5.2
5.8
6.5
7.5
Sep. Oct. Nov. Dic.

7.2
6.5
8
Fig. 13
7
6
5
4
0
Ene.
Feb.
Mar.
Abril
May.
Jun..
Jul.
Agos.
Set.
Oct.
105
Nov.
Dic.
Meses
103/147
ESTADSTICA APLICADA
Nota: La grfica de una distribucin simtrica se le puede doblar a lo largo
de un eje vertical de manera que coincidan los dos lados. Una distribucin
cuya grfica no tiene esta caracterstica se le conoce como sesgada. Se
dice que la distribucin que se ilustra en la Fig. 14 est sesgada a la
derecha, porque tiene una cola prolongada aliado derecho y una cola
mucho ms corta al lado izquierdo. En la Fig. 15 se observa que la
distribucin es simtrica, mientras que la Fig. 16 est sesgada a la
izquierda.
Fig. 14 Distribucin sesgada a la derecha
Fig. 15 Distribucin simtrica
Fig. 16 Distribucin sesgada a la izquierda
106
104/147
ESTADSTICA APLICADA
PRCTICA N 5
1. Establezca la veracidad o falsedad de cada una de las proposiciones
siguientes. Reemplace cada enunciado falso por la proposicin
verdadera correspondiente.
a. La escala vertical de una ojiva para una distribucin de frecuencia
relativa, marca la fraccin del nmero total de observaciones que
caen dentro de cada clase.
b. El histograma es una serie de rectngulos, cada uno de ancho
proporcional al nmero de elementos que caen dentro de una clase
particular de datos.
c. La ojiva "mayor o igual que" tiene la forma S y pendiente negativa.
d. Una ventaja del histograma frente a un polgono de frecuencias
consiste en que muestra con mayor claridad cada clase individual en
la distribucin.
2. Cul de los siguientes enunciados sobre los rectngulos del
histograma es correcto?
a. Los rectngulos son de altura proporcional al nmero de elementos
que caen dentro de las clases.
b. Generalmente hay 5 rectngulos en cada histograma.
c. El rea de un rectngulo depende del nmero de elementos de la
clase en comparacin con el nmero de los que hay en el resto de las
clases.
d. Todos los anteriores.
e. a y c pero no b.
3. En la oficina de el diario El Peruano, el tiempo que se tarda en imprimir
la primera plana fue registrado durante 50 das. A continuacin se
transcriben los datos, aproximados a dcimas de minuto:
20.1
19.5
21.8
23.9
22.7
20.8
25.3
23.7
21.3
19.7
22.8
20.7
20.3
21.5
24.2
21.9
22.5
23.6
23.1
23.8
22.0
21.2
19.0
19.9
20.7
20.7
23.8
25.1
24.2
23.8
20.9
23.3
25.0
24.1
24.3
25.0
20.9
19.5
19.8
21.1
22.2
22.9
24.1
23.9
20.9
22.8
23.5
24.2
22.8
21.6
a. Construya con los datos una distribucin de frecuencia y una

distribucin de frecuencia acumulativa "menor que", usando intervalos
de 0.8 minutos.
b. Construya con los datos un polgono de frecuencias.
c. Construya con los datos una ojiva de frecuencia "menor que".
d. Por medio de la ojiva estime qu porcentaje de las veces la primera
plana del peridico puede imprimirse en menos de 24 minutos.
107
105/147
ESTADSTICA APLICADA
4. La siguiente distribucin de las edades de las personas hospitalizadas
en una sala de ciruga. Dibuje el histograma y el polgono
correspondiente.
Intervalo (edad en aos)
Frecuencia
27 - 32
32 - 37
37 - 47
47 - 62
2
5
6
3
16
Total
5. Para la siguiente distribucin

de las tasas de mortalidad
infantil, dibujar su histograma
y el polgono de frecuencias.
Aos
Mortalidad (%)
0 - 0.20
0.20 - 0.50
0.50 - 1.00
1.00 - 2.00
2.00 - 3.00
50.0
30.0
12.0
05.0
03.0
6. El siguiente histograma fue el resultado de un estudio realizado en una

escuela de mecnica automotriz, sobre el tiempo de reparacin de un
motor.
Frecuencia (nmero de
reparaciones efectuadas)
12
9
6
Tiempo necesario
para terminar una
reparacin (en h.)
3
0
3.5 5.5
7.5
9.5 11.5 13.5 15.5
a. Cuntas reparaciones se incluye en este estudio?

b. Cuntas reparaciones se terminaron en un tiempo mayor de 11.5
horas?
Qu porcentaje de las reparaciones se hicieron en un tiempo mayor
de 11.5 horas?
c. Qu porcentaje de las reparaciones se terminaron en un perodo de
tiempo entre 7.5 y 11.5 horas?
7. El histograma que se muestra a continuacin, representa las estaturas
(en centmetro) de los nios integrantes del equipo de atletismo 8 de un
colegio de primaria.
108
106/147
ESTADSTICA APLICADA
10
a. R e c o n s t r u y a l a t a b l a d e
distribucin de frecuencias.
8
6
b. Cuntos nios forman el equipo?

4
c. Los nios de altura 145 o ms

integran el equipo de bsquetbol.
Cuntos forman este equipo?
2
0
127 132 137
147
162
8. Se han medido mediante pruebas adecuadas los coeficientes

intelectuales de un grupo de 80 estudiantes, viniendo los resultados
agrupados en 6 intervalos de amplitud variable. Si estas amplitudes
son: c1 = 4, c2 = 12, c3 = 4, c4 = 12, C5 = 8, c6 = 20. Si las frecuencias
relativas acumuladas son: H1 = 0.20, H2 = 0.20, H3 = 0.50, H4 = 0.70,
H5 = 0.85.
a. Construir la tabla de distribucin de frecuencias absolutas (relativas,
absolutas acumuladas y relativas acumuladas), si el lmite inferior de
la primera clase es 80.
b. Dibujar un Histograma de frecuencias.
c. Dibujar una ojiva "mayor o igual que" y "menor que".
d. Determine el punto de interseccin de las ojivas.
9. De un hospital de infantes se tiene el siguiente informe de atencin por
da: hasta de 2 meses de edad, 40 nios; de 2 a 6 meses, 60 nios, de 6
a 1 ao, 60 nios; de 1 a 2 aos, 96 nios y de 2 a 3 aos, 72 nios.
Represente esta distribucin en un histograma de frecuencias y dibuje
el polgono de frecuencias.
10. Elabore un grfico de barras en el que figuran los seis pases
2
americanos de mayor rea: Brasil, 8511 965 Km , Canad, 9976137
Km2, Estados Unidos, 9363498 Km2, Argentina, 2776889 Km2, Mxico,
2
2
1958201 Km , Per, 1285215 Km .
11. Muestre en un diagrama de barras las ventas y los costos de un
almacn que en los ltimos tres aos tiene las siguientes cifras
informadas por el Departamento de Contabilidad:
Ao
Venta
Costos en almacn
de mercanca vendida
1988
S/. 58 6474
36 3252
1989
1990
47 6892
59 9886
33 5817
37 2338
109
107/147
ESTADSTICA APLICADA
12. Muestre en un pictograma los habitantes (en miles) de cinco ciudades
A
350 D 400
(A, B, C, D y E) que en 1988 fueron:
B
500 E 250
C
600
13. Representar mediante diagramas de barras mltiples los datos del
siguiente cuadro:
PER: DELITOS ECONMICOS REGISTRADOS POR LA POLICIA
DE INVESTIGACIONES: 1986 - 1988
DELITOS ECONMICOS
TOTAL
ADULTE- ACAPARARACIN
MIENTO
ESPECULACION
OTROS
1986
1945
230
614
457
644
1987
3616
236
480
1290
1610
1988
13582
2708
3149
4025
3700
Fuente: Ministerio del Interior - Direccin Estadstica
14. Representar mediante un diagrama de barras mltiples los datos del

siguiente cuadro:
PER: PRESTACIONES DE SERVICIOS DEL INSTITUTO PERUANO
DE SEGURIDAD SOCIAL POR TIPO DE ACTIVIDAD: 1987 - 89
(EN MILES)
TIPO DE ACTIVIDAD
AO
ATENCIN
MDICA
(CONSULTA)
ATENCIN
ODONTOL.
(SESIN)
VACUNAS
(DOSIS)
PARTOS
(PARTOS)
HOSPITALES
EGRESO
DIAS
1987
7110
950
278
46
183
2134
1988
8641
1253
330
52
212
1956
1989
8154
1373
518
59
197
1675
Fuente: INSTITUTO PERUANO DE SEGURIDAD SOCIAL - Direccin Estadstica
15. Representar mediante un diagrama de barras compuestas o

proporcionales la produccin de arroz, algodn y la produccin total
del cuadro siguiente.
PER: SUPERFICIE AVIADA DE CULTIVOS CON PRSTAMOS APROBADOS POR EL BANCO
AGRARIO CON RECURSOS PROPIOS: 1970 - 88 (Has)
SUPERFICIE AVIADA CON PRSTAMO DEL BANCO AGRARIO
Aos Total
Algodn Arroz
1980 528707
1981 565516
1982 548337
1983 462149
1984 600790
1985 681457
1986 1039798
1987 1056549
1988 945752
139524
119133
105138
74478
111302
184041
109388
108010
134145
130156
162598
159291
165060
197488
182277
209038
217726
174438
Caf Caa de
azcar
49939 8183
35577 11484
36883 35002
37276 5104
40888 7178
49328 9700
92202 18348
62216 5549
70669 4908
Frijol
Maz 1/ Papa
13549 68591 38776

18357 84889 50053
13569 79303 38899
4929 61965 46024
11472 82738 59494
10442 78653 61986
24904 212831 152766
16048 220529 166417
13178 185559 131798
Sorgo 2/ Trigo
21167
15317
15347
13266
15562
4477
7052
8144
10827
Otros
4300 54522
3364 64726
1787 63118
805 53242
1512 73156
9340 91213
23557 189712
22171 229739
22047 198183
Nota: En el ao 1988, se considera la Cuenta Ajena.

1/ MAIZ: Amarillo, amilceo, chala y choclo.
2/ SORGO: Grano y escobera.
FUENTE: BANCO AGRARIO DEL PERU - Oficina de Planificaci6n y Estudios Econmicos.
110
108/147
ESTADSTICA APLICADA
16.Representar mediante un diagrama de sectores los datos del siguiente
informe. En una industria el informe de contabilidad muestra que la
produccin fue de S/. 62600 y los gastos as: de administracin
S/.11160, de materiales y energticos S/. 15650, salarios y
prestaciones S/.18780.
17.Represente mediante un diagrama de sectores (grfico circular) para
cada ao los datos del siguiente cuadro.
EXPORTACIONES FOB POR GRUPO DE PRODUCTOS
(Millones de US dlares)
1984
1985
1986
1368
618
198
137
100
1205
645
225
118
71
1023
236
333
204
65
726
3147
714
2978
648
2509
I Productos Tradicionales
Mineros
Petrleo y derivados
Agrcolas
Pesqueros
Otros tradicionales
II Productos No Tradicionales
Total
Fuente: Banco Central de Reserva del Per
18. Los beneficios de la empresa ROS, S.A. (en miles de soles) han sido:
425
200 1986
1980
400
250 1987
1981
400
250 1988
1982
300
300 1989
1983
350
350 1990
1984
400
400 1991
1985
representar en un grfico de lneas estos datos.
19. Si ud. es publicista y tiene que presentar grficamente los siguientes
datos relativos a tres academias de preparacin en el Examen de
Admisin:
ACADEMIA
N INGRESANTES
N NO INGRESANTES
300
600
100
1200
1800
400
A
B
C
a. Cmo representara grficamente de modo que se viera el "tamao de

la academia y el resultado en Admisin"?
b. Qu representacin grfica es ms adecuada para comparar el "grado
de xito" de las academias?
20. En una empresa industrial la nmina de pago por estamentos en cierto
mes fue as: personal de administracin, $ 423 380; personal de
ventas, $ 560325; personal de produccin, $ 2360420. Elabore un
cuadro que destaque:
1.El porcentaje de cada estamento con base en el total de la nmina,
2.El porcentaje de la nmina de pago de cada estamento y del total con
base en el total de ventas que fue de $ 12885518.
111
109/147
ESTADSTICA APLICADA
DISTRIBUCIN NORMAL
1. Concepto:
Esta distribucin es frecuentemente utilizada en las aplicaciones
estadsticas. Su propio nombre indica su extendida utilizacin,
justificada por la frecuencia o normalidad con la que ciertos fenmenos
tienden a parecerse en su comportamiento a esta distribucin,
Muchas variables aleatorias continuas presentan una funcin de
densidad cuya grfica tiene forma de campana.
0,2
0,1
0,0
0
10
2. Aplicacin:
La importancia de la distribucin normal se debe principalmente a que
hay muchas variables asociadas a fenmenos naturales que siguen el
modelo de la normal.
Caracteres morfolgicos de individuos (personas, animales,
plantas,...) de una especie, p. ejm. Tallas, pesos, envergaduras,
dimetros, permetros...
Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un
frmaco, o de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen.
Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de
adaptacin a un medio......
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos maestrales, por ejemplo: la media.
Otras distribuciones como la binomial o la de Poisson son
aproximaciones normales...
Y en general cualquier caracterstica que se obtenga como suma de
muchos factores.
112
110/147
ESTADSTICA APLICADA
3. Funcin de Densidad
Empleando clculos bastante laboriosos, puede demostrarse que el
modelo de la funcin de densidad que corresponde a tales
distribuciones viene dado por la frmula.
Funcin de Densidad
Representacin grfica de esta funcin de densidad
(x - m)2
f(x)
1
2s2
f(x) =
e
s 2p
m = media
s = desv. tpica
s2 = varianza
Dominio:
Campana de Gauss
p = 3.1415
e = 2,7182...
x = abscisa
Dom f = R
Mximo: m,
1
s 2p
m-s
m+s
P. Inflexin: en x = m + s y x = m - s
Asntotas: El eje OX es una asntota horizontal
Simetras: Respecto a la recta x = m
Monotona: Creciente (-, m), decreciente (,+m)
Signo:
Es siempre positiva
P. Corte:
OY
m2
- 2
1
0,
e 2s
s 2p
La distribucin normal queda definida por dos parmetros, su media y su

desviacin tpica y la representamos as
N (m,s)
Para cada valor de m y s tendremos una funcin de densidad distinta
Por tanto la expresin N (m,s) Representa una familia de distribuciones
normales
4. Funcin de distribucin
Puede tomar cualquier valor (- , + )
Son ms probables los valores cercanos a uno central que llamamos
media
Conforme nos separamos de ese valor, la probabilidad va
decreciendo de igual forma a derecha e izquierda (es simtrica).
Conforme nos separamos de ese valor, la probabilidad va
decreciendo de forma ms o menos rpida dependiendo de un
parmetro, que es la desviacin tpica.
F(x) es el rea sombreada de esta grfica
Funcin de Distribucin
f(x)
(x - m)2
F(x) =
- s
1
2p
2s2
dx
e
F (x)
F(x) = P(X x)
U
113
Xi
111/147
ESTADSTICA APLICADA
5. Tipificacin
Si la variable X es N(m,s) entonces la variable tipificada de X es
X-m
Z = s Y sigue tambin una distribucin normal pero
De m = 0 y s = 1, es decir, N(0, 1)
Por tanto su funcin de densidad es:
z2
j (z) =
-2
1
e
2p
;-<z<+
Y su funcin se distribucin es
2
F(z) = P(Zz) = f(z) =
1
2p
-2
e dt
Siendo la representacin grfica de esta funcin.

f(z)
0,4
0,3
0,2
F(z)
-1.5
-1
-s
-0,5
0,1
1-F(z)
0,5
00
m
Z1
1
+s
1.5
2
a la variable Z se la denomina variable tipificada de X, y a la curva de su

funcin de densidad curva normal tipificada.
Caracterstica de la distribucin normal tipificada (reducida,
estndar)
No depende de ningn parmetro

Su media es 0, su varianza es 1 y su desviacin tpica es 1.
La curva f(x) es simtrica respecto del eje OY
Tiene un mximo en este eje
Tiene dos puntos de inflexin en z =1 y z = -1
Aproximacin de la Binomial por la Normal (Teorema de De Moivre):

Demostr que bajo determinadas condiciones (para n grande y tanto p
como q no estn prximos a cero) la distribucin Binomial B(n, p) se puede
aproximar mediante una distribucin normal.
N (np, npq)
y, por tanto, la variable
Z=
X - np
npq
es N(0,1)
114
Teorema de
De Moivre
112/147
ESTADSTICA APLICADA
Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto
ms prximo sea p a 0.5, tanto mejor ser la aproximacin realizada. Es
decir, basta con que se verifique.
np 5 y nq 5
gracias a esta aproximacin es fcil hallar probabilidades binomiales, que
para valores grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta
transformacin de una variable discreta (binomial) en una variable
continua (normal) es necesario hacer una correccin de continuidad.
P(X = a) = P(a - 0.5 X a + 0.5)
P(X < a) = P( X a - 0.5)
P(X a) = P( X a + 0.5)
P(a X b) = P( a - 0.5 X b + 0.5)
P(a < X < b) = P( a + 0.5 X b - 0.5)
a b
a b
Teorema de
DE MOIVRE
X es B(n, p)
Z=
Y es N(np, npq )
X - np
es N (0,1)
npq
6. Manejo de tablas, casos ms frecuentes

La distribucin de la variable Z se encuentra tabulada
115
113/147
ESTADSTICA APLICADA
P (Z a) Tablas
P (Z > a) = 1 - P (Z a)
P (Z -a) = 1 - P (Z a)
-a
P (-a < Z b) = P (Z b) - [1-P(Z a)]
-a
116
114/147
ESTADSTICA APLICADA
P (-a < Z b) = P (Z b) - P(Z a)
P (-bZ > a) = 1 - P (Z a)
-b
-a
Ejemplo:
Consideremos que el peso de los nios varones espaoles en el momento
del nacimiento se distribuye normalmente. Si sabemos que el peso medio
en el momento de nacer son 3,25 kgs y la desviacin tpica es de 0,82 kgs,
Cal es la probabilidad de que el peso de un nio varn al nacer sea
superior a 4 kgs?
Tipificamos la variable aleatoria x, peso de los nios al nacer. En el
proceso de tipificacin, al valor de x=4, le corresponde el valor, t=0,9146 :
En la tabla de la distribucin normal tipificada, buscamos el valor de a
correspondiente al valor de t=0,9146; la probabilidad de t > 0,9146 es,
segn se puede apreciar en la figura: a/2. Luego:
0,36 = 0,18
p (x > 4) = p (t > 0,9146) =
2
La curva tipificada
-1
117
115/147
ESTADSTICA APLICADA
+
0.00
.5000
.4602
.4207
.3821
.3446
.3085
.2743
.2420
.2119
.1841
.1587
.1357
.1151
.0968
.0808
.0668
.0548
.0446
.0359
.0287
.0228
.0179
.0139
.0107
.0082
.0062
.0047
.0035
.0026
.0019
.0013
.0010
.0007
.0005
.0003
.0002
.0001
.0001
.0001
.0000
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
1.50
1.60
1.70
1.80
1.90
2.00
2.10
2.20
2.30
2.40
2.50
2.60
2.70
2.80
2.90
3.00
3.10
3.20
3.30
3.40
3.50
3.60
3.70
3.80
3.90
0.01
.4960
.4562
.4168
.3783
.3409
.3050
.2709
.2389
.2090
.1814
.1562
.1335
.1131
.0951
.0793
.0655
.0537
.0436
.0351
.0281
.0222
.0174
.0136
.0104
.0080
.0060
.0045
.0034
.0025
.0018
.0013
.0009
.0007
.0005
.0003
.0002
.0001
.0001
.0001
.0000
0.02
.4920
.4522
.4129
.3745
.3372
.3015
.2676
.2358
.2061
.1788
.1539
.1314
.1112
.0934
.0778
.0643
.0526
.0427
.0344
.0274
.0217
.0170
.0132
.0102
.0078
.0059
.0044
.0033
.0024
.0018
.0013
.0009
.0006
.0005
.0003
.0002
.0001
.0001
.0001
.0000
0.03
.4880
.4483
.4090
.3707
.3336
.2981
.2643
.2327
.2033
.1762
.1515
.1292
.1093
.0918
.0764
.0630
.0516
.0418
.0336
.0268
.0212
.0166
.0129
.0099
.0075
.0057
.0043
.0032
.0023
.0017
.0012
.0009
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.04
.4840
.4443
.4052
.3669
.3300
.2946
.2611
.2296
.2005
.1736
.1492
.1271
.1075
.0901
.0749
.0618
.0505
.0409
.0329
.0262
.0207
.0162
.0125
.0096
.0073
.0055
.0041
.0031
.0023
.0016
.0012
.0008
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.05
.4801
.4404
.4013
.3632
.3264
.2912
.2578
.2266
.1977
.1711
.1469
.1251
.1056
.0885
.0735
.0606
.0495
.0401
.0322
.0256
.0202
.0158
.0122
.0094
.0071
.0054
.0040
.0030
.0022
.0016
.0011
.0008
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.06
.4761
.4364
.3974
.3594
.3228
.2877
.2546
.2236
.1949
.1685
.1446
.1230
.1038
.0869
.0721
.0594
.0485
.0392
.0314
.0250
.0197
.0154
.0119
.0091
.0069
.0052
.0039
.0029
.0021
.0015
.0011
.0008
.0006
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.08
.4721
.4325
.3936
.3557
.3192
.2843
.2514
.2206
.1922
.1660
.1423
.1210
.1020
.0853
.0708
.0582
.0475
.0384
.0307
.0244
.0192
.0150
.0116
.0089
.0068
.0051
.0038
.0028
.0021
.0015
.0011
.0008
.0005
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.08
.4681
.4286
.3897
.3520
.3156
.2810
.2483
.2177
.1894
.1635
.1401
.1190
.1003
.0838
.0694
.0571
.0465
.0375
.0301
.0239
.0188
.0146
.0113
.0087
.0066
.0049
.0037
.0027
.0020
.0014
.0010
.0007
.0005
.0004
.0003
.0002
.0001
.0001
.0001
.0000
0.09
.4641
.4247
.3859
.3483
.3121
.2776
.2451
.2148
.1867
.1611
.1379
.1170
.0985
.0823
.0681
.0559
.0455
.0367
.0294
.0233
.0183
.0143
.0110
.0084
.0064
.0048
.0036
.0026
.0019
.0014
.0010
.0007
.0005
.0003
.0002
.0002
.0001
.0001
.0001
.0000
La tabla que antecede muestra los valores calculados para:

+
z2
-2
1
e dz = A
2p
La tabla anterior se calcul por medio de la siguiente expresin

A = m0(t50b5 - t40b4 + t30b3 - t20b2 + t0 + b1)
Donde:
m0 = 0.39894228 * 2.71828183 P0 = 0.23164190
b1 = 0.31938153
b2 = 0.35656378
b3 = 1.78147794
z2
1
to =
z
2
1 + p0
b4 = 1.82125598
b5 = 1.33027443
(esto vale para los Z no negativos)

Como ejemplo calcularemos el rea bajo la curva desde 0.98 hasta
infinito.
118
116/147
ESTADSTICA APLICADA
DIAGRAMA CAUSA - EFECTO
Concepto:
El diagrama causa-efecto es una forma de organizar y representar las
diferentes teoras propuestas sobre las causas de un problema. Se
conoce tambin como diagrama de Ishikawa o diagrama de espina de
pescado y se utiliza en las fases de Diagnstico y Solucin de la causa.
Cmo interpretar un diagrama de causa-efecto:
El diagrama causa-efecto es un vehculo para ordenar, de forma muy
concentrada, todas las causas que supuestamente pueden contribuir a un
determinado efecto. Nos permite, por tanto, lograr un conocimiento comn
de un problema complejo, sin ser nunca sustitutivo de los datos. Es
importante ser conscientes de que los diagramas de causa-efecto
presentan y organizan teoras. Slo cuando estas teoras son
contrastadas con datos podemos probar las causas de los fenmenos
observables.
Errores comunes son construir el diagrama antes de analizar globalmente
los sntomas, limitar las teoras propuestas enmascarando
involuntariamente la causa raz, o cometer errores tanto en la relacin
causal como en el orden de las teoras, suponiendo un gasto de tiempo
importante.
Ejemplos de causa-efecto
A continuacin veremos como el valor de una caracterstica de calidad
depende de una combinacin de variables y factores que condicionan el
proceso productivo (entre otros procesos). Vamos a utilizar el ejemplo de
fabricacin de mayonesa para explicar los Diagramas de Causa-Efecto:
Mtodos de
trabajo
Medicin
Mquinas y
Equipos
Caractersticas
de Calidad
Personas
Materias
Primas
La variabilidad de las caractersticas de calidad es un efecto observado

que tiene mltiples causas. Cuando ocurre algn problema con la calidad
del producto, debemos investigar para identificar las causas del mismo.
Para hacer un Diagrama de Causa-Efecto seguimos estos pasos:
119
117/147
ESTADSTICA APLICADA
Las Siete Herramientas de la Calidad
H1 - Diagramas de Causa-Efecto
Hemos visto en la introduccin como el valor de una caracterstica de
calidad depende de una combinacin de variables y factores que
condicionan el proceso productivo. Vamos a continuar con el ejemplo de
fabricacin de mayonesa para explicar los Diagramas de Causa-Efecto:
Mtodos de
trabajo
Medicin
Mquinas y
Equipos
Caractersticas
de Calidad
Personas
Materias
Primas
La variabilidad de las caractersticas de calidad es un efecto observado

que tiene mltiples causas. Cuando ocurre algn problema con la calidad
del producto, debemos investigar para identificar las causas del mismo.
Para ello nos sirven los Diagramas de Causa - Efecto, conocidos tambin
como Diagramas de Espina de Pescado por la forma que tienen.
Estos diagramas fueron utilizados por primera vez por Kaoru Ishikawa.
Para hacer un Diagrama de Causa-Efecto seguimos estos pasos:
1. Decidimos cual va a ser la caracterstica de calidad que vamos a
analizar. Por ejemplo, en el caso de la mayonesa podra ser el peso del
frasco lleno, la densidad del producto, el porcentaje de aceite, etc.
Trazamos una flecha gruesa que representa el proceso y a la derecha
escribimos la caracterstica de calidad:
Caracterstica
de Calidad
2. Indicamos los factores causales ms importantes y generales que

puedan generar la fluctuacin de la caracterstica de calidad, trazando
flechas secundarias hacia la principal. Por ejemplo, Materias Primas,
Equipos, Operarios, Mtodo de Medicin, etc.
120
118/147
ESTADSTICA APLICADA
Mquinas y
Equipos
Medicin
Caracterstica
de calidad
Personas
Materias
Primas
3. Incorporamos en cada rama factores ms detallados que se puedan

considerar causas de fluctuacin. Para hacer esto, podemos
formulamos estas preguntas:
a. Por qu hay fluctuacin o dispersin en los valores de la
caracterstica de calidad? Por la fluctuacin de las Materias Primas.
Se anota Materias Primas como una de las ramas principales.
b. Qu Materias Primas producen fluctuacin o dispersin en los
valores de la caracterstica de calidad? Aceite, Huevos, sal, otros
condimentos. Se agrega Aceite como rama menor de la rama
principal Materias Primas.
c. Por qu hay fluctuacin o dispersin en el aceite? Por la fluctuacin
de la cantidad agregada a la mezcla. Agregamos a Aceite la rama
ms pequea Cantidad.
d. Por qu hay variacin en la cantidad agregada de aceite? Por
funcionamiento irregular de la balanza. Se registra la rama Balanza.
e. Por qu la balanza funciona en forma irregular? Por que necesita
mantenimiento. En la rama Balanza colocamos la rama
Mantenimiento.
As seguimos ampliando el Diagrama de Causa-Efecto hasta que
contenga todas las causas posibles de dispersin.
4. Finalmente verificamos que todos los factores que puedan causar
dispersin hayan sido incorporados al diagrama. Las relaciones
Causa-Efecto deben quedar claramente establecidas y en ese caso, el
diagrama est terminado.
Veamos un ejemplo de la Gua de Control de Calidad de Kaoru
Ishikawa, publicada por UNIPUB (N. York). Se trata de una mquina en
la cual se produce un defecto de rotacin oscilante. La caracterstica de
calidad es la oscilacin de un eje durante la rotacin:
121
119/147
ESTADSTICA APLICADA
Un diagrama de Causa-Efecto es de por si educativo, sirve para que la
gente conozca en profundidad el proceso con que trabaja, visual izando
con claridad las relaciones entre los Efectos y sus Causas.
Sirve tambin para guiar las discusiones, al exponer con claridad los
orgenes de un problema de calidad. Y permite encontrar ms
rpidamente las causas asignables cuando el proceso se aparta de su
funcionamiento habitual.
Inspeccin
Medicin
Capacitacin
Error
Irregular
Taladro de Metal
Tope Axial
Inspector
Cubierta F
Cubierta de Eje F
Ancho de Punzn
Instrumento
Cubierta de Soporte de Eje G
Cubierta de Eje G
Experiencia
Evaluacin
Mtodo
Personalidad
Conocimientos
Operarios
Calidad del Material

Soporte de Eje G
Irregular
6.4
11.6
Pequeo
Grande
Roscas
Tamao
Grande
Tuercas
Calidad del Material
Materiales
Medicin
Refrigeracin
Flojas
Ajustadas
Calibracin
Picnmetro
Equipo de
Medicin
Capacitacin
Mantenimiento
Operador
Agitacin
Limpieza
2,6
Eje Central
Mezcladora
Ajuste
Motor
Oscilacin
del Eje
Cubierta F
Capacitacin
Descentrada
Intervalo
Cavidad Axial
Experiencia
Abertura de Cubierta
Ajuste
Descentrada
Contenido
Blindado
Herramientas
Balanza
Habilidad
Caractersticas
de calidad
Proveedor A
Incentivos
Capacitacin
Composicin
Aceite
Cantidad
Huevos
Balanza
Personas
Materias
primas
122
Cantidad
Mantenimiento
120/147
ESTADSTICA APLICADA
Ejercicio: Diagrama de Causa - Efecto
Equipo
Personas
Termostato roto
Pobre capacidad de lectura
Cocina
muy
pequea
falla del horno
No puede entender recetas

Medidor
mal
instalado
Vlvula de
temperatura errada
Barrera del idioma
La torta se
quema en el
horno
Medio
Pre-calentado
por mucho
tiempo
Mezcla sin revolver
Error en el libro de cocina
Horno sin enfriarse del uso

anterior a mayor temperatura
Instrucciones confusas
Materiales
Mtodos
Categoras
Recipiente equivocado
Categoras
Categoras
Problema
Categoras
Categoras
Categoras
123
121/147
ESTADSTICA APLICADA
Mtodo de fabricacin
Materia prima
Evaluacin
Inspeccin
recepcin
Actualizacin
Instrucciones
de trabajo
Proveedor X
CARACTERISTICAS
DE CALIDAD
(Efecto)
Rotacin
Horno
Obsolescencia
Pirmetro
Capacitacin
Temperatura
Presupuesto
Operarios
Contenido de
Humedad
Mquina
Ejemplo de: Diagrama de Causa - Efecto
MANO DE OBRA
(PERSONAL)
MAQUINA
(EQUIPO)
Falta de
Reactivos
Deficiencia en la
Corriente Elctrica
Pocos
refrigeradores
Impuntualidad
del Personal
Ausentismo
Microscopios
(Desajustes)
Falta de
capacitacin
Se Aceptan Todas Las

Solicitudes
(Emitidas Diariamente)
Se da Fecha de
Entregar sin Tomar
en Cuenta Cantidad
de Trabajo
MEDIO AMBIENTE
(POLTICAS)
No hay Plan
de Trabajo
DEMORA EN LA
ENTREGA DE
RESULTADOS DE
ANLISIS DE
LABORATORIO
Hay Pasos
Innecesarios
en el Trabajo
MTODO
(PROCEDIMIENTO)
124
122/147
125
Nutricin
Estrategia
Sentido comn
Cantidad
Comida
Caloras
Movimiento
Potencia
Concentracin
Cuidado
Paciencia
Animo
Itinerario
Confianza
Experiencia en partidos
Tcnia
Modelo
Compostura
Calma
Devocin
Espritu de lucha
Orgullo
Entusiasmo
Repeticin
Ejercicio
Velocidad
Cooperacin
Calidad
Anlisis
Cantidad
Trabajo en equipo
Observacin
Consejo
Juicio de la situacin
Funcin
Forma
Estudio
del oponente
Informacin
Qu tan bien
Teora
Reglas
Planeacin
Dormir
Tiempo
Diversin
Descanso
Relajamiento
Salud
Derrota en
un torneo
deportivo
ESTADSTICA APLICADA
123/147
ESTADSTICA APLICADA
Hueso grande
Hueso pequeo
Hueso mediano
Columna
vertebral
Caracterstica
Caracterstica (efecto)
Factores (Causas)
PRCTICA N 6
Ejercicio: Diagrama de Causa - Efecto
Demora en la entrega de los resultados de los anlisis en la U.M.F. # "XX".
a) La deficiencia en equipo (causa) puede ser responsable de que se
demore la entrega de resultados.
b) La demora de resultados de los anlisis (efecto) se puede deber a
que no existe un plan adecuado de trabajo.
c) El desconocimiento de cmo realizar algunos cultivos (causa) puede
influir en la no entrega de resultados de anlisis.
d) La demora en la entrega de resultados de anlisis (efecto) es debido
a no considerar el periodo necesario para su realizacin (causa).
126
124/147
ESTADSTICA APLICADA
DIAGRAMA DE DISPERSIN
La investigacin de una relacin entre dos variables, comienza con un
intento de descubrir la forma aproximada de la relacin, para lo cual se
representan los datos observados en un sistema de coordenadas.
Esta grfica recibe el nombre de diagrama de dispersin, el cual muestra
la ubicacin de los valores o puntos (xi, yj) de la variable bidimensional
(x, y), en un sistema de coordenadas rectangulares.
En la grfica se puede observar si existe o no una relacin acentuada
entre las variables x e y, y se puede ver que forma tiene: lineal u otra.
Ejemplo 1: A continuacin se presentan los pesos (x) y la estatura (y) de
12 estudiantes. Trace el diagrama de dispersin.
x 60
56
42
72
36
y 179 147 125 160
63
47
55
49
38
42
61
118 149 128 150 145 115 140 152
Solucin: El diagrama de dispersin correspondiente se muestra en la

Figura 1
y
179
160
152
149 150
147 145
140
128
125
118
115
36
38
42
47
49
55 56
60 61
63
72
Si observamos la posicin de los puntos de este diagrama de dispersin,

se evidencia que hay una dependencia lineal entre los valores de las
variables x e y, pues a medida que aumenta los pesos, aumenta la
estatura.
127
125/147
ESTADSTICA APLICADA
CORRELACIN LINEAL
Hemos dicho que la covarianza mide la relacin lineal entre x e y. Para
ilustrarlo, dibujamos en los ejes coordenadas los diagramas de
dispersin, de la Fig. 1.
y
X
a. Covarianza positiva
b. Covarianza prxima a cero
X
c. Covarianza negativa
X
d. Covarianza prxima a cero
Fig. 1 Distintos tipos de relacin entre dos variables y covarianza resultante.
Cuando x e y varan conjuntamente de forma lineal, como indican las

figuras (a) y (c), la covarianza ser alta. Por ejemplo, en el caso (a) la
mayora de los puntos xi - x e yi - y estarn en el primer cuadrante y tercer
cuadrante (definidos por x e y), contribuyendo positivamente a la suma. En
el caso (c), la mayora de los puntos xi - x e yi - y estarn en el segundo y
cuarto cuadrante, por tanto sern negativos, obteniendo una suma de alta
magnitud y negativa en la frmula de la covarianza.
Por el contrario, cuando no existe relacin, caso (b), o existe relacin no
lineal, caso (d), la varianza ser ser pequea, al estar los puntos
repartidos por los cuatro cuadrantes definidos por x e y.
El inconveniente de la covarianza como medida de asociacin lineal es su
dependencia de las unidades de medida de las variables.
En consecuencia, para construir una medida adimensional, tendremos
que dividir la covarianza por un trmino con sus mismas dimensiones. Si
se divide por el producto de sus desviaciones tpicas se define el
coeficiente de correlacin entre dos variables.
128
126/147
ESTADSTICA APLICADA
Definicin 1: El coeficiente de correlacin (o ndice de correlacin lineal
de Pearson) entre dos variables x e y se define por:
R=
Cov (x, y)
Sx Sy
donde Sx y Sy son las desviaciones tpicas de x y de y respectivamente.

Se demuestra que el coeficiente de correlacin cumple:
1. Si se multiplica x por k1, e y por k2, el coeficiente de correlacin no vara.
2. Si existe una relacin lineal exacta entre ambas variables y todos los
puntos estn en la lnea y = a + bx, el coeficiente de correlacin es igual
a 1 (si b > 0) -1 (si b < 0).
3. Si no existe relacin lineal exacta: -1 < r < 1, el cual representa el grado
de asociacin.
4. r = 0, cuando no hay ninguna correlacin lineal entre x e y
Ejemplo 1: Dos jueces x e y de un concurso asignaron separadamente a
los 10 finalistas del concurso las siguientes puntuaciones.
X 3 10 9 1 2
y 10 8 10 4 1
4 6 5 8 7
2 5 6 7 9
1. Hallar la covarianza dada por los jueces bajo el supuesto de que

emitieran su juicio con absoluta independencia indicando as el signo
de la dependencia.
2. El coeficiente de correlacin.
Solucin 1. En este caso la covarianza est dado por
S ( xi - x ) ( yi - y )
S (xi - yi)
Cov (x, y) =
=
-xy
n
n
En la Tabla 1 se calculan todos los valores que necesitamos.
2
xi
yi
xiyi
xi
yi
3
10
9
1
2
4
6
5
8
7
3
8
10
4
1
2
5
6
7
9
9
80
90
4
2
8
30
30
56
63
9
100
81
1
4
16
36
25
64
49
9
64
100
16
1
4
25
36
49
81
55
55
372
385
385
x=
55
= 5.5
10
y=
55
= 5.5
10
Cov (x, y) =
372 - (5.5) (5.5)

10
= 37.2 - 30.25
= 6.95
Este valor indica una dependencia positiva directa, ya que la

covarianza nos da tambin el signo de la relacin.
129
127/147
ESTADSTICA APLICADA
2. De la tabla:
Sx2i 2 385
- (5.5)2 = 8.25
Sx= n -x =
10
2
Sy i 2 385
- (5.5)2 = 8.25
S2y = n - y =
10
Por tanto, el coeficiente de correlacin es
2
r=
Cov (x, y)
6.95
6.95
=
=
= 0.84
Sx Sy
8.25 8.25 8.25
correlacin con alto grado de asociacin, ya que r vara de -1 a + l.

Para ver el grado de dependencia debemos considerar
2
2
2
2
r : r = (0.84) = 0.7056 (r es llamado coeficiente de determinacin) esto
indica que el 70.56% de la variacin de y viene explicado por la variable x.
Interpretacin errnea de los coeflcientes de correlacin
En ocasiones el coeficiente de correlacin se interpreta errneamente
como un porcentaje. Si r = 0.7, ser incorrecto afirmar que el 70% de las
variaciones de y viene explicado por la variable x. Para una interpretacin
correcta deber considerarse r2. As para r = 0.7 ,ser r2 = 0.49, slo el 49%
de la variacin de y es explicada por la variable x.
COEFICIENTES DE CORRELACIN
Coeficiente de correlacin por rangos de SPEARMAN
Este coeficiente de correlacin se utiliza cuando una o ambas variables
son ordinales, es decir que los elementos de una de las series o de ambas
son posiciones de orden.
Para definir este coeficiente de correlacin se considera los rangos de
cada variable; o sea, los nmeros de orden de las observaciones cuando
se ordenan de manera creciente o decreciente. Si existen dos o ms
valores iguales de la variable, los rangos de cada uno de stos son iguales
al promedio de los rangos que les correspondera en el caso de que fueran
diferentes consecutivos.
El coeficiente de correlacin por rangos "rs" se calcula por la frmula:
n
rS = 1 -
di
6S
i=1
n (n2 - 1)
donde di = a la diferencia de los rangos de x e y (di = Rx Ry)

Si una de las variables no es ordinal, se asigna rango a las puntuaciones.
La interpretacin del coeficiente de correlacin por rangos de Spearman
es la misma que la del coeficiente de correlacin de Pearson.
130
128/147
ESTADSTICA APLICADA
Ejemplo 2: La Tabla adjunta muestra la altura de un padre y un hijo (en
pulgadas). Hallar el coeficiente de correlacin de Spearman.
Solucin: Las estaturas de los padres y los hijos, as como los rangos
correspondientes de las ordenaciones en forma descendente aparecen
en la tabla.
Los rangos de los valores
iguales se calculan as:
x
padre
y
hijo
Rx
Ry
di
d2i
65
63
67
64
68
62
71
76
68
67
69
70
68
66
68
65
69
66
68
75
71
67
68
70
9
11
7.5
10
5.5
12
2
1
5.5
7.5
4
3
6.5
10.5
6.5
12
4
10.5
6.5
1
2
9
6.5
3
2.5
0.5
1
-2
1.5
1.5
-4.5
0
3.5
-1.5
-2.5
0
6.25
0.25
1
4
2.25
2.25
20.25
0
12.25
2.25
6.25
0
para x:
5 + 6 11
=
= 5.5
2
2
7 + 8 15
=
= 7.5
2
2
para y:
5 + 6 + 7 + 8 26
=
= 6.5
4
4
10 + 11 21
=
= 10.5
2
2
57.00
La frmula de Spearman con n = 12 es

12
rS = 1 -
di
6S
i=1
2
n (n - 1)
=1-
6 x 57
= 1 - 0.1980 = 0.802
2
12 (12 - 1)
Alto grado de relacin.

Coeficiente de correlacin Q de Yule.
Mide la asociacin de dos variables cualitativas nominales con solo dos
categoras excluyentes: (sexo: hombre, mujer; estudia: si o no). Cuando
los valores de x e y son solamente dos, la distribucin del nmero de
puntos puede disponerse como la tabla siguiente:
y
0
1 Total
x
a+b
0
a
b
C+d
1
c
d
Total a + c b + d
El coeficiente de correlacin entre este tipo de

variables x e y est dado por.
Q=
ad - bc
ad + bc
El coeficiente Q no es aplicable cuando uno de los casilleros es cero.

Ejemplo 3: Se desea estudiar la relacin que existe entre encontrar
trabajo y el conocimiento de un determinado idioma. Con tal objeto se
realiz una encuesta, la distribucin de los resultados es como sigue:
Idioma
Encontrar trab.
Si
No
Total
Si
No
Total
11
4
15
7
10
17
18
14
32
El valor del coeficiente de

correlacin de Yule es:
Q=
=
131
11 x 10 - 7 x 4
11 x 10 + 7 x 4
82
= 0.594
138
129/147
ESTADSTICA APLICADA
Coeficiente de Correlacin PHI Es un coeficiente para medir el grado de
asociacin entre dos variables cualitativas ordinal o nominal, de solo dos
categoras. La distribucin del nmero de puntos se dispone como en la
siguiente tabla.
y
x
Total
El coeficiente de correlacin PHI o de puntos

est dado por
a+b
0
a
b
c+d
1
c
d
Total a + c b + d n
F=
ad - bc
(a + b) (c + d) (a + c) (b + d)
Ejemplo 4: ver si existe relacin entre actividad social y clasificacin

como lder.
Activ. Social
Alta Baja Total
Calif. como lder
Favorable
Desfavorable
Total
86
41
127
62 71
133
148 112 n = 260
Solucin: El coeficiente de correlacin F es:
F=
86 x 71 - 41 x 62
127 x 133 x 148 x 112
6106 - 252
279985216
3564
16732 . 7588
= 0.213
Correlacin y Causalidad
Los coeficientes de correlacin son slo medida de la covariacin de las
variables.
En cuanto a la variacin misma puede deberse a causas que afectan a
cada variable de una misma manera o de maneras opuestas, o bien una
de ellas es causa de la variacin de la otra, o puede suceder que la
relacin causal sea recproca; todo esto es ajeno a la comprobacin de la
existencia de la correlacin y del valor del coeficiente de correlacin.
Es fcil imaginarse al aprendiz parejas de variables que pudieran dar un
alto valor de un coeficiente de correlacin y que no se deba realmente a
una estrecha relacin entre ellas, sino el efecto comn sobre stas de una
tercera variable, y entonces este alto valor del coeficiente de correlacin
refleja slo ese efecto comn.
En consecuencia los coeficientes de correlacin se deben manejar con
mucho cuidado, ya que de no ser as, puede llevamos a conclusiones
errneas.
132
130/147
ESTADSTICA APLICADA
REGRESIN LINEAL SIMPLE
El estudio de la asociacin entre dos variables se dan en dos aspectos.
El primero se conoce como anlisis de correlacin, el cual se ocupa de
determinar "el grado de la relacin" entre las variables.
El segundo aspecto se llama anlisis de regresin que trata de
establecer la "forma de la relacin entre las variables"; es decir, se estudia
la relacin funcional entre las variables (y = f(x) o x = f(y)) , de modo que
podamos predecir el valor de una con base en la otra u otras.
Convencionalmente la variable o variables que son la base de la
prediccin se llaman variable o variables independientes y la variable que
se va a predecir se llama variable dependiente.
La palabra regresin se us por primera vez en este contexto por
FRANCIS GALTON (1822 - 1911) en sus estudios biolgicos sobre la
herencia. En ellos se not que las caractersticas promedio de la siguiente
generacin de un grupo particular tendan a moverse en la direccin de las
caractersticas promedio de la poblacin en general, ms que hacia las de
la generacin previa de ese grupo. Esta tendencia fue referida como una
regresin hacia la media de la poblacin.
Luego, la regresin tiene dos significados: uno surge de la distribucin
conjunta de probabilidad de dos variables aleatorias; el segundo emprico
y nace de la necesidad de ajustar alguna funcin a un conjunto de datos.
El primer significado est fuera del alcance de este texto. El segundo es
ms prctico. En l, no se tienen los elementos necesarios para
determinar la curva de regresin, sin embargo, dado un conjunto de datos
puede asumirse una forma funcional para la curva de regresin y tratar de
ajustar sta a los datos.
Asi, la regresin de la variable y en x est dado por;
y = f(x)
Definicin 2: Si la regresin de y en x es una [uncin lineal,
y = a + bx,
a, b constantes
Se llama regresin lineal simple de y en x. El valor a se llama ordenada en

el origen, puesto que es el punto en que la lnea recta corta al eje y. La
pendiente de la recta se mide por b, que da el cambio en y por unidad de
cambio en el valor de x.
El signo de b tambin indica el tipo de relacin entre x e y.
Estimacin por el mtodo de mnimos cuadrados
Una tarea principal en el anlisis de regresin, es estimar los parmetros a
y b de la recta L: y = a + bx basndonos en los datos muestrales formado
por los pares (x1, y1), (X2 y2) . . ., (xn y yn). El mtodo de mnimos cuadrados
consiste en hallar la recta L, de tal manera que la suma de los cuadrados
de las diferencias de las ordenadas y. y a + bx., de los puntos observados
(xi, yi) y los puntos sobre la recta L, (xi, a + bxi) sea mnima (Fig. 1). Es decir,
se trata de hallar a y b de tal manera que
133
131/147
ESTADSTICA APLICADA
n
2
SCD = S [ yi - (a + bxi) ] sea mnima
i =1
Derivando respecto a cada uno de los parmetros a y b igualando a cero

se obtiene:
(xi,yi)
yi
SCD
= 2 S [yi - (a + b xi)] ( -1 ) = 0
2
SCD
= 2 S [yi - (a + b xi)] ( - xi ) = 0
b
a + b xi
(xi,a + bxi)
Fig. 1
xi
Haciendo las operaciones respectivas en ambas ecuaciones se obtiene el

sistema:
S yi = bS xi + 2na
S yi xi = b S x i + aS xi
Llamdas ecuaciones normales para la recta de mnimos cuadrados
NOTA 5: Si los datos estn tabulados las expresiones de las ecuaciones
normales aparecern multiplicados por sus respectivas frecuencias
absolutas.
Resolviendo el sistema de ecuaciones normales para a y b obtenemos
a = y - bx
S xi yi - n x y Cov (x, y)
b=
= v (x)
S X2i - n x2
(*)
Luego, la recta L se escribe:

y=y+
Cov (x, y)
(x - x)
v (x)
Llamada recta de mnimos cuadrados de y en x.

La recta L' de mnimos cuadrados de x en y se obtiene intercambiando los
papeles de x e y en el mtodo de mnimos cuadrados:
L: x = x + b(y - y) , donde b= Cov (x,y)/v(y)
o tambin:
y = y + 1 (x - x)
b
Si el ajuste lineal es correcto, se debe tener que 1/b= b, o sea bb= 1
Observe que el coeficiente de determinacin se escribe:
2
r =
Cov (x,y) Cov (x,y)

Cov (x,y) Cov (x, y)
=
= bb
Sx Sy
Sx Sy
V(x) V (y)
Luego el coeficiente de correlacin es r - bb. Si b > 0, es la raz positiva;

pero si b < 0, r es la raz cuadrada negativa. Luego, el signo de r indica la
direccin de la relacin entre x e y. Por tanto, si r2 se aproxima a 1 el ajuste
lineal es vlido.
134
132/147
ESTADSTICA APLICADA
DIAGRAMA DE PARETO
Concepto
El Diagrama de Pareto es una grfica en donde se organizan diversas
clasificaciones de datos por orden descendente, de izquierda a derecha
por medio de barras sencillas despus de haber reunido los datos para
calificar las causas. De modo que se pueda asignar un orden de
prioridades.
Qu es?
El nombre de Pareto fue dado por el Dr. Joseph Juran en honor del
economista italiano Vilfredo Pareto (1848-1923) quien realizo un estudio
sobre la distribucin de la riqueza, en el cual descubri que la minora de la
poblacin posea la mayor parte de la riqueza y la mayora de la poblacin
posea la menor parte de la riqueza. Con esto estableci la llamada "Ley
de Pareto" segn la cul la desigualdad econmica es inevitable en
cualquier sociedad.
El Dr. Juran aplic este concepto a la calidad, obtenindose lo que hoy se
conoce como la regla 80/20.
Segn este concepto, si se tiene un problema con muchas causas,
podemos decir que el 20% de las causas resuelven el 80% de! problema y
el 80% de las causas solo resuelven el 20% del problema.
Por lo tanto, el Anlisis de Pareto es una tcnica que separa los "pocos
vitales" de los "muchos triviales". Una grfica de Pareto es utilizada para
separar grficamente los aspectos significativos de un problema desde los
triviales de manera que un equipo sepa dnde dirigir sus esfuerzos para
mejorar. Reducir los problemas ms significativos (las barras ms largas
en una Grfica Pareto) servir ms para una mejora general que reducir
los ms pequeos. Con frecuencia, un aspecto tendr el 80% de los
problemas.
En el resto de los casos, entre 2 y 3 aspectos sern responsables por el
80% de los problemas.
En relacin con los estilos gerenciales de Resolucin de Problemas y
Toma de Decisiones (Conservador, Bombero, Oportunista e Integrador)
1[1], vemos como la utilizacin de esta herramienta puede resultar una
alternativa excelente para un gerente de estilo Bombero, quien
constantemente a la hora de resolver problemas solo "apaga incendios'"
es decir, pone todo su esfuerzo en los "muchos triviales".
Cundo se utiliza?
Al identificar un producto o servicio para el anlisis para mejorar la
calidad.
Cuando existe la necesidad de llamar la atencin a los problema o
causas de una forma sistemtica.
Al identificar oportunidades para mejorar.
135
133/147
ESTADSTICA APLICADA
Al analizar las diferentes agrupaciones de datos (ej: por producto por
segmento del mercado, rea geogrfica, etc.).
Al buscar las causas principales de los problemas y establecer la
prioridad de las soluciones.
Al evaluar los resultados de los cambos efectuados a un proceso (antes
y despus).
Cuando los datos puedan clasificarse en categoras.
Cuando el rango de cada categora es importante.
Pareto es una herramienta de anlisis de datos ampliamente utilizada y es
por lo tanto til en la determinacin de la causa principal durante un
esfuerzo de resolucin de problemas. Este permite ver cuales son los
problemas ms grandes, permitindoles a Ios grupos establecer
prioridades. En casos tpicos, los pocos (pasos, servicios, tems,
problemas, causas) son responsables por la
mayor parte el impacto negativo sobre la calidad. Si enfocamos nuestra
atencin en estos pocos vitales, podemos obtener la mayor ganancia
potencial
de nuestros esfuerzos por mejorar la calidad.
Un equipo puede utilizar la Grfica de Pareto para varios propsitos
durante un proyecto para lograr mejoras:
Para analizar las causas
Para estudiar los resultados
Para planear una mejora continua.
Las Grficas de Pareto son especialmente valiosas como fotos de
"antes y despus" para demostrar qu progreso se ha logrado. Como tal,
la Grfica de Pareto es una herramienta sencilla pero poderosa.
Cmo se utiliza?
1. Seleccionar categoras lgicas para el tpico de periodo de tiempo).
2. Reunir datos. La utilizacin, de un Check List puede ser de mucha
ayuda en este paso.
3. Ordenar los datos de la mayor categora a la menor.
4. Totalizar los datos para todas las categoras.
5. Calcular el porcentaje del total que cada categora representa.
6. Trazar los ejes horizontales (x) y verticales (y primario y secundario)
7. Trazar la escala del eje vertical izquierdo para frecuencia (de 0 al
total), segn se calcul anteriormente.
136
134/147
ESTADSTICA APLICADA
8. De izquierda a derecha trazar las barras para cada categora en orden
descendente. Si existe una categora otros debe ser colocada al final,
sin importar su valor. Es decir que no debe tenerse en cuenta al
momento de ordenar de mayor a menor la frecuencia de las categoras.
9. Trazar la escala del eje vertical derecho para el porcentaje
acumulativo, comenzando por el 0 y hasta el 100%
10.Trazar el grfico lineal para el porcentaje acumulado, comenzando en
la parte superior de la barra de la primera categora (la ms alta)
11. Dar un ttulo al grfico, agregar las fechas de cuando los datos fueron
reunidos y citar la fuente de los datos.
12.Analizar la grfica para determinar los "pocos vitales
Consejos para la construccin I interpretacin
Como hemos visto, un Diagrama de Pareto es un grfico de barras que
enumera las categoras en orden descendente de izquierda a derecha, el
cual puede ser utilizado por un equipo para analizar causas, estudiar
resultados y planear una mejora continua.
Dentro de las dificultades que se pueden presentar al tratar de interpretar
el Diagrama de Pareto es que algunas veces los datos no indican una clara
distincin entre las categoras. Esto puede verse en el grfico cuando
todas las barras son ms o menos de la misma altura.
Otra dificultad es que se necesita ms de la mitad de las categoras para
sumar ms del 60% del efecto de calidad, por lo que un buen anlisis e
interpretacin depende en su gran mayora de un buen anlisis previo de
las causas y posterior recogida de datos.
En cualquiera de los casos, parece que el principio de Pareto no aplica.
Debido a que el mismo se ha demostrado como vlido en literalmente
miles de situaciones, es muy poco probable que se haya encontrado una
excepcin. Es mucho ms probable que simplemente no se haya
seleccionado un desglose apropiado de las categoras. Se deber tratar
de estratificar los datos de una manera diferente y repetir el Anlisis de
Pareto.
Esto nos lleva a la conclusin que para llevar a cabo un proceso de
Resolucin de Problemas/Toma de Decisiones (RP/TD) es necesario
manejar cada una de las herramientas bsicas de la calidad, tanto desde
el punto de vista terico como desde su aplicacin.
La interpretacin de un Diagrama de Pareto se puede definir completando
las siguientes oraciones de ejemplo:
"Existen (nmero de categoras) contribuyentes relacionados con
(efecto). Pero estos (nmero de pocos vitales) corresponden al (nmero)
% del total (efecto). Debemos procurar estas (nmero) categoras pocos
vitales, ya que representan la mayor ganancia potencial para nuestros
esfuerzos.
137
135/147
ESTADSTICA APLICADA
Relacin con otras herramientas
Un Diagrama de Pareto generalmente se relaciona con:
Diagrama de Causa y Efecto (Ishikawa)
Check List de Revisin
Check List de reunin de datos
Matriz para Planeacin de Acciones
Ejemplo de aplicacin
Un fabricante de heladeras desea analizar cuales son los defectos ms
frecuentes que aparecen en las unidades al salir de la lnea de produccin.
Para esto, empez por clasificar todos los defectos posibles en sus
diversos tipos:
Tipo de defecto
Motor no detiene
no enfra
Burlete Def.
Pintura Def.
Rayas
No funciona
Puerta no cierra
Gavetas Def.
Motor no arranca
Mala nivelacin
Puerta Def.
Otros
Detalle del Problema

No para el motor cuando alcanza temperatura
El motor arranca pero la heladera no enfra
Burlete roto o deforme que no ajusta
Defectos de pintura en superficies externas
Rayas en las superficies externas
Al enchufar no arranca el motor
La puerta no cierra correctamente
Gavetas interiores con rajaduras
El motor no arranca despus de ciclo de parada
La heladera se balancea y no se puede nivelar
Puerta del refrigerador no cierra hermticamente
Otros defectos no incluidos en los anteriores
Posteriormente, un inspector revisa cada heladera a medida que sale de

produccin registrando sus defectos de acuerdo con dichos tipos.
Despus de inspeccionar 88 heladeras, se obtuvo una tabla como esta:
Tipo de defecto
Burlete Def.
Pintura Def.
Gavetas Def.
Mala Nivelacin
Motor no arranca
Motor no detiene
No enfra
No funciona
Otros
Puerta Def.
Puerta no cierra
Rayas
Total:

Rayas en la superficies externas
138
Frec.
9
5
1
1
1
36
27
2
0
0
2
4
88
136/147
ESTADSTICA APLICADA
La ltima columna muestra el nmero de heladeras que presentaban cada
tipo de defecto, es decir, la frecuencia con que se presenta cada defecto.
En lugar de la frecuencia numrica podemos utilizar la frecuencia
porcentual, es decir, el porcentaje de heladeras en cada tipo de defecto:
Tipo de defecto
Burlete Def.
Pintura Def.
Gavetas Def.
Mala Nivelacin
Motor no arranca
Motor no detiene
No enfra
No funciona
Otros
Puerta Def.
Puerta no cierra
Rayas
Total

Frec. Frec. %
9
5
1
1
1
36
27
2
0
0
2
4
88
10.2
5.7
1.1
1.1
1.1
40.9
30.7
2.3
0.0
0.0
2.3
4.5
100
Podemos ahora representar los datos en un histograma como el siguiente:

Frecuencia de defectos encontrados
45.0%
40.0%
35.0%
30.0%
25.0%
20.0%
20.0%
10.0%
5.0%
0.0%
Pintura Def.
Mala
Nivelacin
Motor no
arranca
Motor se
detiene
No enfra
No funciona
Otros
Puerta Def.
Puerta no
cierra
Rayas
Pero Cules son los defectos que aparecen con mayor frecuencia? Para
hacerlo ms evidente, antes de graficar podemos ordenar los datos de la
tabla en orden decreciente de frecuencia:
139
137/147
ESTADSTICA APLICADA
Tipo de
Defecto
Motor no detiene
No enfra
Burlete Def.
Pintura Def.
Rayas
No funciona
Puerta no cierra
Gavetas Def.
Mala Nivelacin
Motor no arranca
Puerta Def.
Otros
Total:
Frec.

Puerta de refrigerador no cierra hermticamente
Otros defectos no incluidos en los anteriores.
36
27
9
5
4
2
2
1
1
1
0
0
88
Frec. %
40.9
30.7
10.2
5.7
4.5
2.3
2.
1.1
1.1
1.1
0.0
0.0
100
Vemos que la categora "otros" siempre debe ir al final, sin importar su

valor. De esta manera, si hubiese tenido un valor ms alto, igual debera
haberse ubicado en la ltima fila.
Ahora resulta evidente cuales son los tipos de defectos ms frecuentes.
Podemos observar que los 3 primeros tipos de defectos se presentan en el
82 % de las heladeras, aproximadamente.
Por el Principio de Pareto, concluimos que: La mayor parte de los defectos
encontrados en el lote pertenece slo a 3 tipos de defectos, de manera
que si se eliminan las causas que los provocan desaparecera la mayor
parte de los defectos.
120,0%
100,0%
80,0%
60,0%
40,0%
20,0%
0,0%
Motor no
detiene
No enfra
Pintura Def.
Rayas
No funciona
140
Puerta no
cierra
Gavetas Def.
Mala
Nivelacin
Motor no
arranca
Puerta Def.
Otros
138/147
ESTADSTICA APLICADA
PRCTICA N 7
1. Diagrama de Pareto
2. Diagrama de Causa - Efecto
3. Diagrama de Flujo
4. Diagrama de Control
Ejercicio: Diagrama de Pareto
En el Departamento de Sistemas existen paralizaciones de trabajo debido
a fallas de ciertas mquinas. Se decide analizar este problema para tomar
decisiones encaminadas a solucionarlo.
El personal del rea enumera las principales causas que pueden estar
incidiendo sobre el problema.
Interrupcin de la energa elctrica.
Manejo incorrecto por parte del operador.
Programa inadecuado
Falta de mantenimiento
Virus en el sistema
Otros
Para constatar tales apreciaciones, se decide recolectar datos en
cualquiera de los dos turnos (matutino-vespertino) de forma aleatoria
durante 8 horas, en cada uno de los cuatro das determinados como
periodo de recoleccin.
Ordenados:
Paralizacin de trabajo
Causas
Tiempo de Paralizacin
del trabajo (en minutos)
(f)
Falta de mantenimiento
Programa inadecuado
Interrupcin de energa
elctrica
Manejo incorrecto del
aprendizaje
Virus en el sistema
Otros
Total
% Relativo de tiempo
de paralizacin
% Relativo
acumulado
202
114
92
45
19
16
488
Obtencin de porcentaje relativo

% frecuencia de la causa X 100
total de frecuencia
Construccin del diagrama y determinacin de pocos vitales
500
488
400
100 %
80 %
300
60 %
200
40 %
100
20 %
141
139/147
ESTADSTICA APLICADA
DIAGRAMA DE CONTROL
Concepto:
El proceso de determinar lo que se esta llevando a cabo, a fin de
establecer las medidas correctivas necesarias y as evitar desviaciones
en la ejecucin de los planes.
Puesto que el control implica la existencia de metas y planes, ningn
administrador puede controlar sin ellos. El no puede medir si sus
subordinados estn operando en la forma deseada a menos que tenga un
plan, ya sea, a corto, a mediano o a largo plazo. Generalmente, mientras
ms claros, completos, y coordinados sean los planes y ms largo el
periodo que ellos comprenden, ms completo podr ser el control.
Un administrador puede estudiar los planes pasados para ver dnde y
cmo erraron, para descubrir qu ocurri y porqu, y tomar las medidas
necesarias para evitar que vuelvan a ocurrir los errores. Sin embargo, el
mejor control previene que sucedan las desviaciones, anticipados a ellas.
Elementos del control.
1. Relacin con lo planeado. El control siempre existe para verificar el
logro de los objetivos que se establecen en la planeacin.
2. Medicin. Para controlar es imprescindible medir y cuantificar los
resultados.
3. Detectar desviaciones. Una de las funciones inherentes al control,
es descubrir las diferencias que se presentan entre la ejecucin y la
planeacin.
4. Establecer medidas correctivas. El objeto del control es prever y
corregir los errores.
2. Hoja de control
La Hoja de Control u hoja de recogida de datos, tambin llamada de
Registro, sirve para reunir y clasificar las informaciones segn
determinadas categoras, mediante la anotacin y registro de sus
frecuencias bajo la forma de datos. Una vez que se ha establecido el
fenmeno que se requiere estudiar e identificadas las categoras que
los caracterizan, se registran estas en una hoja, indicando la frecuencia
de observacin.
Lo esencial de los datos es que el propsito este claro y que los datos
reflejen la verdad. Estas hojas de recopilacin tienen muchas
funciones, pero la principal es hacer fcil la recopilacin de datos y
realizada de forma que puedan ser usadas fcilmente y analizados
automticamente.
De modo general las hojas de recogida de datos tienen las siguientes
funciones:
De distribucin de variaciones de variables de los artculos producidos
(peso, volumen, longitud, talla, clase, calidad, etc...)
142
140/147
ESTADSTICA APLICADA
De clasificacin de artculos defectuosos
De localizacin de defectos en las piezas.
De causas de los defectos.
De verificacin de chequeo o tareas de mantenimiento.
Una vez que se ha fijado las razones para recopilar los datos, es
importante que se analice las siguientes cuestiones:
La informacin es cualitativa o cuantitativa
Como, se recogern los datos y en que tipo de documento se har.
Cmo se utiliza la informacin recopilada
Cmo de analizar
Quin se encargar de la recogida de datos
Con qu frecuencia se va a analizar
Dnde se va a efectuar
Esta es una herramienta manual, en la que clasifican datos a travs de
marcas sobre la lectura realizadas en lugar de escribirlas, para estos
propsitos son utilizados algunos formatos impresos, los objetivos mas
importantes de la hoja de control son:
Investigar procesos de distribucin
Artculos defectuosos
Localizacin de defectos
Causas de efectos
Una secuencia de pasos tiles para aplicar esta hoja en un Taller es la
siguiente:
1. Identificar el elemento de seguimiento
2. Definir el alcance de los datos a recoger
3. Fijar la periodicidad de los datos a recolectar
4. Disear el formato de la hoja de recogida de datos, de acuerdo con
la cantidad de informacin a recoger, dejando un espacio para
totalizar los datos, que permita conocer, las fechas de inicio y
termino, las probables interrupciones, la persona que recoge la
informacin, fuentes, etc.
Grficas de dispersin
Se utilizan para estudiar la variacin de un proceso y determinar a que
obedece esta variacin.
Un grfico de control es una grfica lineal en la que se han determinado
estadsticamente un lmite superior (lmite de control superior) y un lmite
inferior (lmite inferior de control) a ambos lados de la media o lnea central.
La lnea central refleja el producto del proceso. Los lmites de control
proveen seales estadsticas para que la administracin acte, indicando
la separacin entre la variacin comn y la variacin especial.
Estos grficos son muy tiles para estudiar las propiedades de los
productos, los factores variables del proceso, los costos, los errores y
otros datos administrativos.
143
141/147
ESTADSTICA APLICADA
Un grfico de control muestra
1. Si un proceso est bajo controlo no
2. Indica resultados que requieren una explicacin
3. Define los lmites de capacidad del sistema, los cuales previa
comparacin con los de especificacin pueden determinar los
prximos pasos en un proceso de mejora.
Este puede ser de lnea quebrada o de crculo. La lnea quebrada es a
menudo usada para indicar cambios dinmicos. La lnea quebrada es la
grfica de control que provee informacin del estado de un proceso y en
ella se indica si el proceso se establece o no. Ejemplo de una grfica de
control, donde las medidas planteadas versus tiempo.
En ella se aclara como las medidas estn relacionadas a los lmites de
control superior e inferior del proceso, los puntos afuera de los lmites de
control muestran que el control esta fuera de control.
Todos los controles de calidad requieren un cierto sentido de juicio y
acciones propias basadas en informacin recopilada en el lugar de
trabajo. La calidad no puede alcanzarse nicamente a travs de calcular
desarrollado en el escritorio, pero si a travs de actividades realizadas en
la planta y basadas desde luego en clculos de escritorio.
El control de calidad o garanta de calidad se inici con la idea de hacer
hincapi en la inspeccin.
Necesidad de la participacin total
Para aplicar desde el comienzo la garanta de calidad en la etapa de
desarrollo de un producto nuevo, ser preciso que todas las divisiones de
la empresa y todos sus empleados participen en el control de calidad.
Cuando el control de calidad slo hace hincapi en la inspeccin,
nicamente interviene una divisin, bien sea la divisin de inspeccin o la
divisin de control de calidad, y sta se limita a verificar en la puerta de
salida para impedir que salgan productos defectuosos.
Sin embargo, el programa de control de calidad hace hincapi en el
proceso de fabricacin, la participacin se hace extensiva a las lneas de
ensamblaje, a los subcontratistas y a las divisiones de compras, ingeniera
de productos y mercadeo.
En una aplicacin ms avanzada del control de calidad, que viene a ser la
tercera fase, todo lo anterior se toma insuficiente. La participacin ya tiene
que ser a escala de toda la empresa.
Esto significa que quienes intervienen en planificacin, diseo e
investigacin de nuevos productos, as como quienes estn en la divisin
de fabricacin y en las divisiones de contabilidad, personal y relaciones
laborales, tienen que participar sin excepcin.
La garanta de calidad tiene que llegar a esta tercera fase de desarrollo,
que es la aplicacin de la garanta de calidad desde las primeras etapas de
desarrollo de un producto. Al mismo tiempo, el control de calidad ha
acogido el concepto de la participacin total por parte de todas las
divisiones y sus empleados. La convergencia de estas dos tendencias ha
dado origen al control de calidad en toda la empresa, la caracterstica ms
importante del Control de Calidad japons hoy.
144
142/147
ESTADSTICA APLICADA
En la fabricacin de productos de alta calidad con garanta plena de
calidad, no hay que olvidar el papel de los trabajadores. Los trabajadores
son los que producen, y si ellos y sus supervisores no lo hacen bien, el
Control de Calidad no podr progresar.
La satisfaccin de un trabajo bien hecho con calidad. Esto incluye lo
siguiente:
El gozo de completar un proyecto o alcanzar una meta
El gozo de escalar una montaa simplemente porque esta all.
Se sugiere que se establezcan fabricantes especializados en sus propios
campos, al menos en cada provincia. De lo contrario no podremos mejorar
la calidad ni aumentar la productividad.
Ejercicio: Diagrama de Control
Ejemplo:
En el proceso de lavado de ropa hospitalaria (sbanas) se vio la
conveniencia de controlar la acidez del desinfectante (PH), para evitar el
deterioro de la prenda sin que esto afecte el nivel de asepsia en la ropa.
Para tal efecto, se hicieron pruebas cada 20 minutos y se registraron los
resultados en grupos de tamao 6. Las mediciones se presentan en la
siguiente tabla.
DA
MEDIDA
NUMERO
GRUPOS DE MEDIDA (20) K
2/8
a
4.22
b
4.20
c
4.20
d
4.08
e
4.15
f
4.15
4.166
0.14
2/8
4.25
4.22
4.10
4.15
4.10
4.15
4.161
0.15
2/8
4.20
4.22
4.01
4.17
4.18
4.30
4.180
0.29
2/8
4.20
4.25
4.18
4.05
4.17
4.10
4.158
0.20
3/8
4.15
4.20
4.03
4.15
4.31
4.25
4.181
0.28
3/8
4.18
4.17
4.17
4.30
4.15
4.10
4.178
0.20
3/8
4.22
4.24
4.23
4.07
4.19
4.25
4.196
0.18
3/8
4.00
4.15
4.18
4.10
4.30
4.20
4.155
0.30
4/8
4.10
4.15
4.30
4.36
4.15
4.10
4.193
0.26
4/8
10
4.20
4.25
4.20
4.30
4.15
4.10
4.200
0.20
4/8
11
4.35
4.20
4.25
4.12
4.30
4.10
4.220
0.25
45.988
245
1.- Calcular promedios de cada

una de las k subgrupos
x1 + x2 + ... xk
x=
ni
2.- Calcular el rango de cada
subgrupo (k)
3.R=
S Ri R1 + R2 + R3 + ... Rk
k =
k
4. Grficas de rangos
D3 y D4 son constantes
LICR = D3 R
LICR =
LSCR = D4 R
LSCR =
5. Grficas de promedios (x)
4.
4.2
x=
x1 + x2 + ... xk
k
x=
pH
LICx = x - A2 R
LICx =
LICx =
LSCx =
LSCx =
LSCx =
4.0
0.
0.4
pH 0.222
0.
0.
0.
Subgrupos
5. INTERPRETACIN: El proceso muestra
145
143/147
ESTADSTICA APLICADA
EVALUACIN PARCIAL II
1.
El rango mide la amplitud de los valores de la muestra y se

calcula por diferencia entre el valor ms elevado y el ms
bajo.
2.
La varianza mide la distancia existente entre los valores de

la serie y la media
3.
La desviacin tpica se calcula como raz cuadrada de la

varianza.
4.
Coeficiente de varianza de Pearson: se calcula como

cociente entre la desviacin tpica y la media.
5.
El histograma se utiliza para representar grficamente las

distribuciones de las frecuencias absolutas o relativas.
6.
Los polgonos de frecuencias se obtienen uniendo los

puntos medios de las bases superiores de los rectngulos .
7.
La distribucin normal no es utilizada en las aplicaciones

estadsticas.
8.
La distribucin normal no es importante en la estadstica.
9.
El diagrama causa-efecto organiza y representa las

causas de un problema.
10. En el diagrama de dispersin se representan los datos de

un sistema de coordenadas.
11. El coeficiente de correlacin por rangos de Spearman se

utiliza cuando una o ambas variables son ordinales.
12. La correlacin y causalidad son medidas de la covariacin

de las variables.
13. El diagrama de pareto es una grfica en donde se

organizan los datos en orden ascendente.
14. Las grficas de dispersin se utilizan para ver las

variaciones de un proceso.
15. La ruta de calidad es un procedimiento para no dar solucin

a un problema.
16. El problema es el segundo paso de la ruta de calidad.
17. El anlisis es el cuarto paso de la ruta de calidad.
146
144/147
ESTADSTICA APLICADA
LA RUTA DE LA CALIDAD
La Ruta de la Calidad es un procedimiento estndar de solucin de
problemas. Se trata de una especie de recuento o representacin de las
actividades relacionadas con el Ciclo de Control de Calidad: Planear,
Hacer, Verificar, Actuar (PHVA). Consiste de los siete pasos siguientes:
a) Definicin del Problema.
b) Reconocimiento de las Caractersticas del Problema
(Observacin).
c) Bsqueda de las principales causas (Anlisis).
d) Acciones para eliminar las causas (Accin).
e) Confirmacin de la eficacia de la accin (Verificacin).
f) Eliminacin permanente de las causas (Estandarizacin).
g) Revisin de las actividades y planeacin del trabajo futuro
(Conclusiones).
Los tres primeros pasos corresponden a la accin de Planear, el cuarto
paso a la accin de Hacer, el quinto paso a la accin de Verificar y el sexto
paso a la accin de Actuar, del Circulo de Control de Calidad. Con el paso
siete se inicia nuevamente este Circulo de Control.
Primer Paso: Definicin del Problema.
Este es el primer paso del procedimiento estandarizado de solucin de
problemas o Ruta de la Calidad. Debemos comenzar definiendo lo que
entendemos por problema.
Para nuestro propsito el problema se define como el resultado no
deseado de un trabajo, la desviacin con respecto a un estndar o a una
norma de funcionamiento, o la desviacin con respecto al deber ser.
En este sentido: la no satisfaccin del Cliente, los resultados que no
concuerdan con los objetivos o metas o todo aquello que se desve de las
polticas, representa problemas para una organizacin.
Analizando esta definicin podemos ver que para definir un problema se
necesita en primer lugar conocer lo deseable, lo que quiere el Cliente, en
dos palabras el "debe ser".
Esto nos lleva a reconocer la importancia de los objetivos y el compromiso
de los directivos o de la Alta Gerencia para definir los objetivos.
Permitir a ellos mismos, a los Mandos Medios, a los Supervisores y a los
Operativos saber la direccin de la empresa y de esa manera definir sus
problemas.
Las actividades que deben realizarse en este primer paso son:
a) Toma de conocimiento de los lineamientos, los objetivos y las metas de
la organizacin o rea de estudio.
b) Identificacin de los problemas prioritarios, comparando los resultados
obtenidos con lo previsto. Para ello puede utilizarse histogramas,
grficos de control o grficos varios, as como el Diagrama de Pareto.
147
145/147
ESTADSTICA APLICADA
Es recomendable usar una Matriz de Seleccin de Problemas, tcnica que
actualmente es muy utilizada para valorar y priorizar los problemas en
funcin a factores tales como: importancia, frecuencia, costo,
accesibilidad, entre otros.
c) Seleccin de un problema de entre todos los muchos problemas que se
hayan identificado. La eleccin de este problema debe estar en funcin
de su importancia (debe ser mucho mas importante que cualquier otro)
y del objetivo de mejora que se tenga: la calidad, la disponibilidad, la
seguridad, el ambiente de trabajo, del servicio, etc.
d) Definicin de los responsables de solucionar el problema. Puede ser
una persona, un equipo de personas como por ejemplo un Equipo de
Mejora o un Circulo de Calidad.
e) Elaboracin de un presupuesto para la mejora y un cronograma de
actividades (Diagrama de Gant) que nos permita planear lo que
queremos o necesitamos en funcin del tiempo.
Segundo Paso: Reconocimiento de las Caractersticas del Problema
(Observacin) Actividades
a) Anlisis y comprensin del problema. Debe investigarse el tiempo ,
lugar y el contexto donde se presenta el problema as como los muchos
puntos de vista para descubrir la variacin del resultado.
En este punto se requiere la determinacin de ciertos indicadores de
medicin del problema a fin de tener una explicacin o evidencia mas
objetiva.
b) Fijacin de una meta cuantitativa de lo que se desea, a partir del punto
anterior
Las herramientas tpicamente utilizadas en este paso son el Diagrama
de Pareto y el Grfico de Control.
Tercer Paso: Bsqueda de las Principales Causas(Anlisis)
Actividades
a) Anlisis minucioso de todas las posibles causas que pueden originar el
problema, con la participacin de todas las personas que intervienen en
el problema. Es decir se plantea lo que se denomina las hiptesis de
causas.
Para ello se debe efectuar un diagrama de causa-efecto, utilizando la
informacin obtenida en la observacin. A partir de este Diagrama
determinar las causas que parecen tener una alta prioridad de ser las
principales.
b) Someter a prueba las causas mas probables (hiptesis de causas), a fin
de verificar y concluir con la determinacin de las causas que realmente
tienen incidencia en el problema.
148
146/147
ESTADSTICA APLICADA
Esto exige a veces nueva informacin o nuevos experimentos. La
herramienta utilizada para verificar las causas es bsicamente la Hoja de
Recogida de Datos. Tambin se recomienda aplicar encuestas u otra
herramienta dentro de un plan cuidadosamente diseado.
Cuarto Paso: Acciones para eliminar las causas (Accin) Actividades
a) Planteamiento de las alternativas de solucin para eliminar las causas
del problema. Es preciso distinguir aqu las soluciones que solamente
constituyen remedios inmediatos de las que realmente eliminan los
factores causales. Debe examinarse las ventajas y desventajas de
cada alternativa diseada, seleccionando aquella que sea mas
conveniente.
b) Diseo de medidas para los efectos secundarios, en caso necesario.
Complementariamente a las herramientas expuestas en este paso se
suele hace uso del Diagrama denominado "COMO" para la formulacin
de las alternativas de solucin, luego en el Diagrama Gant programar la
implantacin.
Quinto Paso: Confirmacin de la eficacia de la accin (Verificacin).
Actividades
a) Comparacin de los resultados obtenidos con la solucin implantada
con los obtenidos anteriormente, haciendo uso de histogramas,
grficos lineales grficos de control o cualquier otra grfica que resulte
til para este fin.
b) Medicin del efecto en trminos monetarios y comparar con el objetivo
deseado.
Esta es una fase tpica de monitoreo de las mejoras implantadas.
Sexto Paso: Eliminacin permanente de las causas del problema
(Estandarizacin)
Actividades:
a) Formalizacin de los nuevos estndares que reflejan la mejora en
manuales de: operacin, procedimientos, especificaciones de nuevos
limites de control, etc.
b) Comunicacin de los nuevos estndares a todos los que resulten
involucrados.
c) Capacitacin y entrenamiento al personal.
d) Diseo de un sistema de monitoreo para verificar la aplicacin de los
nuevos estndares.
Stimo Paso: Revisin de las actividades y planeacin del trabajo
futuro (Conclusiones).
Actividades
a) Revisin de todo lo actuado, beneficios obtenidos, experimentos
realizados, dificultades obtenidas, grado de participacin de las
personas involucradas, costos incurridos, herramientas utilizadas, etc.
b) Preparacin de una lista de los problemas no resueltos, incluyendo los
nuevos problemas que hayan surgido.
Definicin del nuevo problema a resolver, y continuar en forma
indefinida con el proceso de mejora de la calidad.
149
147/147
ESTADSTICA APLICADA
BIBLIOGRAFA
INTRODUCCIN A LA TEORA DE
PROBABILIDADES
HAROLD J, LARSON
LA ENSEANZA DE LA ESTADSTICA
ETAYO MIQUEO, JOS
ALFA 10
EDITORIAL NORMA
QU ES EL CONTROL TOTAL
DE LA CALIDAD?
KAORU ISHIKAWA
EDITORIAL NORMA
CALIDAD TOTAL
EDITORIAL PAX
CALIDAD TOTAL Y LOGSTICA
SOLER GARCA, DAVID
INTRODUCCIN A LA GESTIN
DE CALIDAD
CAMPINS MASRIERA,
JUAN
WWW.MONOGRAFAS.COM/TRABAJOS15/
CALIDAD TOTAL/CALIDAD-TOTAL.SHTML
INTERNET
WWW.AITECO.COM/CALIDAD.HTM
INTERNET
WWW.IMPROVEN-CONSULTAS.COM
INTERNET
150
PROPIEDAD INTELECTUAL DEL SENATI PROHIBIDA

SU REPRODUCCIN Y VENTA SIN LA AUTORIZACIN
CORRESPONDIENTE
CDIGO DE MATERIAL
0751
EDICIN
ABRIL 2006

Estadistica Aplicada

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadistica Aplicada

Caricato da

Copyright:

Formati disponibili

SERVICIO NACIONAL DE ADIESTRAMIENTO EN TRABAJO INDUSTRIAL

MATERIAL DIDCTICO ESCRITO

Con la finalidad de facilitar el aprendizaje en el desarrollo de la formacin y capacitacin en la

DOCUMENTO APROBADO POR EL

Registro de derecho de autor:

Variable y toma de datos

Estadstica aplicada a procesos de la calidad

Normalizacin y especificaciones de calidad

Norma ISO 9000

Norma ISO 14000

Distribucin de frecuencias absolutas

Rango, varianza, desviacin stndard

Distribucin normal, aplicacin

Diagrama de causa - efecto

Regresin lineal simple

Ejemplo 1: Suponga ahora en el ejemplo 1, que el gerente de personal

Aunque la Estadstica descriptiva es importante para caracterizar y

Ejemplo 3: Cuatro bombillas de marca A dejaron de funcionar despus de

a. La calificacin promedio de los cuatro trabajadores es 85, y la

En una prueba de aptitud, cuatro trabajadores recibieron calificaciones de

b. Juana es mejor estudiante que Juan.

5. Clasifique cada una de las afirmaciones siguientes ya sea como

a. El ao pasado, en la Universidad Nacional del Callao, el puntaje

b. El Dr. Garca, un eclogo, inform que en cierto ro de la selva la carne

C. La compaa "RM" predijo quin sera el ganador en una eleccin

La palabra "poblacin" igual que sucede con el trmino "estadstica" tiene

El concepto de "poblacin", estadsticamente hablando, es un concepto

Poblacin: Es la coleccin de todos los individuos, objetos u

Los trminos poblacin y universo, suelen usarse indistintamente.

Las edades de los estudiantes del Per.

En cada uno de los ejemplos anteriores, existe al menos una

Es importante definir la poblacin de acuerdo a la naturaleza y extensin

Parmetro: Es una medida resumen que describe una caracterstica de

La proporcin de la poblacin, la cual es un parmetro que se desconoce,

Hemos expresado, tambin que es imposible calcular el verdadero valor

5. Para cada una de las siguientes proposiciones, defnase la poblacin

6. Defina poblaciones apropiadas y a partir de ellas seleccione las

Requiere personal especializado.

Las preguntas deben ser claras y concisas.

b. Clasificar un grupo de individuos por su grado de instruccin. Se

Dnde se compr el equipo?

Por qu se compr el equipo?

6. Cul de los siguientes enunciados representa el esquema ms exacto

8. En los siguientes enunciados identifique usted: la poblacin, la

En la tabla 1 se proporcionan las medidas del campo, hasta la centsima

Tabla 1. Datos y clculos de X y R para la dimensin A

Medicin sobre cada tem

La figura 3 ilustra valores para miembros individuales de dimetros

Lmite de tolerancia superior

Mediciones individuales (pulgadas)

Fig. 3 Mediciones individuales de dimetro

Lmite de control superior

Lmite de control superior

Lmite de control inferior

La Funcin Legislativa involucra la realizacin de normas de control,

En efecto, la clasificacin de productos en buenos y malos es una

4. "El control no resuelve problemas de fabricacin, slo da las

Es muy importante que el equipo productor sepa que problemas de

La confiabilidad de los datos registrados es del punto inicial para todo

6. "Los datos deben ser compatibles y estar dispuestos de manera

Esto posibilitar el empleo de algunas herramientas estadsticas de las

7. "El acuerdo entre proveedores y cliente debe hacerse sobre el

La empresa debe elaborar productos de calidad por: