7 Estadiistica Basica PDF

Estadística Basica José Manzaneda Cabala
ESTADISTICA BASICA
INTRODUCCION Los conceptos básicos de la

estadística son muy aplicados en el manejo de datos en
todas las áreas de la ciencia e ingeniería; el presente es
un resumen con aplicación al procesamiento de los
minerales.
DEFINICIONES IMPORTANTES
DEFINICION DE LA ESTADISTICA
Se han intentado muchas definiciones sobre la
ESTADÍSTICA, algunos la consideran una ciencia que
tiene como base la matemática (teoria de las
Probabilidades) y es también una metodología de trabajo
científico que se justifica y resalta en el uso de los
métodos estadísticos en toda investigación. El curso
desarrollado por el Sr. Celestino Ore es muy práctico y
sumamente interesante por lo sencillo de su aplicación y
comprensión. El intenta definir la estadística como “una
disciplina que nos proporciona un conjunto de métodos y
procedimientos que permiten recopilar, clasificar, presentar
y describir datos en forma adecuada para tomar decisiones
frente a la incertidumbre o predecir o afirmar algo acerca
Página 1 de 54
de la población o sus parámetros a partir de los datos

extraídos de la misma”.
POBLACIÓN Y MUESTRA
Población, es el conjunto “mayor” o universo de objetos
que por lo menos tienen una característica común, cuyo
estudio nos interesa o acerca de las cuales se desea
información. Los elementos de este conjunto se
denominan Unidades Estadísticas.
La población puede ser finita o infinita. Si la población es
infinita será imposible tener información completa sobre
ella o si la población es finita pero numerosa y no sea
posible estudiar todos y cada uno de sus elementos se
acude a la información proporcionada por una parte
representativa i finita de dicha población llamada
MUESTRA
Se llama Datos u observaciones a las unidades

estadísticas obtenidas o recopiladas en forma total (datos
poblacionales) o en forma parcial (datos muestrales)
OBSERVACIONES CUANTITATIVAS Y CUALITATIVAS

Las observaciones contables o medibles se denominan
cuantitativas: ejemplo estatura de estudiantes, edad de
las personas. Las cualitativas son las que no se pueden
medir, ejemplo estado civil de las personas puede ser
casado, soltero, viudo, etc, es una cualidad pero no se
mide.
PARÁMETRO Y ESTADIGRAFO
Parámetro.- Es un número que describe alguna

característica de la población y para determinar su valor
es necesario utilizar la información poblacional completa
y por tanto las decisiones se toman con certidumbre total
Estadígrafo.-Es un numero que se obtiene a partir de los

datos muestrales y describe alguna característica de la
Página 2 de 54
muestra y la toma de decisiones contiene cierto grado de

incertidumbre.
Se puede distinguir dos definiciones importantes
ESTADISTICA DESCRIPTIVA
Se ocupa de la recopilación, clasificación, presentación y
descripción de los datos
ESTADISTICA INFERENCIAL
Nos proporciona la teoria necesaria para tomar decisiones
frente a la incertidumbre o afirmar algo acerca de la
población a partir de los datos bajo estudio. Cuando no es
posible una información completa de una población se
extraen muestras representativas de dicha población
mediante “Técnicas de Muestreo” y en base al estudio o
información obtenida de los datos muestrales se toman
decisiones frente a la incertidumbre o se afirma algo
acerca de la población con la ayuda de la “estadística
Inferencial”
VARIABLES, DATOS UNIVARIANTES Y MULTIVARIANTES

Los datos pueden representarse simbólica o
matemáticamente mediante variables o letras. Ejemplo “n”
datos se representan por x1, x2, ... xn.
A las variables asociadas a las observaciones cualitativas

se le denominara Variables Cualitativas y son las que
tienen valores que son cualidades o atributos. Las
variables Cualitativas pueden ser NOMINALES (no
implican orden) y ORDINALES ( existe algún orden,
jerarquía o categorías entre los atributos.
A las variables asociadas a observaciones cuantitativas

se le denominara Variables Cuantitativas y son aquellas
cuyos valores son números. Las variables cuantitativas
pueden ser discretas (surgen del proceso del conteo) o
continuas (que surgen del proceso de medición).
Página 3 de 54
Los datos pueden expresarse por medio de una sola

variable (datos univariantes o unidimensionales) o se
pueden expresar con dos o mas variables (datos
multivariantes), en general estos últimos se conocen como
datos n-dimensionales que representan n características
que pueden ser observadas simultáneamente en cada
dato y así estaremos frente a datos multivariantes o
multidimensionales.
Página 4 de 54
ESTADISTICA DESCRIPTIVA
DEFINICION
Es la ciencia o metodología, que se ocupa de la

recopilación, clasificación, presentación y descripción de
datos
RECOPILACION
La recopilación puede ser de dos tipos :

Censal (toda la poblacion)
RECOPILACION
Por Muestreo (una parte)

Si la recopilación de los datos muéstrales es al azahar se
denomina muestra aleatoria, existen técnicas de muestreo
lo importante es que se asume que como resultado de
estas técnicas se tienen muestras representativas y
confiables. Los datos obtenidos por experimentación
necesitan Diseños Experimentales.
CLASIFICACION:
El objetivo de la Clasificación de los datos es condensar y
simplificar sin perder muchos detalles. Básicamente en
un conjunto de datos se observa un máximo y otro
mínimo, es lo primero que se aprecia cuando los datos se
ordenan en forma creciente o decreciente. Clasificar
también significa sub-dividir en grupos mas condensados
a estos grupos se les denominara “clases”
Página 5 de 54
Se cita un ejemplo típico muy practico, así, clasificar los

datos recopilados del numero de hijos que tiene cada una
de las 40 familias de un distrito minero, elegidos al azahar
y que se muestra en el primer recuadro :
1 2 0 3 5 1 0 8 1 2
4 3 3 5 12 0 4 3 0 10
0 0 4 9 0 1 3 2 1 3
5 4 6 8 2 0 1 3 2 0
0 0 0 0 0 0 0 0 0 1
1 1 1 1 1 2 2 2 2 2
3 3 3 3 3 3 3 4 4 4
4 5 5 5 6 8 8 9 10 12
0 1 2 3 4 5 6 8 9 10 12
0 1 2 3 4 5 8
0 1 2 3 4 5
0 1 2 3 4
0 1 2 3
0 1 3
0 3
0
0
Los datos recopilados tal como se registran en el primer

recuadro están en completo desorden y no sugieren
ninguna conclusión o interpretación. Se procede a
organizarlos en orden creciente de sus magnitudes en
horizontal o bien en vertical (recuadros siguientes), se
observa que el mínimo es cero y el máximo es 12 y
además que el dato que mas se repite es cero “0”, pero
clasificandolos se puede distinguir otras características
junto a conseguir mayor simplificación o condensación de
los datos en estudio
ALCANCE : Intervalo cerrado de menor y mayor valor Ej:
[0, 12 ], es decir el mínimo hasta el máximo valor
encontrados.
Página 6 de 54
RANGO : o Amplitud Longitud del alcance Ej. |12-0| = 12
INTERVALOS DE CLASE, sub-dividir en k-sub-grupos

equivale a particionar el alcance en k partes, llamados
intervalos de clase o simplemente clases. Los extremos de
cada intervalo se denominaran limites inferior y superior.
El intervalo puede ser cerrado o abierto, cerrado si incluye

el valor , abierto si no lo incluye. El criterio para
particionar un alcance en intervalos es que sea
suficientemente pequeño para lograr la simplificación
deseada pero lo suficientemente amplio para minimizar
los posibles errores de clasificación. El siguiente es una
regla practica para sub-dividir datos en clases.
REGLA DE STURGES :
Para dividir en intervalos de clase un alcance de manera
practica, considerar la siguiente relación
K = 1 + 3.3 Log n
Si n es el numero de datos, para el ejemplo n= 40, luego

K = 6.2868 ; entonces el numero de clases K puede ser
5, 6 o 7 intervalos
Limites de Clase : Son los valores extremos del intervalo

semiabierto de clase Ej. [0, 2 >
Ancho de clase (w) : Es la longitud de un intervalo de

clase y se logra dividiendo el rango R entre el valor de k,
así en el ejemplo w = R / K, donde R = 12 y K = 6, luego
w =2
Frecuencias Absolutas (f i) : Es el numero de datos en

cada intervalo de clase; tiene las siguientes propiedades:
(1) 0 ≤ f i ≤ n (2) Σfi=n
Página 7 de 54
PRESENTACION DE DATOS
En esta etapa se elaboran cuadros numéricos llamados

tablas o Cuadros estadísticos o Distribución de
Frecuencias y se representan mediante graficas :
Para el ejemplo citado
1 2 0 3 5 1 0 8 1 2
4 3 3 5 12 0 4 3 0 10
0 0 4 9 0 1 3 2 1 3
5 4 6 8 2 0 1 3 2 0
Como se eligió k=6, el numero de intervalos, con una

amplitud de 2 en la primera columna se coloca los
intervalos y desde el cuadro de datos se va colocando
trazas según corresponda la clase o intervalo, el numero
final de trazas por cada rango o clase será la Frecuencia
absoluta :
DISTRIBUCION DE FRECUENCIAS ABSOLUTAS
INTERVALOS DE CLASE TABULACION FRECUENCIA ABSOLUTAS

[0 , 2 > /////////////// 15
[2 , 4 > //////////// 12
[4 , 6 > /////// 7
[6 , 8 > / 1
[8 , 10 > /// 3
[10 ,12 > // 2
TOTAL 40
MARCA DE CLASE (xi): Son los puntos medios de los

intervalos. Todos los datos de un intervalo pierden su
individualidad y están representados por un mismo valor
que a su vez caracteriza la clase, ese valor típico es la
marca de clase
Página 8 de 54
TABLA COMPLETA
INTERVALOS DE CLASE Xi fi Fi hi Hi 100hi% 100Hi%
[0 , 2 > 1 15 15 0,375 0,375 37.5% 37.5%

[2 , 4 > 3 12 27 0,300 0,675 30.0% 67.5%
[4 , 6 > 5 7 34 0,175 0,850 17.5% 85.0%
[6 , 8 > 7 1 35 0,025 0,875 2.5% 87.5%
[8 , 10 > 9 3 38 0,075 0,950 7.5% 95.0%
[10 ,12 > 11 2 40 0,050 1,000 5.0% 100.0%
TOTALES 40 1,000 100.0%

La descripción sencilla de las columnas es como sigue :
Xi = marca de clase,
fi = frecuencia absoluta
Fi = Frecuencia absoluta acumulada,
hi = Frecuencia relativa
Hi = Frecuencia Relativa Acumulada,
100% hi = Frecuencia relativa Porcentual;
100Hi% = Frecuencia Relativa Acumulada
Porcentual
Entonces en una tabla será sencillo saber que cada rango

tiene una marca de clase que es el punto central del
intervalo, un numero de datos que expresa la frecuencia
absoluta, si se expresa de manera fraccionada relativa a 1
es la frecuencia relativa, y si se refiere a un total de 100
será la frecuencia porcentual, luego habrán columnas que
son frecuencias relativas y porcentuales pero
Acumuladas. Como ejemplo citaremos la lectura del
intervalo entre 4 a 6, se entiende que la marca de clase es
5, en ese rango hay 7 datos que seria la frecuencia
absoluta, de un total de 40 datos en ese rango hay 17.5%
(frecuencia porcentual), los datos menores incluidos al
rango de lectura abarcan 85% del total (frecuencia
porcentual acumulada) y mayores a 6 hasta 12 serán el
15% o 100 menos la frecuencia porcentual acumulada.
Página 9 de 54
Del Cuadro pueden hacerse las conocidas distribuciones

de Frecuencias que se representan gráficamente como
Histogramas , Polígono de frecuencias, Diagramas
escalonados, ojivas, etc. Las graficas se levantan sobre un
plano cartesiano; en el eje X se colocan el Alcance, el
intervalo y los limites de clase y en el eje Y las frecuencias
HISTOGRAMA : Son graficas de rectángulos cuyas bases

representan los intervalos de clase, y las alturas las
frecuencias absolutas o relativas o Porcentuales. Los
rectángulos deben tocarse unos a otros, excepto en caso
de intervalos vacíos.
POLÍGONO DE FRECUENCIA : Es una poligonal

construida uniendo mediante segmentos de recta los
puntos medios de los “techos” de los rectángulos del
Histograma. En algunos casos se recomienda cerrar la
poligonal hasta tocar la base de los intervalos adyacentes
al primero y ultimo del histograma.
Ejemplo de Histogramas Polígonos de frecuencia
Histograma
Poligono de frecuencia
El polígono de frecuencia de manera suavizado

representa idealmente una curva del modelo matemático
que se puede ajustar por diversas técnicas conocidas
FUNCION ESCALONADA: Son gráficos correspondientes a

Distribuciones de frecuencia Absoluta acumulada,
relativa acumulada o Porcentual acumulada. La grafica de
este tipo es similar a la de Máximo Entero donde la
Página 10 de 54
frecuencia acumulada es constante durante el intervalo y

haciendo un salto de discontinuidad en el extremo
derecho.
OJIVA : Es una poligonal construida uniendo los puntos
cuyas abscisas son los limites superiores de las clases y
las ordenadas son las frecuencias absolutas acumuladas
o relativas o porcentuales acumuladas. Se añade una
clase con frecuencia cero antes de la primera clase. La
ojiva puede ser suavizada hasta lograr una curva que
represente a la población estudiada y se conoce como
función de distribución.
Ejemplo de Función escalonada y Ojiva
40
30
20
10
0 2 4 6 8 10 12
DISTRIBUCION Y GRAFICAS CON OBSERVACIONES

CUALITATIVAS
Si las observaciones son cualitativas no es posible
determinar cuantitativamente el “Alcance”, bastara con
indicar la categoría y sus respectivas frecuencias. Un
ejemplo en el cuadro siguiente: De 550 estudiantes, 230
estudian Ingeniería representando 41.82% y son la
Página 11 de 54
mayoría, el grupo minoritario corresponde a Matemáticas

que con solo 20 alumnos representan 3.64% del total.
Campos de Especializacion fi hi 100 hi%

Ingenieria 230 0.4182 41.82%
Administracion 150 0.2727 27.27%
Economia 50 0.0909 9.09%
Contabilidad 100 0.1818 18.18%
Matematicas 20 0.0364 3.64%
550 1.000 100.00%
La tabla anterior también puede ser representada en un

grafico tipo “Diagrama Circular”, el análisis será similar
pero talvez mas objetivo.
Campos de Especializacion
Matematicas
4%
Contabilidad
18% Ingenieria
Economia 42%
9%
Administracion
27%
Clases con anchos desiguales: Es común usar

distribuciones con anchos de clase iguales, pero algunas
veces se usan anchos de clase desiguales, si existen datos
muy pequeños o bastante grandes es una necesidad,
bastara definir la primera clase como “menos de..” y la
clase superior como “mas de.. “ o “mayores que..”, la
desventaja principal es que no están definidos las marcas
Página 12 de 54
de clase ni los anchos por lo que solo se puede hacer un

análisis grafico circular en frecuencia.
Para el ejemplo
Ingresos Anuales ($) fi hi 100 hi%

menos de 500 3 0,0625 6.25%
500 a 1000 15 0,3125 31.25%
1000 a 5000 10 0,2083 20.83%
mas de 5000 20 0,4167 41.67%
totales 48 1,0000 100.00%
La mayor cantidad de la población (41.67%),gana mas de

5000 dólares anuales, los que menos ganan (<500 $) son
el 6.25%.
Campos de Especializacion
menos de 500
6%
mas de 5000 500 a 1000

42% 31%
1000 a 5000
21%
DESCRIPCION DE DATOS
Es una etapa en la que se estudia el calculo de las
medidas que describen o califican a los datos;
(a) Medidas de Posición o Localización :
Tendencia central ( Promedios, mediana), Moda y
Fractilas
(b) Medidas de Variabilidad o de Dispersión :
Página 13 de 54
Varianza, desviación típica, coeficiente de

variación, desviación media.
(c) Medidas de asimetría y Kurtosis
(d) Momentos
Si el estudio descriptivo abarca toda la población la

medida descriptiva correspondiente es un “parámetro” y si
comprende una muestra la medida se denomina
“estadígrafo” muestral
MEDIA ARITMETICA O PROMEDIO ARITMETICO

Denominada simplemente como “Media” o “Promedio”; es
una medida de Tendencia Central que localiza el “centro
físico” de la distribución de datos.
S la media es muestral se denota como “ X” y si es
referida a una población u o algunas veces también se
indica como “M(X)” que se lee como la media de la variable
X.
Media de Datos No-Clasificados
Sean x1, x2, x3… xn una muestra de tamaño n, entonces la
media es la suma de todos los datos entre n
En el ejemplo, se tienen 30 datos
60 30 38 60 45 20 35 20 40 54 38 35 40 10 45
60 49 49 30 55 46 29 38 80 40 28 15 82 72 105
La suma de datos es = 1348 , n = 30 entonces el

promedio será 1348/30 = 44.93
Media de Datos Clasificados

Pero los mismos datos anteriores pueden ser clasificados
por rangos. Si aplicamos la Regla de Sturges para dividir
en intervalos K = 1+ 3.3 log(30) = 5.87 o 6 intervalos. El
ancho de cada clase será (106-10)/6 = 16. Los términos
Xi son la marca de clase y fi es la frecuencia de cada clase
Página 14 de 54
INTERVALOS DE CLASE Xi fi hi xi fi xi hi
[10 , 26 > 18 4 0,133 72 2,394
[26 , 42 > 34 12 0,400 408 13,6
[42 , 58 > 50 7 0,233 350 11,65
[58 , 74 > 66 4 0,133 264 8,778
[74 , 90 > 82 2 0,067 164 5,494
[90 ,106 > 98 1 0,034 98 3,332
TOTALES 30 1,000 1356 45,248
La Media es igual a la sumatoria de todos los productos

marca de clase por frecuencia y dividida entre el numero
de datos, en este caso 1356/30 = 45.2; y cuando se usa
las frecuencias relativas a 1 (hi), la media es la suma de
todas las marcas de clase xi multiplicadas por las
frecuencias relativas = 45.248. Estas dos son similares y
cuestión de redondeo; podríamos decir que la media es
45.2; pero es importante saber que cuando calculamos la
media de todos los datos (sin clasificar) dio como
resultado 44.93, ahora si hay diferencia, la media mas
precisa es aquella que usa todos los datos; porque cuando
no se clasifican los datos no hay perdida de información y
el error se reduce a cero.
Propiedades de la Media
1. La media de los datos todos iguales a una
constante c es la misma constante c
2. Si a todos los valores de X le sumamos una
constante c (traslación), su media queda sumada
por dicha constante
3. Si a todos los valores de X le multiplicamos por
una constante b (cambio de escala), la media
queda multiplicada por la constante b.
4. Si a todas las variables X le multiplicamos por una
constante b y luego le sumamos una constante c.
Entonces la media quedara multiplicada por la
constante b y sumada en c.
Características relevantes de la media Aritmética
Página 15 de 54
1. La Media Aritmética es la medida mas conocida y

usada en estadística
2. Es una medida única, es decir un conjunto de
datos tiene una sola media aritmética.
3. Se calcula tomando en cuenta la magnitud de
todos y cada uno de los datos bajo consideración.
4. Como la media localiza el centro físico (centro de
gravedad) de una distribución de datos, es una
medida de tendencia central muy sensible a los
valores extremos y si estos toman valores
desproporcionados desplazan el valor de la media
hacia esos extremos.
MEDIANA
Es una medida de Tendencia Central que localiza el
“centro” de la distribución de datos en base a una
ubicación central una vez ordenados.
Mediana es aquel valor que divide (distribuye o sub-
clasifica) en dos partes iguales a un conjunto de valores
ordenados
Mediana de datos No- Clasificados

Una vez ordenados los datos en orden creciente o
decreciente
 Si el numero de datos es impar, la mediana es el
valor central que equidista de los extremos
 Si el numero de datos es par, la mediana es el
promedio aritmético de los dos valores centrales
que equidistan de los extremos
En ambos casos se afirma que la MEDIANA es aquel valor

para el cual el numero de observaciones mayores que el
es igual al numero de observaciones menores que el.
Ejemplo No. 1
Con el mismo ejemplo citado anteriormente, son 30 datos
y los ordenamos en forma ascendente, como el numero de
datos es n=30 par, entonces la media será el promedio
entre los datos centrales No. 15 que es 40 y 16 que
Página 16 de 54
también es 40; entonces la mediana es el promedio de

ambos o 40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
10 15 20 20 28 29 30 30 35 35 38 38 38 40 40
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
40 45 45 46 49 49 54 55 60 60 60 72 80 82 105
Ejemplo No. 2 : hallar la mediana de la siguiente serie de

números 2,1,5,4,9,8
MEDIANA PARA DATOS CLASIFICADOS:

Para datos clasificados es aquel valor para el cual el 50%
de los datos son inferiores o iguales a el y los otros 50%
son superiores a el
En los datos clasificados del ejemplo típico :
INTERVALOS DE CLASE Xi fi Fi
[10 , 26 > 18 4 4
[26 , 42 > 34 12 16
[42 , 58 > 50 7 23
[58 ,74 > 66 4 27
[74 , 90 > 82 2 29
[90 ,106 > 98 1 30
TOTALES 30
Clase Mediana : En el cuadro anterior, es el intervalo de

clase cuya frecuencia absoluta acumulada alcanza la
mitad del numero total de datos o la supera por primera
vez : [26, 42>
Luego la mediana se estima con la siguiente relación
Página 17 de 54
n - Fm-1
Xm = Lm + Wm 2
fm
En la relación anterior :
Lm = Limite inferior de la clase mediana = 26
Wm : Ancho de la clase mediana = 16
n : Numero de datos totales =30
Fm-1: Frecuencia absoluta acumulada la clase inmediata

anterior a la clase mediana = 4,
fm : Frecuencia absoluta de la clase mediana = 12
Entonces la mediana es :
Xm = 40.67
Para datos clasificados Mediana es aquel valor para

el cual el 50% de los datos son inferiores o iguales a
el y los otros 50% son superiores a el.
ALGUNAS CARACTERISTICAS RELEVANTES DE LA

MEDIANA
1. Le sigue en importancia y uso a la Media, como
medida de Tendencia Central
2. Es una medida única, entonces una distribución
de datos tiene una sola mediana.
3. La suma de los valores absolutos de las
desviaciones de los datos con respecto la mediana
es mínima
4. En el cálculo de la mediana no se consideran la
magnitud de todos los datos como si en el calculo
de la media. El valor de la mediana depende
Página 18 de 54
únicamente de los valores centrales; no cambia de

valor si se agrega un número de datos mayores y
menores que ella, de cualquier magnitud; como
consecuencia no es sensible a los valores extremos
como la Media. De existir valores extremos que
difieren considerablemente del resto. La mediana
puede ser más representativa que la media, en el
sentido de que localiza mejor el “centro” de la
distribución de datos, El ejemplo siguiente ilustra
este criterio.
Un empleador afirma que el salario promedio pagado a los

ingenieros de su firma es de 2200 soles mensuales; estos
sugieren que la firma paga bien. Sin embargo, un examen
posterior indica que se trata de una pequeña compañía
que emplea cuatro jóvenes ingenieros con un haber
mensual de 300 soles cada uno y el haber mensual del
Ingeniero Jefe es 9800 soles ¿Se puede seguir pensando
que la firma paga bien?
Veamos:
El promedio es de (300+300+300+300+9800)/5 = 2200
Como hay un valor extremo bastante discrepante del

resto, calculemos la mediana
Mediana si n es impar es el valor central Md = 300
No se puede pensar que la firma paga bien. En casos

como este es más representativo la mediana que la media.
MODA (Mo) :
Localiza el valor cuya frecuencia es máxima.
Moda de datos no-clasificados.-

Es el valor del dato que se presenta con mayor frecuencia
o se repite el mayor número de veces.
Página 19 de 54
Ejemplo: Determinar la moda en el siguiente conjunto de

datos no agrupados:
4, 7, 6, 6, 9, 8, 10, 15, 6, 7
Ordenando los datos se tiene :
4, 6, 6, 6, 7, 7, 8, 9, 10, 15
Se observa que el dato que mas se repite es 6, por tanto
Mo = 6
En el caso que dos datos tengan el mismo numero de

repeticiones, entonces los datos tienen dos modas o
también se le conoce como “bimodal”.
Si todos los datos se repiten el mismo numero de veces, se

dice que no hay moda (o todos son modas) .
Moda de Observaciones Clasificadas

Para datos clasificados, es necesario conocer la clase
modal, que es aquel rango que tiene la mayor frecuencia
absoluta o relativa, en pocas palabras, el rango que tenga
mas datos contenidos. Para algunos, Moda es el punto
medio de la clase modal, esta seria una manera rápida de
encontrar la moda
Para la distribución de datos, de los ejemplos anteriores

INTERVALOS DE CLASE Xi fi Fi
[10 , 26 > 18 4 4
[26 , 42 > 34 12 16
[42 , 58 > 50 7 23
[58 ,74 > 66 4 27
[74 , 90 > 82 2 29
[90 ,106 > 98 1 30
TOTALES 30
Es el punto medio de la clase modal o aquella que

contiene la mayor cantidad de datos : [26 , 42> ;
entonces la moda es 34
Puede haber una distribución multimodal, es decir que

tiene varias modas, esto sucede cuando hay dos o mas
clases modales y las modas serán los puntos centrales de
Página 20 de 54
dichos rangos que se entiende tienen la misma frecuencia

de datos.
Moda de Distribuciones Cualitativas
Cuando los datos son de tipo cualitativo, la medida
descriptiva mas adecuada es la Moda.
ALGUNAS CARACTERISTICAS RELEVANTES DE LA

MODA
1. Le sigue en importancia a la media y a la mediana,

su uso se hace imperativo cuando los datos son de
tipo cualitativo. Su fácil interpretación y su cálculo
sencillo hacen de la Moda una medida de
Localización mas usual y practico. Así, un gerente
de una fabrica de calzados puede estar interesado
en las medidas que se venden mas; esta medida
esta representada mejor por la moda que por otras
medidas descriptivas
2. No es una medida única como la mediana y media.
Un conjunto de datos puede tener mas de una
moda. Mediante una distribución adecuada de
datos (variando el ancho del rango) una función
multimodal puede transformarse en unimodal.
VARIANZA , DESVIACION ESTANDAR Y

COEFICIENTE DE VARIACION
VARIANZA : Es una medida de la variabilidad cuyo

valor nos indicara si los datos están concentrados o
dispersos con respecto a la media.
DESVIACION ESTANDAR : Es la raíz cuadrada

de la varianza, tiene las mismas unidades que la media o
promedio.
Página 21 de 54
COEFICIENTE DE VARIACION : Es una

medida de la variabilidad relativa; es la división entre la
desviación estandar y el promedio expresada en
porcentaje.
Varianza de datos no clasificados
Para estimar la varianza de una relación de datos no

clasificados es necesario calcular el inicialmente el
promedio de todos los datos, luego para cada dato se
calcula el cuadrado de la diferencia del dato menos el
promedio = (xi-Xprom)2 , la suma de estos valores dividido
entre el numero de datos será la VARIANZA, la desviación
estándar es la raíz cuadrada de la varianza.
Cuando se hace manualmente se toma el numero de

datos n, si se procesa en computadora el numero de datos
es n-1, porque un grado de libertad se utiliza para el
termino constante. La diferencia no es muy grande y es
mejor hacerlo en hoja de calculo. El ejemplo siguiente
aclara este asunto:
Página 22 de 54
2
Xi (Xi-prom) (Xi-Xprom)
60 15,07 227,00
30 -14,93 223,00
38 -6,93 48,07
60 15,07 227,00
45 0,07 0,004
20 -24,93 621,67
35 -9,93 98,67
20 -24,93 621,67
40 -4,93 24,34
54 9,07 82,20
38 -6,93 48,07
35 -9,93 98,67
40 -4,93 24,34
10 -34,93 1220,34
45 0,07 0,00
60 15,07 227,00
49 4,07 16,54
49 4,07 16,54
30 -14,93 223,00
55 10,07 101,34
46 1,07 1,14
29 -15,93 253,87
38 -6,93 48,07
80 35,07 1229,67
40 -4,93 24,34
28 -16,93 286,74
15 -29,93 896,00
82 37,07 1373,94
72 27,07 732,60
105 60,07 3608,00
SUMA 1348,00 0,00 12603,87
MANUAL
PROMEDIO 44,93
VARIANZA 12603,87 /30 = 434,6
DESVIACION ESTANDAR v 343.6 = 20.84
COEFICIENTE DE VARIACION 20,84 *100 / 44.933 = 46,40 %
COMPUTADORA
PROMEDIO 44,93
VARIANZA 12603,87 / 29 = 420.13
DESVIACION ESTANDAR v 320.13 = 20.49
COEFICIENTE DE VARIACION 20,49 *100 / 44.933 = 45.60 %
Página 23 de 54
Varianza de datos clasificados
INTERVALOS DE CLASE Xi fi (Xi-prom) (Xi-Xprom)2 ((Xi-Xprom)2)*fi

[10 , 26 > 18 4 -40 1600 6400
[26 , 42 > 34 12 -24 576 6912
[42 , 58 > 50 7 -8 64 448
[58 ,74 > 66 4 8 64 256
[74 , 90 > 82 2 24 576 1152
[90 ,106 > 98 1 40 1600 1600
TOTALES 30 16768
PROMEDIO 58
En este caso se establece las marcas de clase de cada

rango Xi y la frecuencia de datos en cada rango (fi) y se
procede como datos no clasificados:
σ2 =
2
Σ ((Xi-Xprom) )*fi 16768 558,93
n 30
s = v σ2 23,64
CV = s*100 40,8 %
promedio
σ2 =
2
Σ ((Xi-Xprom) )*fi 16768 578,2
n-1 29
s = v σ2 24,05
CV = s*100 41,6 %
promedio
Página 24 de 54
DISTRIBUCIONES BIDIMENSIONALES
CONCEPTO
Hasta el modulo anterior nos hemos limitado a estudiar
datos unidimensionales, o nos hemos concretado a
estudiar una sola característica asociada a cada
observación.
En este caso una muestra de tamaño n se representa

como un conjunto de pares ordenados de la forma :
{ (X1, Y1), ( X2, Y2), …….. (Xn, Yn)}
DISTRIBUCIONES BIDIMENSIONALES DE DATOS NO

CLASIFICADOS
Dados un conjunto de pares (Xi, Yi), podemos calcular

separadamente para el conjunto de valores X todas las
medidas descriptivas (media, moda, mediana, varianza,
etc.) analizadas anteriormente; igual para los valores de Yi
Al analizar las observaciones bivariadas conjuntamente

surgen otras Medidas Descriptivas nuevas y que
relacionan X e Y, ellas son : La Covarianza, Correlación y
también surgen problemas de REGRESION. Si solo nos
interesa el grado de relación entre las variables estamos
ante un problema de CORRELACION. Si nos interesa el
grado y también el tipo de relación funcional (ecuación)
entre las variables estamos ante un problema de
REGRESION
COVARIANZA Y CORRELACION LINEAL
Representando las observaciones (x,y) en un plano

cartesiano se obtienen una nube de puntos que se
denomina Diagrama de Dispersión, el mismo que nos
sugiere una tendencia en la nube de puntos; pero si es
Página 25 de 54
necesario cuantificar este grado de correlación lineal entre

X e Y, esta medida se denominara Coeficiente de
Correlación Lineal de Pearson denotada por “r” y definida
por la siguiente relación :
r = n Σxi yi - Σxi Σyi

2 2 2 2
[n Σxi - (Σxi ) ] [n Σyi - (Σyi ) ]
Se puede verificar que es indistinto correlacionar X con Y ,

o Y con X, la correlación será similar.
Si dividimos los términos de la relación anterior entre n2
r = 1/n Σxi yi - M(X) M(Y)

V(X).V(Y)
r = 1/n Σ (xi -M(X)) . (yi - M(y))

V(X).V(Y)
En el numerador se define la covarianza entre las

variables X, Y y en el denominador la varianza de X y de Y
respectivamente, entonces la correlación “r” queda
definida como :
r= cov (X,Y)
V(X)V(Y)
Y en el denominador, la raíz cuadrada de una varianza es
la desviación estándar Sx para la variable x , Sy para la
variable Y
Página 26 de 54
r= Sxy
Sx.Sy
Correlación r
Cuando r = 1 o -1 , se dice que X e Y están perfecta y
linealmente correlacionados, en este caso todos los
puntos están contenidos en una recta
y y
r=1
r=-1
x x
Correlación perfecta positiva Correlación perfecta negativa
Cuando r = 0 , se dice que las variables no están

correlacionadas linealmente :
r=0
Cuando existe cierto grado de correlación entre las

variables X e Y pueden haber dos casos, si es positiva se
llama también directa y si es negativa se denomina
Página 27 de 54
inversa, en ambos casos será mejor la correlación que en

valor absoluto este cerca a 1
y
y
r = -0.30
r = 0.80
x x
Correlación baja y negativa
Correlación alta y positiva
Ejemplo de calculo de correlación de

Pearson
Calcular el Coeficiente de Correlación de Pearson
tomando los siguientes datos X e Y : (1.54,60), (1.82,94),
(1.57,65)(1.60,66), (1.75,85), 1.65,72.5), (1.69,77), (1.62,70),
(1.77,89.5), (1.70,80)
EJERCICIO ; HALLAR LA CORRELACION ENTRE X E Y
X (X-xprom) (X-xprom)2 Y (y-Yprom) (Y-Yprom)2 XY

1,54 -0,13100 0,01716 60,00 -15,9000 252,8100 92,40
1,82 0,14900 0,02220 94,00 18,1000 327,6100 171,08
1,57 -0,10100 0,01020 65,00 -10,9000 118,8100 102,05
1,60 -0,07100 0,00504 66,00 -9,9000 98,0100 105,60
1,75 0,07900 0,00624 85,00 9,1000 82,8100 148,75
1,65 -0,02100 0,00044 72,50 -3,4000 11,5600 119,63
1,69 0,01900 0,00036 77,00 1,1000 1,2100 130,13
1,62 -0,05100 0,00260 70,00 -5,9000 34,8100 113,40
1,77 0,09900 0,00980 89,50 13,6000 184,9600 158,42
1,70 0,02900 0,00084 80,00 4,1000 16,8100 136,00
promedio 1,671 75,9 127,745

SUMA 0,07489 1129,4000
varianza 0,007489 112,94
Desviación estándar 0,086539009 10,6273
En el cuadro anterior, se calcula inicialmente el promedio

de X = 1.671, y el promedio de Y = 75.9. Luego se
Página 28 de 54
determina la suma del cuadrado de los valores menos el

promedio:
Para X corresponderá 0.07849, y para Y = 1129.4, luego

la varianza se calcula dividiendo entre el numero de datos
n=10. Entonces la varianza de X será 0.007849 y la
varianza de Y = 112.94 y la desviación estándar es la raíz
cuadrada de las varianzas, por lo tanto Sx = 0.086539 y la
correspondiente Sy = 10.6273.
Para el Calculo de la Covarianza (X,Y) se determina por la

media M(XY) – M(x).M(Y), los datos del cuadro indican que
la Cov(X,Y) = 127.745 – 1.671x75.9 = 0.9161
Con los datos anteriores se puede calcular la correlación

de Spearman:
R = 0.9161 /(0.086539x10.6273) = 0.9961
Entonces se puede concluir que la correlación entre X e Y

es alta y directa.
Hallando Correlación con Hoja de

Calculo Lotus 123
Existe un modo rápido para encontrar la correlación de
Spearman, es usando regresión en Lotus 1-2-3
herramientas que viene incluida en Hoja Excel de Office
97 y que tiene un procedimiento sencillo de uso con los
pasos siguientes:
1. De la barra de menú ?
2. Ayuda de lotus 1-2-3
3. Datos
4. Valor inicial
5. Rango de X
6. Rango de Y
7.
Página 29 de 54
Rango de Salida
8. Actuar
Resultado de la regresión
Constante -128,51
Error típico de est Y 1,04707
R cuadrado 0,99223 0,9961074
Nº de observaciones 10
Grados de libertad 8
Coeficientes X 122,3261
Error típico del coef 3,826156
El cuadro anterior contiene el resultado de la regresión

entre los valores X,Y, en recuadro se indica el termino
“Rcuadrado” que es igual 0.99223; la raíz cuadrada de
este numero es 0.996174 que es justamente el termino
correlación “r” de Spearman. Es importante entonces
saber que con ayuda de la hoja de calculo se puede
determinar la correlación de los valores. Si es directa o
indirecta la relación se determina según el signo del
Coeficiente, en este caso es positivo.
REGRESION LINEAL
Se usa cuando hay una tendencia lineal entre X e Y y se
desea establecer una relación funcional (ecuación) entre
ambas variables
b = pendiente
a
X
Página
Y = a30+ de
bX54
Constantes por Mínimos Cuadrados.

Los términos constantes “a” y “b” de la ecuación de recta
se determinan por las conocidas relaciones de ajuste por
mínimos cuadrados
b = n [ Σxiyi] - Σxi . Σyi

2 2
n Σxi - (Σxi )
a = 1 [ Σyi - b Σxi ]
n
Ejemplo para hallar “a” y “b” en una

relación lineal X,Y
X Y
2
H MENTAL Academica XY Xi
A1 20 28 560 400
A2 48 50 2400 2304
A3 16 31 496 256
A4 37 46 1702 1369
A5 40 49 1960 1600
A6 41 33 1353 1681
A7 45 53 2385 2025
A8 46 50 2300 2116
A9 21 30 630 441
SUMA 314 370 13786 12192
b = n [ Sxiyi] - Sxi . Syi 7894 0,709

2 2
n Sxi - (Sxi ) 11132
a = 1 [ Syi - b Sxi ] 147,334172 16,370

n 9
ECUACION QUE RELACIONA Aptitud mental (X) y Aptitud Academica (Y)
Y = 16.370 + 0.709 * X
Página 31 de 54
El mismo resultado usando Hoja de

Calculo Office 97
Igualmente es posible calcular los valores de las
constantes de la ecuación lineal usando regresión en Hoja
de Calculo de Office 97 que esta relacionado con Ayuda de
Lotus 1-2-3 y evitarnos así el engorroso trabajo del
cálculo por mínimos cuadrados:
X Y 1. De la barra de menú ?
H MENTAL Academica
2. Ayuda de lotus 1-2-3
A1 20 28
A2 48 50 3. Datos
A3 16 31
A4 37 46 4. Valor inicial
A5 40 49
A6 41 33 5. Rango de X
A7 45 53
A8 46 50 6. Rango de Y
A9 21 30
SUMA 314 370 7. Rango de Salida
8. Actuar
Constante 16,37046
Error típico de est Y 5,693428 ECUACION
R cuadrado 0,732703
Grados de libertad 7 Y = 16.37046 + 0.70912 X
Con el procedimiento de la derecha se obtiene el resultado

de la regresión que indica una constante “a” = 16.37046 y
un coeficiente “b” = 0.70912, con lo que se comprueba
que haciendo regresión en hoja de calculo se evita el
calculo por mínimos cuadrados.
Página 32 de 54
Coeficiente de Determinación r2 :
Bondad de ajuste
X Y
2 2
H MENTAL Academica Y pred (Ypred-Yprom) (Y-Yprom)
A1 20 28 30,553 111,474 171,901
A2 48 50 50,40855 86,442 79,012
A3 16 31 27,71649 179,416 102,235
A4 37 46 42,60816 2,241 23,901
A5 40 49 44,73554 13,136 62,235
A6 41 33 45,44466 18,780 65,790
A7 45 53 48,28117 51,410 141,346
A8 46 50 48,9903 62,082 79,012
A9 21 30 31,26213 97,002 123,457
SUMA 314 370 370 621,983 848,889
Promedio 41,11
Con el ejemplo aprovechamos para determinar el

coeficiente de determinación R 2 que es igual al cuadrado
de la Correlación de Spearman.
En el Cuadro anterior :
1. Calcular el promedio de los valores Yprom = 41.11

2. Con la ecuación que relaciona X, Y para cada valor
de X calcular un valor de Y, será el Ypredicho.
Ejemplo para X =20 con la ecuación debe salir
Ypred = 30.553
3. Establecer y sumar una columna de (Ypred-
Yprom)2, el resultado es 621.983
4. Establecer y sumar una columna de (Y-Yprom)2, el
resultado es 848.889
5. Entonces 621.983/848.889 = 0.732703 es el
coeficiente de determinación r2
2 2
r = S(Ypred-Yprom)
2
S(Y- Y prom )
2
r 0,732703
Página 33 de 54
R2 con Hoja de Calculo Office 97

Este mismo coeficiente de determinación puede ser
hallado rápidamente con regresión en Hoja de cálculo
X Y
H MENTAL Academica
1. De la barra de menú ?
A1 20 28
A2 48 50 2. Ayuda de lotus 1-2-3
A3 16 31
A4 37 46 3. Datos
A5 40 49
A6 41 33 4. Valor inicial
A7 45 53
A8 46 50
5. Rango de X
A9 21 30 6. Rango de Y
7. Rango de Salida
Constante 16,37046 8. Actuar
R cuadrado 0,732703
Coeficiente r2 : Bondad de ajuste
2
r = 1 Ajuste perfecto
2
0,8 < r < 1 Ajuste excelente
2
0,5 < r < 0,8 Ajuste regular
2
0 < r < 0,5 Ajuste pobre
Correlación y t-student.
La relación entre dos variables esta explicada a través del
Coeficiente de Determinación R2 o también por “r”
correlación de Spearman que es la raíz cuadrada de
Coeficiente de determinación. Si al usar regresión se
establece que hay correlación R 2 (siempre positiva), la
relación directa o indirecta estará definida por el signo del
Coeficiente, si el coeficiente que entrega la regresión se
Página 34 de 54
divide entre el error aparece un nuevo estadístico

denominado “t” o t-student que es también una varianza,
un numero representativo de “significancia” muy utilizado
en la estadística moderna y aplicado en calibración de
equipos tan importantes como el Analizador en Línea
Courier. Generalmente cuando la correlación es alta
también el t-student lo es en valor absoluto, existe una
relación directa entre las variables si el valor “t” es
positivo y una relación indirecta si es negativo, pero lo
importante es que habrá significancia estadística si los
valores son mayores a 2 (positivo o negativo); obviamente
los valores de t tiene limites según un grado de confianza
estadística y pueden ser determinados de Tablas
Estadísticas corrientes y conocidas , por ejemplo para n=9
al 95% de confianza el valor de t es 1.82 y a medida que
aumenta el numero de eventos va incrementando ese
valor; la calibración del Courier establece t mayor que 2
(en valor absoluto) para que el coeficiente sea significativo
en la ecuación. El estadístico t-student también se aplica
en los análisis de regresión del Diseño Experimental
EJEMPLO DE APLICACIÓN
Microscopia y Estadística, relación
entre elementos químicos
Los minerales son liberados con chancado - molienda y
luego procesados en flotación; generalmente un estudio
microscópico en luz reflejada determina las especias
mineralogicas típicas y presentes, por ejemplo
determinara valores de cobre en distintas especies, puede
ser como Calcopirita (CuFeS), calcosita (CuS), “cobres
grises” (tenantita y tetrahedrita CuSAs,Sb,Ag ). El hierro
presente puede ser Pirita (FeS) o pirrotita (FeSx) o un
oxido tipo Magnetita (Fe3O4); es claro que el ensaye
químico por elementos en el procesamiento de minerales
prácticamente no da mayor información para mejorar
resultados metalúrgicos; pero sin dejar de considerar la
Página 35 de 54
gran información que provee un estudio microscópico, es

posible aplicar los conceptos de regresión estadística para
hacer una aproximación a la probable presencia de
especies mineralogicas, partiendo de un análisis químico;
hacer “microscopia sin microscopio” por llamar de algún
modo a este procedimiento ;
Ejemplo: Una flotación de un mineral polimetalico Pb-Cu-

Zn-Plata, necesita saber porque los minerales
concentrados están contaminados con alto arsénico y
antimonio, si estos valores pueden ser eliminados en
flotación o en un tratamiento posterior.
Solución: Se hace un muestreo en diversos puntos del

circuito de flotación Bulk Pb-Cu donde se concentran
mayormente los valores de As y Sb. Las muestras son
secadas y posteriormente analizadas por fracciones de
tamaño en mallas 100,200, 325 y -325, se analizan
químicamente por Pb,Zn,Cu, Plata, Fe, As, Sb. El cuadro
siguiente muestra los resultados alcanzados por el
laboratorio químico:
PRODUCTOS %Pb %Zn %Cu Oz/TCAg %Fe %As %Sb

Espuma Rougher Malla 100 64,44 3,24 2,56 68,96 1,36 1,148 1,760
Malla 200 69,08 4,46 3,04 78,73 1,48 1,260 1,788
Malla 325 73,10 3,62 2,42 72,90 1,00 0,890 1,115
Malla -325 73,32 2,84 2,42 69,40 0,80 0,982 1,128
Bulk Pb-Cu Malla 100 50,56 9,52 4,28 77,56 3,74 1,148 1,410
Malla 200 47,52 9,50 5,78 93,75 5,92 1,774 2,056
Malla 325 38,10 14,60 5,20 79,02 6,98 1,672 1,794
Malla -325 47,90 12,38 3,92 70,13 3,62 1,366 1,538
2da. Limpieza Malla 200 25,04 6,46 22,62 292,47 1,72 5,942 9,760
Malla 325 44,06 7,92 12,94 181,38 1,40 3,644 4,624
Malla -325 57,20 9,90 5,46 98,27 1,18 1,890 2,378
la relación entre las leyes de los elementos se encuentra

por regresión simple ( un procedimiento estadístico que
finalmente es equivalente a la microscopia porque expresa
la relación entre elementos químicos, si están positiva y
altamente ligados, indicando una estrecha relación
Página 36 de 54
mineralogica, si el signo es negativo no hay relación

mineralogica entre los elementos químicos, ese es
finalmente el significado del estadístico t-student).
Por ejemplo la relación entre Arsénico y Cobre tiene la

siguiente regresión aplicando el sistema de la Hoja de
Calculo, obviamente en el procedimiento se colocara en
rango de X toda la columna correspondiente al ensaye por
Arsénico y para el rango de Y la columna respectiva de
ensaye por Cobre, invertir las columnas para hacer la
regresión no cambia nada en lo que se refiere a
correlación y valor de “t”
ARSENICO-COBRE
Constante 0,390714
R cuadrado 0,993
t-STUDENT 36,082
Realizadas las regresiones por pares de elementos

químicos el Cuadro siguiente contiene el resumen
expresado en términos de correlación y t-student:
Página 37 de 54
Correlacion t-student
ARSENICO-PLOMO 0,583 -3,55
ARSENICO-ZINC 0,004 0,19
ARSENICO-COBRE 0,993 36,08
ARSENICO-PLATA 0,985 24,24
ARSENICO-FIERRO 0,012 -0,33
ARSENICO-ANTIMONIO 0,976 19,02
ANTIMONIO-PLOMO 0,509 -3,05
ANTIMONIO-ZINC 0,001 -0,09
ANTIMONIO-COBRE 0,971 17,36
ANTIMONIO-PLATA 0,982 22,07
ANTIMONIO-FIERRO 0,029 -0,52
PLATA-COBRE 0,986 25,50
PLATA-PLOMO 0,493 -2,96
COBRE-PLOMO 0,607 -3,73
El análisis del cuadro anterior expresa lo siguiente :

1. El arsénico esta muy ligado al cobre y plata
(+36.08, +24.24)
2. El Antimonio también esta ligado al cobre y plata
(+17.36, +22.07)
3. El cobre esta altamente ligado a la Plata (+25.50)
4. La ley de Plomo tiene una relación negativa con
Cobre (-3.73), Plata (-2.96), Arsénico(-3.55) y
Antimonio (-3.05); esto significa la buena
liberación de galena respecto de los valores de
cobre
5. El Arsénico no tiene relación con Zinc (+0.19),
6. El arsénico no tiene relación con Fierro (-0.33), se
descarta entonces una presencia importante de
ARSENOPIRITA
7. El Antimonio no tiene relación con Zinc(-0.09), ni
fierro (-0.52)
Página 38 de 54
CONCLUSIÓN DEL ANÁLISIS DE REGRESION
 Al haber una fuerte relación Cu-As-Sb-Plata se

debe concluir que estos valores corresponden a la
familia mineralogica de los COBRES GRISES
Tenantita (Cu8As2S7 ),y Tetrahedrita ( Cu8Sb2S7)
 Si no hay relación entre el Fierro-Arsénico se
deduce que no se trata de una gran presencia de
Arsenopirita.
 Al no haber relación entre el Plomo y Cobre se
deduce que no es problema de molienda y
liberación de valores.
REGRESION LINEAL MULTIPLE
Así como se hace regresiones por parejas de valores X e Y

, encontrando una ecuación que relacione a ambas
variables, también es posible relacionar una variable Y
con varias otras variables (X,Z,U,T,…etc.), en este caso se
considera a Y como la variable dependiente, las otras
variables serán independientes, obviamente si se trata de
encontrar una ecuación que relacione la variable
dependiente Y con las otras variables independientes es
necesario hacer Regresión Lineal Múltiple es decir que
cuando el proceso solicite el rango de Y se ingresara todos
los valores de la variable dependiente y para el rango de
valores X se ingresaran en conjunto todas las columnas
de las variables independientes, el resto del proceso de
regresión en Hoja de Calculo : Fijar un rango de salida de
la respuesta y la orden de actuar quedara como es
normal. El resultado de la regresión indica un término
“constante” y además coeficientes según el orden de las
columnas de la matriz de variables independientes, el
cálculo de t-student para cada variable independiente
será muy importante (Dividir coeficiente entre error del
coeficiente), obviamente a mayor valor de t en valor
absoluto se podrá hacer una discreción de que variables
Página 39 de 54
independientes influyen mas sobre el resultado de la

variable dependiente, obviamente no todas deben la
misma influencia. En lo que se refiere a la correlación R 2
si es mayor de 0.8 estaremos en un análisis de respuesta
confiable.
Ejemplo para Concentrado de Plomo
La siguiente lista contiene una serie de 38 análisis
químicos de un concentrado de Plomo por los elementos
Pb, Zn, Cu, Fe, Plata, Bi:
DATOS DE ENSAYE QUIMICO PARA REGRESIONES
CONCENTRADO PLOMO
dato %Pb %Zn %Cu %Fe OzAg/TC %Bi

1 68,65 4,55 2,48 1,60 65,90 0,154
2 65,65 6,76 2,57 1,97 66,38 0,152
3 68,40 5,51 2,34 1,90 63,28 0,184
4 65,45 6,44 2,60 2,08 65,90 0,203
5 69,25 5,47 2,08 1,75 66,41 0,177
6 68,70 6,43 1,98 1,42 62,77 0,153
7 69,60 5,44 1,76 1,81 59,26 0,144
8 70,05 4,72 2,09 1,71 64,81 0,208
9 72,03 4,25 2,10 1,29 62,69 0,168
10 71,77 4,15 2,05 1,25 63,13 0,163
11 66,30 6,77 2,12 1,93 58,03 0,162
12 64,96 6,97 2,14 1,86 63,93 0,206
13 64,15 5,79 2,38 2,49 69,98 0,267
14 70,51 3,38 2,39 1,69 72,90 0,280
15 68,15 4,65 2,52 2,21 78,29 0,339
16 66,75 5,07 3,45 1,52 79,25 0,275
17 68,84 4,82 2,85 1,65 74,07 0,198
18 62,57 7,46 2,19 2,43 64,08 0,422
19 68,50 4,87 2,92 1,56 70,57 0,236
20 69,25 5,48 2,14 1,54 67,69 0,205
21 69,35 5,07 2,07 1,56 64,23 0,240
22 66,85 6,02 2,31 1,85 69,47 0,220
23 66,80 6,72 2,07 1,98 63,35 0,189
24 70,55 4,43 1,97 1,32 64,08 0,219
25 68,89 5,02 1,94 1,62 64,74 0,215
26 71,03 3,91 1,82 2,29 60,44 0,175
27 66,42 6,01 2,03 1,64 58,76 0,154
28 68,35 4,85 2,25 1,26 64,23 0,174
29 63,38 7,76 2,42 1,88 61,24 0,208
30 71,25 3,59 1,63 1,14 64,01 0,235
31 67,18 6,34 1,47 1,62 55,84 0,186
32 67,95 5,36 1,73 1,88 62,62 0,262
33 71,10 3,87 1,38 1,43 60,43 0,229
34 70,10 4,35 1,77 1,95 66,35 0,302
35 70,90 3,92 1,84 1,82 64,59 0,256
36 70,95 4,02 1,81 1,64 66,12 0,246
37 65,50 6,05 1,94 2,31 63,42 0,236
38 68,30 4,63 1,77 1,69 84,73 0,194
Página 40 de 54
Se trata de hallar una respuesta sobre la influencia de los

elementos químicos sobre la ley de Pb en el concentrado
de Plomo.
SOLUCION: Se debe encontrar una ecuación en que la

variable dependiente sea %Pb y las variables
independientes sean las columnas de Zn,Cu,Fe,Plata,Bi,
obviamente el camino indicado es hacer una regresión
lineal múltiple con el procedimiento conocido de la Hoja
de Calculo, el resultado es el siguiente :
REGRESION PARA LEY DE PLOMO EN EL CONCENTRADO
Constante 85,32286483
R cuadrado 0,894077303
%Zn %Cu %Fe OzAg/TC %Bi
Coeficientes X -1,737396225 -0,682035206 -1,2373308 -0,0443292 -6,1053466
Error típico del coef 0,160300419 0,437807849 0,5368665 0,0326703 2,88422
student -10,84 -1,56 -2,30 -1,36 -2,12
En el cuadro resultado de regresión se analiza

inicialmente la correlación y al 89% es posible afirmar que
el análisis de elementos químicos indica que para mejorar
los grados de concentrado de Plomo es necesario y
principal el control de la activación de Zinc (t = -10.84);
obviamente que el control del depresor Sulfato de zinc
será muy importante, le sigue en orden el desplazamiento
de hierro (t=-2.30) cuya activación se debe controlar con
cianuro de sodio. Ambos elementos por el signo negativo
influyen directamente en menores grados de concentrado
de Plomo. Así de simple e importante el uso de la
estadística de regresión.
Página 41 de 54
AJUSTE DE CURVA EXPONENCIAL,

La aplicación de regresión también es importante en
ajustes de curvas exponenciales, la función original debe
ser transformada a una forma de recta, generalmente
usando función logaritmo neperiano y luego aplicar ajuste
por mínimos cuadrados para determinar las constantes
de la ecuación de recta; como ya se vio anteriormente es
mas rápido usar regresión lineal.
Ejemplo de Función Rosin Rammler

En reducción de tamaños por chancado y molienda existe
una función conocida denominada Rosin-Rammler la
misma que proyecta - en una muestra producto de
molienda- el % retenido (W) en una malla de apertura D
- (D/a)b
W = 100 e
En esta relación exponencial, “a” y “b” son constantes;

luego aplicando doble logaritmo neperiano se llega a la
siguiente función:
Ln 100/W = (D/a)b
Ln(ln(100/W) = b Ln D – b Ln a
Haciendo:
Y = Ln (ln (100/W))
X = Ln D
K = -b Ln a = constante
Es una ecuación de recta de la forma Y = bX+K ; la misma

que puede ser ajustada por mínimos cuadrados.
Página 42 de 54
Ejemplo: Un análisis de malla del alimento a clasificación

esta expresada en el cuadro siguiente en las tres primeras
columnas:
Analisis granulometrico de Alimento a hidrociclon

D W Y X
Malla Apertura (u) % Peso Ret %Ac(+) 100/W Ln(100/W) Ln(Ln(100/W)) Ln (D)
50 300 24.85 24.85 4.024 1.392 0.331 5.704
70 212 13.81 38.66 2.587 0.950 -0.051 5.357
100 150 7.6 46.25 2.162 0.771 -0.260 5.011
140 106 18.44 64.69 1.546 0.436 -0.831 4.663
200 74 7.13 71.81 1.393 0.331 -1.105 4.304
325 44 7.16 78.97 1.266 0.236 -1.443 3.784
-325 -44 21.03 100
En el cuadro se completan las columnas de la siguiente

manera:
1. La columna W indica el % retenido acumulado
2. Las siguientes columnas son correlativas y
determinan inicialmente 100/W y luego el doble
logaritmo hasta llegar a la columna que representa
Y
3. La ultima columna que representa X es el
logaritmo neperiano de la apertura de mallas D
Luego se procede a hacer regresión entre X e Y, siendo el

resultado el siguiente:
Constante -5,148
R cuadrado 0,981
Grados de libertad 4 Ln(Ln(100/W)) = 0,9552 LnD - 5,148
t-student 14,41048574
Del resultado y con una correlación 98.1% es posible

determinar la ecuación típica de Rosin –Rammler como se
observa a la derecha, forma de recta recomendada para el
uso de esta función como se puede leer en el Manual
Taggart sec 19 pagina 149
Página 43 de 54
REGRESION CUADRATICA
Si se desea ajustar ecuaciones cuadráticas de una
variable dependiente Y, relacionada con dos variables
independientes X1 y X2 y que se estima sea una curva
cuadrática con un máximo o un mínimo a determinar de
manera que la relación matemática sea :
Y = a0+a1X1+a2X2+a11X12+a22X22+a12X1X2
Las constantes aij serán los términos a encontrar y la

modo mas rápido es por regresión. Un ejemplo ilustrara
mejor el tema.
Ejemplo de diseño Hexagonal

Se hacen pruebas de optimización en un arreglo de 8
pruebas que corresponde a un diseño hexagonal con dos
pruebas al centro , las variables son X1 y X2 los
resultados obtenidos de las 8 pruebas están en la ultima
columna Yobs.
REAL DESARROLLADA
PRUEBA X1 X2 X1 2 X2 2 X1X2 Y obs
1 20,000 20,250 400,00 410,06 405,00 2,35
2 15,000 20,460 225,00 418,61 306,90 2,33
3 5,000 20,460 25,00 418,61 102,30 1,22
4 0,000 20,250 0,00 410,06 0,00 1,85
5 5,000 20,030 25,00 401,20 100,15 2,42
6 15,000 20,030 225,00 401,20 300,45 1,8
7 10,000 20,250 100,00 410,06 202,50 1,35
8 10,000 20,250 100,00 410,06 202,50 1,1
Como se sabe que un diseño de optimización tiene una

función cuadrática como respuesta se procede a hacer
regresión con los pasos siguientes :
1. Como se necesitan además coeficientes para los

términos X12 , X22 y X1X2, entonces se crean
nuevas columnas en base a las de X1 y X2, de es
Página 44 de 54
modo se completa la matriz de valores para los

términos independientes.
2. En la barra de herramientas acceder al proceso de
regresión y cuando se ingrese el Rango-X debe
considerarse toda la plantilla X1,X2, X12 , X22 y
X1X2. El Rango Y será la columna de Yobs del
cuadro anterior.
Procediendo según la indicación, el resultado de

regresión es el siguiente :
Constante 4489,1
R cuadrado 0,9843
X1 X2 X1 2 X2 2 X1X2
Coeficientes X -8,2944 -438,5 0,0088 10,711 0,4022
Error típico del coef1,1802 82,371 0,0013 2,0344 0,0583
Es importante observar que al 98% de correlación la

ecuación cuadrática que relaciona Y con X1,X2 es la
siguiente :
Y = 4489 -8,294 X1 -438.5 X2 + 0,009 X12 + 10,71 X22 + 0,402 X1X2
Un sistema rápido y efectivo para determinar los

coeficientes de una ecuación cuadrática, el uso posterior
de esta ecuación para determinar los puntos X1,X2 que
implicaran un máximo o un mínimo en la ecuación
haciendo derivadas de la función Y respecto de X1 , X2 es
ya otro tema que se trata en el Capitulo de Diseño
Experimental.
Página 45 de 54
ESTADISTICA PARA MEJORAR

CALIDAD
DIAGRAMAS DE LIMITE DE CONTROL
Estadísticamente fuera de
control
Limite superior = M(Y)+σ
Promedio M(Y)
Limite Inferior = M(Y)-σ
Estadísticamente fuera de
control
Los diagramas de límites de control son muy útiles para el

manejo de datos históricos; se trata de establecer una
banda alrededor de un valor promedio que considere la
, de manera que el limite superior
sea Xprom+ y el limite inferior Xprom-
están fuera de estos límites de control son
estadísticamente inexplicables, algo importante ocurrió y
debe ser motivo de análisis. Para optimizar datos se puede
tomar fracciones de la desviación estándar cada vez mas
pequeñas a fin de ajustar la dispersión de resultados,
trabajos iniciales pueden ser considerando
EJEMPLO. Un análisis histórico de datos de concentrado

de Plomo indica una tendencia .Como resultado de la
instalación de un Analizador en Línea Courier mostrar de
Página 46 de 54
que manera cambiaron los resultados en el Concentrado

de Plomo.
Solución: Se hace un cuadro con leyes de concentrado de
Plomo antes y después de la instalación del equipo, el
mismo es el siguiente:
DATOS DE ENSAYE QUIMICO PARA REGRESIONES
CONCENTRADO PLOMO antes ene-05
dato %Pb %Zn %Cu %Fe OzAg/TC %Bi %Pb %Zn %Cu %Fe OzAg/TC %Bi
1 68,65 4,55 2,48 1,60 65,90 0,154 72,18 3,77 1,24 1,51 63,54 0,250
2 65,65 6,76 2,57 1,97 66,38 0,152 74,40 3,21 0,90 1,22 63,57 0,320
3 68,40 5,51 2,34 1,90 63,28 0,184 73,63 2,62 1,29 1,63 67,39 0,300
4 65,45 6,44 2,60 2,08 65,90 0,203 75,01 2,66 0,72 1,45 55,63 0,210
5 69,25 5,47 2,08 1,75 66,41 0,177 74,14 2,79 1,15 1,80 60,33 0,240
6 68,70 6,43 1,98 1,42 62,77 0,153 70,26 4,08 1,55 1,43 61,79 0,270
7 69,60 5,44 1,76 1,81 59,26 0,144 70,38 3,78 1,87 1,90 67,53 0,240
8 70,05 4,72 2,09 1,71 64,81 0,208 73,20 2,95 1,30 1,33 62,90 0,320
9 72,03 4,25 2,10 1,29 62,69 0,168 73,57 2,69 1,51 1,65 67,47 0,240
10 71,77 4,15 2,05 1,25 63,13 0,163 72,39 3,21 1,55 1,36 65,25 0,250
11 66,30 6,77 2,12 1,93 58,03 0,162 71,62 2,98 1,86 1,76 79,47 0,300
12 64,96 6,97 2,14 1,86 63,93 0,206 74,29 3,18 1,37 1,23 64,98 0,222
13 64,15 5,79 2,38 2,49 69,98 0,267 74,94 2,75 1,12 1,31 64,32 0,280
14 70,51 3,38 2,39 1,69 72,90 0,280 71,62 3,66 1,64 1,81 64,96 0,260
15 68,15 4,65 2,52 2,21 78,29 0,339 73,80 3,28 1,12 1,53 53,36 0,210
16 66,75 5,07 3,45 1,52 79,25 0,275 73,14 3,50 1,22 1,70 58,40 0,190
17 68,84 4,82 2,85 1,65 74,07 0,198 73,50 3,40 0,98 1,49 59,14 0,170
18 62,57 7,46 2,19 2,43 64,08 0,422 74,60 3,08 0,85 1,70 56,08 0,170
19 68,50 4,87 2,92 1,56 70,57 0,236 75,36 3,11 0,75 1,84 57,24 0,180
20 69,25 5,48 2,14 1,54 67,69 0,205 75,47 2,39 0,92 1,38 61,23 0,170
21 69,35 5,07 2,07 1,56 64,23 0,240 75,67 2,31 0,98 1,34 62,45 0,160
22 66,85 6,02 2,31 1,85 69,47 0,220 75,78 2,64 1,02 1,41 56,73 0,170
23 66,80 6,72 2,07 1,98 63,35 0,189 70,93 4,36 1,29 1,71 52,74 0,150
24 70,55 4,43 1,97 1,32 64,08 0,219 69,42 4,09 1,34 2,45 54,67 0,130
25 68,89 5,02 1,94 1,62 64,74 0,215 73,74 2,70 1,26 1,71 54,99 0,140
26 71,03 3,91 1,82 2,29 60,44 0,175 73,54 2,57 1,59 1,67 59,81 0,170
27 66,42 6,01 2,03 1,64 58,76 0,154 72,16 3,64 1,41 1,77 53,88 0,170
28 68,35 4,85 2,25 1,26 64,23 0,174 71,52 4,66 1,12 1,51 50,06 0,110
29 63,38 7,76 2,42 1,88 61,24 0,208 72,39 3,33 1,11 1,62 54,99 0,140
30 71,25 3,59 1,63 1,14 64,01 0,235 72,37 3,34 1,12 1,68 57,03 0,170
31 67,18 6,34 1,47 1,62 55,84 0,186 73,69 3,07 1,11 1,24 64,07 0,260
32 67,95 5,36 1,73 1,88 62,62 0,262 74,32 3,06 0,79 1,50 67,53 0,250
33 71,10 3,87 1,38 1,43 60,43 0,229 74,25 3,06 0,81 1,37 55,74 0,220
34 70,10 4,35 1,77 1,95 66,35 0,302 71,17 3,86 0,75 1,91 54,99 0,110
35 70,90 3,92 1,84 1,82 64,59 0,256 73,50 3,52 0,78 1,56 70,45 0,500
36 70,95 4,02 1,81 1,64 66,12 0,246 71,74 3,74 0,81 1,46 62,06 0,340
37 65,50 6,05 1,94 2,31 63,42 0,236 71,68 3,86 1,30 1,28 55,59 0,230
38 68,30 4,63 1,77 1,69 84,73 0,194 72,67 3,97 1,03 1,54 60,78 0,290
promedio 68,27 5,29 2,14 1,75 65,74 0,22 73,11 3,29 1,17 1,57 60,61 0,22
σ absoluta 2,38 1,12 0,41 0,33 5,88 0,06 1,60 0,56 0,31 0,24 0,08 5,92
σ relativa 3,5 21,1 19,0 18,6 8,9 26,2 2,2 17,1 26,1 15,5 0,1 2648,1
%Pb %Zn %Cu %Fe OzAg/TC %Bi %Pb %Zn %Cu %Fe OzAg/TC %Bi
Lim. Superior 70,65 6,40 2,55 2,08 71,61 0,27 74,71 3,85 1,48 1,82 60,69 6,15
Lim. Inferior 65,89 4,17 1,73 1,42 59,86 0,16 71,51 2,72 0,87 1,33 60,53 -5,70
Con los datos del cuadro para Grado de %Pb se calcula

Promedio, desviación estándar absoluta y los Límites de
Control superior e inferior:
Página 47 de 54
a) Periodo Histórico (antes) :
Promedio = 68.27
Lim Sup = 68.27+2.38 = 70.65

Lim. Inf = 68.27-2.38 = 65.89
b) Periodo Posterior (Ene 05) :
Promedio = 73.11
Lim Sup = 73.11+1.60 = 74.71

Lim. Inf = 73.11-1.60 = 71.51
Graficando todos los valores con los Límites del periodo

histórico se tiene :
GRADO DE CONCENTRADO DE PLOM O
80,00
75,00
70,00
antes
% Pb
lim Sup
Lim Inf
65,00
ene-05
60,00
55,00
1
9
11
13
15
17
19
21
23
25
27
29
31
33
35
37
DATOS
Las líneas punteadas horizontales marcan los limites

superior e inferior, antes (periodo histórico) los resultados
estaban con la mayor cantidad de puntos dentro la
banda. En enero 2005 todos los resultados están por
Página 48 de 54
encima de la banda; este evento estadísticamente fuera de

control, positivo y favorable tiene explicación en la nueva
operación metalúrgica de la Planta Concentradora con
Analizador en Línea Courier 6SL que proporciona al
operador información cada 12 minutos. Si se repite el
ejercicio con los valores de %Zn, se comprenderá que es
por la menor activacion de zinc hacia los concentrados de
Plomo.
DIAGRAMA CAUSA - EFECTO

También conocido como el Diagrama “espina de pescado”
es un modo muy simple de ubicar los problemas más
importantes que no permiten lograr objetivos.
Generalmente tienen cuerpos principales y cada uno de
ellos, factores que influyen y soportan estos rubros. Una
calificación importante es darle valor entre 0 a 100 , 0 si
no se cumple y 100 si esta perfectamente cumplida.
FACTOR HUMANO EQUIPOS
Objeto
de
estudio
MATERIALES ESTRATEGIA
“Diagrama que muestra la relación entre una característica de calidad y los

factores”
Página 49 de 54
EJEMPLO DE DIAGRAMAS DE CAUSA -

EFECTO
ANALISIS DE UN ACCIDENTE DE TOLVA DE FINOS
A las 9.45 AM del día de hoy el picador de tolvas Julián

Pxxxxxx (CIOPSOL) quedo atrapado por carga en la Tolva
de finos No. 3, fue auxiliado oportunamente y felizmente
extraído con vida y sin ningún daño físico, pero ha sido
un accidente que pudo ser fatal, por ello es necesario
hacer un análisis de las causas para trabajar en
superarlas a fin de que no ocurran accidentes posteriores.
DIAGRAMA DE CAUSA-EFECTO
El siguiente es el análisis del accidente ocurrido
EQUIPOS DE PROTECCION (350/5=70)

 Arnés y soga si protegieron al operador
soportando la tensión de manera adecuada, no
esta completo porque el sistema debería ser con
soga de tiro controlado y no manual, falta mejorar
el sistema. Además no es suficiente la soga, se
requiere anillos interiores con jebe de faja usada
que es la modalidad que siempre emplearon los
picadores. Calificación 50
 EPP : Casco, guantes, respirador , mameluco y
botas de jebe si estuvieron en perfectas
condiciones . Calificación 100
 Barretilla : herramienta que le sirve para picar la
carga, mide 1.80 metros y no sirve para picar
desde arriba (sin ingresar a la tolva) cuando el
mineral se “entuba” a pesar de haber suficiente
carga en tolvas de finos. Falta hacer barretillas de
picado de el doble de longitud para picados
externos. Calificación 50
Página 50 de 54
 Interruptor de Faja: Este equipo recientemente

instalado actuó de manera perfecta, salvando la
vida del accidentado. Esta parada fue accionada
por el ayudante de picado bloqueando
indefinidamente a la Faja alimentadora del Molino
No. 3. Calificación 100
 Primeros auxilios : Planta desde hace un mes
tiene suministrador de oxigeno medicinal pero no
estuvo cerca . No fue necesario aplicarlo pero de
haber sido necesario se hubieran tenido serias
dificultades por la demora en llegar al lugar del
accidente. Se ha dispuesto que este en la Oficina
de Jefes de Guardia. Calificación 50
RECURSO HUMANO (100/5 = 20)
 Seguridad : El TRABAJADOR actuó sin cuidar su

integridad física al pararse sobre la carga que
estaba debajo de la faja alimentadora y que
finalmente lo cubrió de mineral prácticamente en
80% del cuerpo. Confirma que 100% de EPP no es
suficiente para cuidar nuestra integridad.
Calificación CERO
 Filosofía : El operador Portillo no respeto el
punto 6 de la política de Seguridad de CIA. :”todo
trabajador es un SUPERVISOR DE SEGURIDAD” ,
este asunto ha sido tocado en reiteradas
oportunidades durante las charlas de 5 minutos
que se efectúan diariamente. Calificación CERO
 Concentración : El mencionado trabajador no
esta concentrado plenamente en la labor que esta
realizando, se sabe que por no tener habitación en
Chicrin se preocupa demasiado del horario de
salida y entrada ya que pernocta en su casa
ubicada en la zona de la Quinua (5 km). Hay
disponibilidad de habitaciones pero las facilidades
de entrega son muy pocas de parte de COxPxOL y
menos de parte del Servicio Social de CIA quienes
deben hacer un análisis de las necesidades al
Página 51 de 54
respecto. No olvidemos que el accidentado fatal de

Noviembre 2001 viajaba todos los días a Cerro de
Pasco. Calificación CERO
 Experiencia : Se conoce del Trabajador
accidentado es poli funcional en : Chancado,
Molienda, preparación de reactivos y hace 6 meses
capacitado y autorizado para el trabajo : Picado de
Tolvas. No es un improvisado en la función
desempeñada. Calificación 100.
 Actitud : Las reuniones de Seguridad de 5
minutos se realizan desde Octubre 2001, son 8
meses de inducción que se espera tengan una
mejor respuesta en la actitud del personal, como
ya se insiste todavía no se ha logrado el efecto
multiplicador esperado y debemos recapacitar
todos. Calificación CERO
MINERAL E INSTALACIONES (210/3= 70)
 Mineral : La menor granulometría actual (90%-

5/8”) hace que el mineral se deslice menos
obligando al personal a picar con mayor
frecuencia. Calificación 50
 Faja Transportadora : La extracción del mineral
desde la tolva No. 3, si bien no es constante por el
tipo de mineral , esta 100% controlada con
parada de emergencia desde un lugar muy cercano
al ayudante y que es el sistema que finalmente
actuó para salvar la vida del accidentado.
Calificación 100
 Tolva de finos : La tolva de finos no tiene la
pendiente acorde con el Angulo de reposo del
mineral y debe ser modificado. Además las
escaleras de acceso y la baranda de protección
están en buenas condiciones; falta colocar
interiormente anillos de sujeción de línea de vida.
Calificación 60
Página 52 de 54
ESTRATEGIA DE CONTROL (150/ 4 = 37.5)

 Inspección : En noviembre de 2001 se decidió que
la inspección seria permanente labor a cargo de
personal de seguridad, a medida que
transcurrieron los meses se acordó retirar
paulatinamente la Inspección por acuerdo del
Comité de Seguridad, en el momento del accidente
no se encontraba en esa zona el Inspector de
Seguridad. Calificación CERO
 Procedimiento : Para la labor del picador se tiene
redactado un procedimiento de trabajo seguro,
esta publicado en un lugar visible. Las normas de
protección personal fueron cumplidas a cabalidad,
el trabajador no respeto el procedimiento que
indica “pararse a mínimo 2 metros del centro de la
tolva para evitar ser succionado”. Calificación 50
 Coordinación : Fue correcta antes y después de
ocurrido el accidente, se evito una perdida de vida.
Los equipos usados fueron radios portátiles y
teléfonos, unidad móvil de evacuación. Calificación
100
 Cuadrilla de rescate : No se tiene formada la
cuadrilla de rescate, hubo exceso de personal en
los alrededores, con un afán típico de colaboración
pero sin funciones especificas. Calificación CERO
Cuadro resumen :
Equipos de protección 70.0

Recurso Humano 20.0
Mineral e Instalaciones 70.0
Estrategia de Control 37.5
CONCLUSION
El análisis indica que se debe trabajar más aun sobre el
cambio de ACTITUD del recurso Humano.
Página 53 de 54
RECOMENDACION
en planta concentradora se tiene charlas diarias de
seguridad es un FACTOR INTERNO que debe ser
repotenciado con mayor énfasis, pero sin descuidar el
FACTOR EXTERNO a cargo del Departamento de Servicio
Social que luego de un análisis de la situación actual de
los trabajadores (especialmente los de contrata) debe
hacer suyo el problema actual de falta de vivienda que
esta obligando a muchos operadores a descansar menos
horas de las que realmente debe luego de 12 horas
continuas de labor
Página 54 de 54

7 Estadiistica Basica PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

7 Estadiistica Basica PDF

Cargado por

Copyright:

Formatos disponibles

Estadística Basica José Manzaneda Cabala

INTRODUCCION Los conceptos básicos de la

de la población o sus parámetros a partir de los datos

Se llama Datos u observaciones a las unidades

OBSERVACIONES CUANTITATIVAS Y CUALITATIVAS

Parámetro.- Es un número que describe alguna

Estadígrafo.-Es un numero que se obtiene a partir de los

muestra y la toma de decisiones contiene cierto grado de

Se puede distinguir dos definiciones importantes

VARIABLES, DATOS UNIVARIANTES Y MULTIVARIANTES

A las variables asociadas a las observaciones cualitativas

A las variables asociadas a observaciones cuantitativas

Los datos pueden expresarse por medio de una sola

Es la ciencia o metodología, que se ocupa de la

La recopilación puede ser de dos tipos :

Por Muestreo (una parte)

Se cita un ejemplo típico muy practico, así, clasificar los

Los datos recopilados tal como se registran en el primer

RANGO : o Amplitud Longitud del alcance Ej. |12-0| = 12

INTERVALOS DE CLASE, sub-dividir en k-sub-grupos

El intervalo puede ser cerrado o abierto, cerrado si incluye

Si n es el numero de datos, para el ejemplo n= 40, luego

Limites de Clase : Son los valores extremos del intervalo

Ancho de clase (w) : Es la longitud de un intervalo de

Frecuencias Absolutas (f i) : Es el numero de datos en

En esta etapa se elaboran cuadros numéricos llamados

Para el ejemplo citado

Como se eligió k=6, el numero de intervalos, con una

DISTRIBUCION DE FRECUENCIAS ABSOLUTAS

INTERVALOS DE CLASE TABULACION FRECUENCIA ABSOLUTAS

MARCA DE CLASE (xi): Son los puntos medios de los

INTERVALOS DE CLASE Xi fi Fi hi Hi 100hi% 100Hi%

[0 , 2 > 1 15 15 0,375 0,375 37.5% 37.5%

TOTALES 40 1,000 100.0%

Entonces en una tabla será sencillo saber que cada rango

Del Cuadro pueden hacerse las conocidas distribuciones

HISTOGRAMA : Son graficas de rectángulos cuyas bases

POLÍGONO DE FRECUENCIA : Es una poligonal

El polígono de frecuencia de manera suavizado

FUNCION ESCALONADA: Son gráficos correspondientes a

frecuencia acumulada es constante durante el intervalo y

Ejemplo de Función escalonada y Ojiva

DISTRIBUCION Y GRAFICAS CON OBSERVACIONES

mayoría, el grupo minoritario corresponde a Matemáticas

Campos de Especializacion fi hi 100 hi%

La tabla anterior también puede ser representada en un

Clases con anchos desiguales: Es común usar

de clase ni los anchos por lo que solo se puede hacer un

Ingresos Anuales ($) fi hi 100 hi%

La mayor cantidad de la población (41.67%),gana mas de

mas de 5000 500 a 1000

Varianza, desviación típica, coeficiente de

Si el estudio descriptivo abarca toda la población la

MEDIA ARITMETICA O PROMEDIO ARITMETICO

La suma de datos es = 1348 , n = 30 entonces el

Media de Datos Clasificados

La Media es igual a la sumatoria de todos los productos

Características relevantes de la media Aritmética

1. La Media Aritmética es la medida mas conocida y

Mediana de datos No- Clasificados

En ambos casos se afirma que la MEDIANA es aquel valor

también es 40; entonces la mediana es el promedio de

Ejemplo No. 2 : hallar la mediana de la siguiente serie de