1) -Un diagrama de flujo es una representacin grfica de un proceso.

Cada
paso del proceso es representado por un smbolo diferente que contiene una
breve descripcin de la etapa de proceso. Los smbolos grficos del flujo del
proceso estn unidos entre s con flechas que indican la direccin de flujo del
proceso.

El diagrama de flujo ofrece una descripcin visual de las actividades implicadas

en un proceso mostrando la relacin secuencial ente ellas, facilitando la rpida
comprensin de cada actividad y su relacin con las dems, el flujo de la
informacin y los materiales, las ramas en el proceso, la existencia de bucles
repetitivos, el nmero de pasos del proceso, las operaciones de
interdepartamentales Facilita tambin la seleccin de indicadores de proceso.
Un diagrama de flujo, tambin llamado Flujograma de Procesos o Diagrama de
Procesos, representa la secuencia o los pasos lgicos para realizar una tarea
mediante unos smbolos. Dentro de los smbolos se escriben los pasos a seguir.
Un diagrama de flujo debe proporcionar una informacin clara, ordenada y
concisa de todos los pasos a seguir.
El Diagrama de Flujo es su representacin esquemtica. Los diagramas de flujo
representan la secuencia lgica o los pasos que tenemos que dar para realizar
una tarea mediante unos smbolos y dentro de ellos se describen los pasos ha
realizar.
Por la tanto son una excelente herramienta para comprender el proceso a
seguir as como para identificar posibles errores antes del desarrollo final de la
tarea.
Se usan para antes de hacer un programa informtico, analizar lo que tiene
que hacer un robot, en los procesos industriales, etc.
Un diagrama de flujo es til en todo aquello que se necesite una previa
organizacin antes de su desarrollo.
2) Un diagrama de Causa y Efecto es la representacin de varios elementos
(causas) de un sistema que pueden contribuir a un problema (efecto). Fue
desarrollado en 1943 por el Profesor Kaoru Ishikawa en Tokio. Algunas veces es
denominado Diagrama Ishikawa o Diagrama Espina de Pescado por su parecido
con el esqueleto de un pescado. Es una herramienta efectiva para estudiar
procesos y situaciones, y para desarrollar un plan de recoleccin de datos.
Cundo se utiliza?
El Diagrama de Causa y Efecto es utilizado para identificar las posibles causas
de un problema especfico. La naturaleza grfica del Diagrama permite que los

grupos organicen grandes cantidades de informacin sobre el problema y

determinar exactamente las posibles causas. Finalmente, aumenta la
probabilidad de identificar las causas principales.
El Diagrama de Causa y Efecto se debe utilizar cuando se pueda contestar s
a una o a las dos preguntas siguientes:
1. Es necesario identificar las causas principales de un problema?
2. Existen ideas y/u opiniones sobre las causas de un problema?
Un diagrama de causa y efecto (diagrama C&E) es una herramienta de lluvia
de ideas que le permite investigar las diversas causas que influyen en un
efecto especfico. Utilice un diagrama C&E con su equipo para dar prioridad a
las reas que presentan problemas y desarrollar ideas para mejorarlas.
Las causas en un diagrama C&E se organizan con frecuencia en seis categoras
principales para usos en el proceso de fabricacin: Personal, mquinas,
materiales, mtodos, mediciones y medio ambiente. Las aplicaciones de
calidad de servicio incluyen por lo general el Personal, los Procedimientos y las
Normas. Sin embargo, los diagramas C&E pueden incluir cualquier tipo de
causa que usted desee investigar.
El diagrama C&E se denomina algunas veces diagrama de espina de pescado,
porque se asemeja al esqueleto de un pescado, o diagrama de Ishikawa, el cual
debe su nombre a su creador, Kaoru Ishikawa.
3) l Diagrama de Pareto constituye un sencillo y grfico mtodo de anlisis que
permite diagrama de paretodiscriminar entre las causas ms importantes de un
problema (los pocos y vitales) y las que lo son menos (los muchos y triviales).
Las ventajas del Diagrama de Pareto pueden resumirse en:
Permite centrarse en los aspectos cuya mejora tendr ms impacto,
optimizando por tanto los esfuerzos.
Proporciona una visin simple y rpida de la importancia relativa de los
problemas.
Ayuda a evitar que se empeoren algunas causas al tratar de solucionar otras
y ser resueltas.
Su visin grfica del anlisis es fcil de comprender y estimula al equipo
para continuar con la mejora.
Un diagrama de Pareto es un tipo especial de grfica de barras donde los
valores graficados estn organizados de mayor a menor. Utilice un diagrama de
Pareto para identificar los defectos que se producen con mayor frecuencia, las

causas ms comunes de los defectos o las causas ms frecuentes de quejas de

los clientes.
El diagrama de Pareto debe su nombre a Vilfredo Pareto y su principio de la
"regla 80/20". Es decir, 20% de las personas poseen 80% de la riqueza; o 20%
de la lnea de producto puede generar 80% de los desechos; o 20% de los
clientes puede generar 80% de las quejas, etc.

4) QUE ES LA DISTRIBUCIN DE FRECUENCIAS?

La distribucin de frecuencia o tablas de frecuencia es una ordenacin en
forma de tabla de los datos estadsticos, asignando a cada dato su frecuencia
correspondiente.
QUE SON LAS CLASES?
Es aquella distribucin en la que la disposicin tabular de los datos estadsticos
se encuentran ordenados en clases y con la frecuencia de cada clase; es decir,
los datos originales de varios valores adyacentes del conjunto se combinan
para formar un intervalo de clase.Es decir serie de valores para reunir los datos
que presentan valores comprendidos entre dos limites.
Frecuencia Simple (fi)
La frecuencia simple es el nmero de veces que aparece un determinado valor
reportado en un estudio estadstico. Se representa por fi. La suma de las
frecuencias simple es igual al nmero total de datos, que se representa por N.
Para indicar resumidamente estas sumas se utiliza la letra griega (sigma
mayscula) que se lee suma o sumatoria.
fi = N (nmero total de datos de la distribucin)
Frecuencia Relativa Porcentual (fr%)

La frecuencia relativa porcentua es el cociente entre la frecuencia absoluta de

un determinado valor y el nmero total de datos. Se puede expresar en tantos
por ciento y se representa por fi. La suma de las frecuencias relativas es igual a
100.
Frecuencia Acumulada (fac)
La frecuencia acumulada es la suma de las frecuencias absolutas de todos los
valores inferiores o iguales al valor considerado. Se representa por fac.
Frecuencia Relativa Acumulada Porcentual (frac%)
La frecuencia relativa acumulada porcentual es el cociente entre la frecuencia
acumulada de un determinado valor y el nmero total de datos expresada en
tantos por ciento.
La distribucin de frecuencias agrupadas o tabla con datos agrupados se
emplea si las variables toman un nmero grande de valores o la variable es
continua.
Se agrupan los valores en intervalos que tengan la misma amplitud
denominados clases. A cada clase se le asigna su frecuencia correspondiente.
Lmites de la clase
Cada clase est delimitada por el lmite inferior de la clase y el lmite superior
de la clase.
Amplitud de la clase
La amplitud de la clase es la diferencia entre el lmite superior e inferior de la
clase.
Marca de clase
La marca de clase es el punto medio de cada intervalo y es el valor que
representa a todo el intervalo para el clculo de algunos parmetros.
5)
Variable discreta
Un nmero finito de valores entre dos valores cualesquiera. Una variable
discreta siempre es numrica. Por ejemplo, el nmero de quejas de los clientes
o el nmero de fallas o defectos.
Variable continua
Un nmero infinito de valores entre dos valores. Una variable continua
puede ser numrica o de fecha/hora. Por ejemplo, la longitud de una parte o la
fecha y hora en que se recibe un pago.
Las variables son smbolos que pueden adquirir distintos valores y que
aparecen en frmulas, algoritmos, funciones y proposiciones de las

matemticas y la estadstica. Segn sus particularidades, se clasifican de

distinto modo.
Una variable discreta es aquella que est en condiciones de adoptar valores
de un conjunto numrico dado. Es decir: solo adquiere valores de un conjunto,
no cualquier valor.
Entre los valores potencialmente observables de una variable discreta existe
una distancia que resulta imposible de completar con valores intermedios.
Por lo tanto, entre dos valores hay, al menos, un valor que no es observable.
El nmero de automviles que tiene una persona es una variable discreta. Un
hombre puede tener, por ejemplo, un automvil, dos automviles o tres
automviles, por citar algunas posibilidades. Pero no puede tener 1,6
automviles ni 2,8 automviles.
En un sentido similar, la cantidad de hijos de una mujer tambin es una
variable discreta. Se pueden tener 2, 4 o 6 hijos, nunca 2,1 o 5,78 hijos.
En cambio, las variables continuas pueden adquirir cualquier valor en un
intervalo, existiendo siempre otros valores intermedios entre dos valores
observables. La existencia de ms o menos valores depende de la precisin de
la medicin. Por ejemplo: la altura de un nio puede ser 1,2 metros, 1,24
metros o 1,249 metros de acuerdo a cmo se mida. Esto implica que se
registran ciertos errores de medicin.
6) Los histogramas son diagramas de barras verticales en los que se
construyen barras rectangulares en los lmites de cada clase. La variable
aleatoria o fenmeno de inters se despliega a lo largo del eje horizontal; el eje
vertical representa el nmero, proporcin o porcentaje de observaciones por
intervalo de clase, dependiendo de si el histograma particular, es un
histograma de frecuencia, un histograma de frecuencia relativa o histograma
de porcentaje.
Un histograma es una representacin grfica de una variable en forma de
barras.
Se utilizan para variables continuas o para variables discretas, con un gran
nmero de datos, y que se han agrupado en clases.
En el eje abscisas se construyen unos rectngulos que tienen por base la
amplitud del intervalo, y por altura, la frecuencia absoluta de cada intervalo.
La superficie de cada barra es proporcional a la frecuencia de los valores
representados.
Se agrupan los datos en clases, y se cuenta cuntas observaciones (frecuencia
absoluta) hay en cada una de ellas. En algunas variables (variables
cualitativas) las clases estn definidas de modo natural, p.e sexo con dos
clases: mujer, varn o grupo sanguneo con cuatro: A, B, AB, O. En las variables
cuantitativas, las clases hay que definirlas explcitamente (intervalos de clase).
Se representan los intervalos de clase en el eje de abcisas (eje horizontal) y las

frecuencias, absolutas o relativas, en el de ordenadas (eje vertical).

7) los diagramas de correlacin son una representacin grfica que muestra la

relacin de una variable con respecto a otra, aunque esta no tiene porque ser
una relacin causa-efecto.
Se relaciona el desempeo de una caracterstica de inters con factores de
causa potenciales, el objetivo es ayudar a entender las causas potenciales de
variacin como respuesta y explicar cmo cada factor contribuye a esa
variacin. Esto se consigue mediante relacin estadstica de la variacin en la
variable dependiente con una variacin de la variable causa o independiente y
obtener el mejor ajuste al minimizar la desviacin entre lo predictivo y la
respuesta real.
Este diagrama de dispersin de usa para estudiar la posible relacin entre dos
variables, y probar las posibles relaciones entre causa y efecto. No permite
probar que una variable es causa de la otra, pero si consigue aclarar si se
establecen relaciones y la intensidad que se establece entre ambas.
Los beneficios que aporta la representacin de un diagrama de correlacin es
que puede proveer la relacin entre varios factores y la respuesta de inters,
por lo que nos va a ayudar a tomar decisiones con el proceso bajo estudio y
finalmente una mejora del proceso.

Correlacin
Con los diagramas de dispersin podemos ver cmo se relacionan ambas
variables entre s. Esto es lo que se conoce como correlacin. Hay tres tipos de
correlacin: positiva, negativa y nula (sin correlacin).
Correlacin positiva: ocurre cuando una variable aumenta y la otra tambin.
Por ejemplo, la altura de una persona y el tamao de su pie; mientras aumenta
la altura, el pie tambin.
Correlacin negativa: es cuando una variable aumenta y la otra disminuye. El
tiempo de estudio y el tiempo que pasas jugando videojuegos, tienen una
correlacin negativa, ya que cuando tu tiempo de estudio aumenta, no te
queda tanto tiempo para jugar videojuegos.
Sin correlacin: no hay una relacin aparente entre las variables. Los puntos en
tus videojuegos y tu talla de zapato no parece tener ninguna correlacin;
mientras una aumenta, la otra no tiene ningn efecto.
8) La media aritmtica es el valor obtenido al sumar todos los datos y dividir el
resultado entre el nmero total de datos.

es el smbolo de la media aritmtica.

Ejemplo: Los pesos de seis amigos son: 84, 91, 72, 68, 87 y 78 kg. Hallar el
peso medio.

Propiedades de la media aritmtica.

1. La suma de las desviaciones de todas las puntuaciones de una distribucin
respecto a la media de la misma igual a cero.

La suma de las desviaciones de los nmeros 8, 3, 5, 12, 10 de su media

aritmtica 7.6 es igual a 0:

8 7.6 + 3 7.6 + 5 7.6 + 12 7.6 + 10 7.6 =

= 0. 4 4.6 2.6 + 4. 4 + 2. 4 = 0
2. La suma de los cuadrados de las desviaciones de los valores de la variable
con respecto a un nmero cualquiera se hace mnima cuando dicho nmero
coincide con la media aritmtica.

3. Si a todos los valores de la variable se les suma un mismo nmero, la media

aritmtica queda aumentada en dicho nmero.
4. Si todos los valores de la variable se multiplican por un mismo nmero la
media aritmtica queda multiplicada por dicho nmero.
9) La moda es el valor que tiene mayor frecuencia absoluta.

Se representa por Mo.

Se puede hallar la moda para variables cualitativas y cuantitativas.

Hallar la moda de la distribucin:

2, 3, 3, 4, 4, 4, 5, 5

Mo= 4

Si en un grupo hay dos o varias puntuaciones con la misma frecuencia y esa

frecuencia es la mxima, la distribucin es bimodal o multimodal, es decir,
tiene varias modas.

1, 1, 1, 4, 4, 5, 5, 5, 7, 8, 9, 9, 9

Mo= 1, 5, 9

Cuando todas las puntuaciones de un grupo tienen la misma frecuencia, no hay

moda.

2, 2, 3, 3, 6, 6, 9, 9
Si dos puntuaciones adyacentes tienen la frecuencia mxima, la moda es el
promedio de las dos puntuaciones adyacentes.

0, 1, 3, 3, 5, 5, 7, 8

Mo = 4

Mediana
Es el valor que ocupa el lugar central de todos los datos cuando stos estn
ordenados de menor a mayor.
La mediana se representa por Me.
La mediana se puede hallar slo para variables cuantitativas.
Clculo de la mediana
1 Ordenamos los datos de menor a mayor.
2 Si la serie tiene un nmero impar de medidas la mediana es la puntuacin
central de la misma.

2, 3, 4, 4, 5, 5, 5, 6, 6

Me= 5

3 Si la serie tiene un nmero par de puntuaciones la mediana es la media entre

las dos puntuaciones centrales.

7, 8, 9, 10, 11, 12

Me= 9.5

10) El percentil es cada uno de los noventa y nueve segmentos que resultan
tras dividir algo en cien partes de igual frecuencia.
Se lo representa a travs de la letra mayscula P.
Cuando nos referimos a un percentil en concreto ser el valor de la variable a
observar y que est por debajo del porcentaje que se ha dado. As es que P20
ser la puntuacin que se le atribuir cuando est por debajo del 20 % de los
valores ordenados que se han hallado.
Un percentil es una medicin en la cual ese porcentaje de los valores totales es
el mismo o menor que esa medicin. Por ejemplo, el 90 % de los valores de

datos se encuentra por debajo del percentil 90, mientras que el 10 % de los
valores de datos se encuentra por debajo del percentil 10.
El percentil es una medida estadstica muy utilizada. Es una medida de
posicin no central que nos dice cmo est posicionado un valor respecto al
total de una muestra.
El concepto es sencillo. Si tenemos una muestra con muchos valores y la
dividimos en 100 partes, cada una de ellas es un percentil. Y cada valor de la
muestra estar en alguna de esas cajitas percentiles. El percentil est
referenciado de 0 a 100. El Percentil 0 es el menor valor de la muestra y el
Percentil 100 el mayor valor.
11) Las medidas de dispersin nos informan sobre cunto se alejan del centro
los valores de la distribucin.
Las medidas de dispersin son:
Desviacin media
La desviacin respecto a la media es la diferencia entre cada valor de la
variable estadstica y la media aritmtica.
Di = x - x
La desviacin media es la media aritmtica de los valores absolutos de las
desviaciones respecto a la media.

La desviacin media se representa por signo

Varianza

La varianza es la media aritmtica del cuadrado de las desviaciones respecto a

la media de una distribucin estadstica.

La varianza se representa por

Desviacin tpica
La desviacin tpica es la raz cuadrada de la varianza.
Es decir, la raz cuadrada de la media de los cuadrados de las puntuaciones de
desviacin.
La desviacin tpica se representa por .

12) Rango o recorrido

El rango es la diferencia entre el mayor y el menor de los datos de una
distribucin estadstica.
13) Se trata, sin duda, del modelo continuo ms importante en estadstica,
tanto por su aplicacin directa, veremos que muchas variables de inters
general pueden describirse por dicho modelo, como por sus propiedades, que
han permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
crey, por parte de mdicos y bilogos, que todas las variables naturales de
inters seguan este modelo.

Su funcin de densidad viene dada por la frmula:

que, como vemos, depende de dos parmetros (que puede ser cualquier
valor real) y (que ha de ser positiva). Por esta razn, a partir de ahora
indicaremos de forma abreviada que una variable X sigue el modelo Normal
as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin Normal con
= 0 y = 1 lo abreviaremos N(0, 1).
Propiedades del modelo Normal
Su esperanza es .
Su varianza es 2 y, por tanto, su desviacin tpica es .
Es simtrica respecto a su media , como puede apreciarse en la
representacin anterior.
Media, moda y mediana coinciden ().
Cualquier transformacin lineal de una variable con distribucin Normal seguir
tambin el modelo Normal. Si X ~ N(, ) y definimos Y = aX + b (con a 0),
entonces Y ~ N(a + b, |a|). Es decir, la esperanza de Y ser a + b y su
desviacin tpica, |a|.
Cualquier combinacin lineal de variables normales independientes sigue
tambin una distribucin Normal. Es decir, dadas n variables aleatorias
independientes con distribucin Xi ~ N(i, i) para i = 1, 2, ..., n la
combinacin lineal: Y = anXn + an1Xn1+ ... + a1X1 + a0 sigue tambin el
modelo Normal:

14) est en alguno de los documentos que guarde en referencia a este punto...
15) Esta distribucin debe su nombre al matemtico francs Simn Poisson
(1781-1840), quien estableci su modelo.
Existen fenmenos o experimentos en los que los eventos ocurren en
intervalos continuos de tiempo o espacio (reas y volmenes), donde slo
importa la ocurrencia del fenmeno, ya que la no ocurrencia no tiene sentido.
Por ejemplo, si en cierta regin ocurren en promedio 2 terremotos por ao, la
variable aleatoria ser el nmero de terremotos por ao y es claro que no tiene
sentido hablar del nmero de no terremotos por ao. Lo mismo sucede para
otros fenmenos, como el nmero de errores en una pgina, derrumbes
anuales en una regin montaosa, accidentes de trfico diarios en cierto
crucero, personas atendidas en un banco en un perodo de 10 minutos,

partculas de polvo en cierto volumen de aire, nacimientos de nios en un

periodo de tiempo, rayos que caen en una tormenta, llamadas que llegan a un
conmutados telefnico en un minuto, insectos por planta en un cultivo, etc.
Tambin es de importancia mencionar que cada ocurrencia puede considerarse
como un evento en un intervalo de tiempo determinado.
Si consideramos que:
1.
La esperanza de ocurrencia de un evento en un intervalo es la misma
que la esperanza de ocurrencia del evento en otro intervalo cualesquiera, sin
importar donde empiece el intervalo
2.
Que las ocurrencias de los eventos son independientes, sin importar
donde ocurran
3.
Que la probabilidad de que ocurra un evento en un intervalo de tiempo
depende de la longitud del intervalo
4.

Que las condiciones del experimento no varan, y

5.
Que nos interesa analizar el nmero promedio de ocurrencias en el
intervalo
entonces se puede afirmar, que la variable aleatoria mencionada en los
fenmenos descritos es una variable de Poisson.
Caractersticas de la Distribucin de Poisson
Un modelo de probabilidad de Poisson tiene las siguientes caractersticas:
1. El espacio muestral se genera por un nmero muy grande (puede
considerarse infinito) de repeticiones de un experimento cuyo modelo de
probabilidad es el de Bernoulli, con probabilidad de xito muy pequea. Por
esta razn, a la distribucin de Poisson suele llamrsele de eventos raros. Las
repeticiones del experimento de Bernoulli se realizan en cada uno de los
puntos de un intervalo de tiempo o espacio.
2. El nmero de xitos en el intervalo li es ajeno al nmero de xitos en el
intervalo lk, por lo que li lk = f
3. La probabilidad de que se tengan dos o ms xitos en el mismo punto del
intervalo es cero.
4. El nmero promedio de xitos en un intervalo es una constante l, que no
cambia de intervalo a intervalo.
Qu es una distribucin de Poisson?

La distribucin de Poisson es definida por un parmetro: lambda (). Este

parmetro es igual a la media y la varianza. A medida que lambda aumenta, la
distribucin de Poisson se acerca a una distribucin normal.

Utilice la distribucin de Poisson para describir el nmero de veces que un

evento ocurre en un espacio finito de observacin. Por ejemplo, una
distribucin de Poisson puede describir el nmero de defectos en el sistema
mecnico de un avin o el nmero de llamadas a un centro de llamadas. La
distribucin de Poisson se utiliza con frecuencia en el control de calidad, los
estudios de fiabilidad/supervivencia y los seguros.
Una variable sigue una distribucin de Poisson si se cumplen las siguientes
condiciones:

Los datos son conteos de eventos (enteros no negativos, sin lmite superior).
Todos los eventos son independientes.
La tasa promedio no cambia durante el perodo de inters.

lambda = 3

lambda = 10
Qu es la tasa de ocurrencia?

La tasa de ocurrencia es igual a la media () dividida entre la dimensin del

espacio de observacin. Es til para comparar conteos de Poisson recolectados
en diferentes espacios de observacin. Por ejemplo, la central telefnica A

recibe 50 llamadas telefnicas en 5 horas y la central telefnica B recibe 80

llamadas en 10 horas. Usted no puede comparar directamente estos valores,
porque sus espacios de observacin son diferentes. Debe calcular la tasa de
ocurrencia para comparar estos conteos. La tasa de la central telefnica A es
(50 llamadas / 5 horas) = 10 llamadas/hora. La tasa de la central telefnica B
es (80 llamadas / 10 horas) = 8 llamadas/hora.
Diferencias entre la distribucin de Poisson y la distribucin binomial

La distribucin de Poisson es similar a la distribucin binomial porque ambas

modelan conteos de eventos. Sin embargo, dentro de su espacio de
observacin finito, la distribucin de Poisson no establece un lmite superior a
este conteo: una central telefnica podra recibir un nmero infinito de
llamadas en un da y no violar los requisitos de la distribucin de Poisson. En
cambio, la distribucin binomial establece un lmite superior en el conteo: el
nmero de eventos que usted observa no puede exceder el nmero de ensayos
que realiza.
16) Propiedades de la curva normal o distribucion normal (gauss)