Manual de Estadística General PDF

MANUAL DE
ESTADSTICA GENERAL
Jorge Crdova Egocheaga
Manual de
Estadstica General
1ra Edicin: Marzo del 2003
SOBRE EL AUTOR
Estudios Doctorales en Ciencias Administrativas (UNFV), Matre
en Administration des Affaires (MBA-UQAM, Canad), Magster
en Administracin (ESAN), Magster Scientiae (MSc) en
Economa (UNA), Especialista en Formulacin y Evaluacin de
Proyectos de Inversin (UNMSM), Profesor de Estadstica en la
Maestra en Administracin de la Universidad de San Martn de
Porres, Docente de Estadstica y de Informtica Aplicada en el
rea de Salud en la Escuela Universitaria de Post Grado de la
Universidad Nacional Federico Villarreal, Profesor Principal y Jefe
de la Divisin de Evaluacin y Estadsticas de la Escuela de
Sanidad Naval de la Marina de Guerra del Per, Profesor de
Estadstica y Mtodos Cuantitativos para los Negocios en el MBA
de la Universidad San Ignacio de Loyola, Consultor y Expositor
Independiente. Director Ejecutivo del Centro de Capacitacin y
Asesora de Negocios, CECAN.
Los derechos intelectuales de esta obra son de propiedad exclusiva de

Jorge Crdova Egocheaga.
Toda reproduccin total o parcial del contenido de esta obra requerir la
autorizacin del propietario de los derechos intelectuales.
CAPTULO
INTRODUCCIN
El pensamiento estadstico algn da ser tan necesario para la
ciudadana como la capacidad de leer y escribir...
H.G.Wells hace mas de 100 aos
OBJETIVOS
Al finalizar el Captulo 1, el participante ser capaz de:
1.
2.
3.
4.
5.
6.
7.
8.
Comprender los reas de aplicacin de la

Estadstica dentro de las Gestin de la Salud.
Comprender el pensamiento estadstico
Identificar las etapas de la investigacin cientfica
Definir las etapas del trabajo estadstico.
Identificar los diversos tipos de datos.
Diferenciar poblacin y muestra.
Distinguir parmetro y estimador.
Diferenciar estadstica descriptiva y estadstica
inferencial.
Manual de Estadstica General
1.1 SITUACIONES
ESTADSTICA
EN
LAS
QUE
SE
UTILIZA
LA
Ejemplos
Varias veces durante el da una enfermera toma la
temperatura a los pacientes en el Servicio de Emergencia de
un Centro Hospitalario local.
Un investigador mdico examina los efectos de un agente
cancergeno en las ratas. Tres semanas despus de
inyectado el agente en una rata, el investigador realiza una
intervencin quirrgica para extraer y pesar los tumores.
El Director de un Hospital registra el tiempo de recuperacin
por tratamiento.
El Director de un Hospital cuenta el nmero de camas a fin
de medir la tasa de ocupabilidad.
Un investigador mdico est interesado en conocer la
relacin entre el sexo y el riesgo de infarto.
El Jefe de Almacn de una Clnica revisa unos cuantos
frascos del lote de vacunas que acaba de llegar, y verifica su
fecha de expiracin.
El mdico responsable del Laboratorio Clnico del Hospital,
extrae una muestra de sangre a fin de determinar el nivel de
colesterol del paciente.
1.2 EL PENSAMIENTO ESTADSTICO
El profesional de la gestin de la salud debe de preocuparse
permanentemente en registrar informacin sobre las
caractersticas que le permitan conocer los factores que
inciden en la variabilidad del servicio y as estar en
condiciones de implementar acciones dirigidas a mejorar la
calidad del servicio que ofrece.
Debe medir
Las quejas en el Servicio de Emergencia,

Las devoluciones por da en una farmacia,
Las demoras en la atencin en una clnica o

Las placas radiolgicas reprocesadas en un
hospital, y compararlos con los indicadores de gestin o
estndares internacionales, y as determinar la calidad
del servicio.
La implementacin del pensamiento estadstico tiene tres

fases:
Identificar los factores de variabilidad.
Conocer (o medir) la variabilidad.
Manejar (o controlar) la variabilidad
1.3 LA INVESTIGACIN CIENTFICA

1.3.1 Qu es la investigacin cientfica?
Es la bsqueda sistematizada y objetiva de nuevos
conocimientos. Investigar es un proceso de buscar,
indagar o pesquisar.
El mtodo cientfico, comprende la realizar a
investigacin en forma sistematizada y objetiva,
organizada y coherente.
1.3.2 Etapas de la investigacin cientfica
A. Planificacin:
Elaboracin del proyecto. Abarca
una descripcin detallada y fundamentada de cada
una de las actividades a desarrollarse en la
investigacin.
B. Ejecucin: Es la etapa en la cual se lleva a cabo al
investigacin. Recoleccin de datos, anlisis e
interpretacin.
C. Informe: Escrito donde se presentan los hallazgos

encontrados.
1.4 ESTRUCTURA DE UN PROYECTO DE INVESTIGACIN
1.4.1 Definicin del problema
A. Ttulo
B. Antecedentes: Se refiere al nivel actual de
conocimientos. La investigacin que se planea
realizar debe contribuir a elevar el conocimiento que
la humanidad tenga de este tema. Si no se conocen
los antecedentes, es probable que repita una
investigacin
anterior.
Existen
antecedentes
tericos (marco terico) y antecedentes empricos
(resultados).
C. Objetivos: Enunciado de los logros alcanzables y
evaluables en el estudio.
a. Cmo voy a identificar las variables?
b. Cmo voy a medir esas variables?
c. Qu tcnica estadstica se utilizar?
D. Hiptesis: Enunciado de la relacin de la relacin
entre 2 o ms variables.
Recomendacin: al escribir el ttulo, el problema,
objetivos y las hiptesis, se debe referir a lo mismo.
1.4.2 Tipo de estudio
Casos y controles
1.4.3 Definicin del alcance del estudio

Qu mbito abarca el estudio?. Definir el alcance
fsico, temporal, social, etc.
1.4.4 Diseo estadstico de la muestra
A) Tamao de la muestra
B) Procedimiento de seleccin
1.4.5 Definicin de variables y escalas de medicin
Depende de los objetivos y las hiptesis
1.4.6 Recoleccin de datos
Fuentes primarias y secundarias. Disear cuestionario
y fichas de observacin.
1.4.7 Procesamiento de la informacin
Definir con anticipacin los anlisis estadsticos que se
van a realizar y entre que variables: regresin,
hiptesis, entre otros.
1.4.8 Recursos y presupuesto de investigacin
Qu recursos personales y de materiales se requieren.
Cuales son los costos para llevar a cabo la
investigacin. Cmo se desembolsar (mes a mes)
estos gastos. Cmo se financiar.
1.4.9 Cronograma
Con ayuda de un Diagrama Gantt o un PERT, para
visualizar las diferentes etapas.
1.4.10 Referencias bibliogrficas
7
1.5 PARTES DE UN INFORME FINAL DE INVESTIGACIN

1.5.1 Introduccin: Ttulo, antecedentes, objetivos,
hiptesis
1.5.2 Materiales y mtodos
1.5.3 Resultados analticos: fundamentar diferencias
evidenciadas
1.5.4 Discusin de resultados
1.5.5 Conclusiones: en relacin con los objetivos de la
investigacin.
1.6 QU ES ESTADSTICA?
Es una ciencia que comprende diversas tcnicas para :
RECOLECTAR
ORGANIZAR
ANALIZAR
INTERPRETAR
DATOS
8
Cundo se RECOLECTAN datos ?

Cuando se registran caractersticas (medicin, observacin,
conteo).
Cundo se ANALIZAN datos ?
Cuando se ordenan para una mejor comprensin y facilitar
sus anlisis. (tablas, grficos y figuras)
Por ejemplo
Tabla de Distribucin
Edad
N Pacientes
30 - 34
35 - 39
40 - 44
45 - 49
6
12
8
2
Diagrama Circular
12
10
8
6
Diagrama de
Barras
4
2
0
30-34
35-39
40-44
45-49
Cundo se analizan datos?

Cuando se calculan promedios, medidas de variabilidad y
medidas de la forma de la distribucin.Cuando se establecen
relaciones entre ellas (regresin y correlacin).
Cundo se INTERPRETAN datos ?
Cuando se le otorga un sentido prctico a los resultados
obtenidos en el anlisis.
1.7 QU SON DATOS?
Son los registros de una caracterstica.
Ejemplo
Unidad de
medida
aos
27
Edad del paciente
Kg.
3,750
Peso del recin nacido
das
5
Tiempo permanencia
C
37,5
Temperatura corporal
--Enfermera
Profesin
Caractersticas
Datos
Si un DATO es til para tomar decisiones se convierte en

INFORMACIN.
Los datos ayudan a los responsables de tomar decisiones a
hacer suposiciones coherentes acerca de las CAUSAS y, por
tanto, de los EFECTOS probables de ciertas caractersticas
en situaciones dadas.
Por qu necesitamos recolectar datos?
Proporcionan la evidencia imprescindible en un estudio de
investigacin.
10
Permiten medir el desempeo en el proceso de produccin

de un bien o servicio.
Ayudan a la formulacin de cursos alternativos de accin en
un proceso de toma de decisiones.
Satisfacen nuestra curiosidad innata.
1.8 QU TIPOS DE DATOS EXISTEN?
Constante
Si el registro de la caracterstica toma un slo valor en todas
las unidades elementales. Son muchos datos, pero iguales.
Ejemplo:
Sexo de las pacientes en el Servicio de Ginecologa

Especialidad de los integrantes del Colegio Mdico del
Per
Las constantes no son inters en Estadstica, puesto que ella

se ocupa del estudio de la variabilidad de los datos.
Variable
Si el registro de la caracterstica toma diversos valores en las
unidades elementales.
Ejemplo:
Edad, sexo y peso de los pacientes de una Clnica
Una misma caracterstica puede generar constantes
variables, depende del marco muestral.
Los datos variables pueden ser :
11
1.
Cualitativos : Registro de un atributo. Provienen de una

observacin. Las operaciones posibles son el clculo de
la tasa porcentual y de proporciones.
Pueden ser
categoras.
dicotmicas
(slo
pueden
tener
Ejemplo :Estado de salud: sano o enfermo. Sexo de

pacientes : masculino y femenino
80% son varones (tasa porcentual).

8 de cada 10 pacientes son varones (proporcin)
O politmicas (si tienen ms de 2 categoras)

Ejemplo : Estado civil del paciente: soltero, casado,
viudo, divorciado.
2.
Cuantitativos : Registro de una caracterstica a travs de

un conteo o una medicin. Las operaciones posibles son
los promedios y las medidas de dispersin, entre otras.
Las variables cuantitativas pueden ser continuas o
discretas.
DISCRETA o DISCONTINUA: Cuando la variable slo

puede tomar determinados valores dentro de una escala
de valores. Proviene de un conteo.
Ejemplo: Nmero de consultas en un da.
Nmero de hijos
CONTINUA : Cuando la variable puede tomar cualquier

valor, dentro de una escala de valores. Provienen de
una medicin.
Ejemplo: Tiempo de duracin de una consulta.
Peso de la gestante
12
DATOS
CONSTANTES
VARIABLES
CUALITATIVAS
CUANTITATIVAS
DISCRETAS
CONTINUAS
1.9 QU SE PUEDE HACER CON LOS DATOS?

Identificar caractersticas de inters
para la gestin.
Organizarlos en tablas, grficos y figuras

Calcular promedios (media, mediana,
moda y percentiles) .
Calcular su dispersin (varianza,
desviacin estndar ) y forma de la curva.
Recoleccin de
datos
Determinar una ecuacin que represente

la relacin entre ellos (regresin)
Determinar el grado de asociacin entre
ellos (correlacin).
Utilizar datos para

mejorar la calidad
Analizarlos dentro de un horizonte

temporal (series cronolgicas)
13
1.10 POBLACIN Y MUESTRA

Marco Poblacional
Conjunto de todas las unidades elementales (personas,
procesos o cosas) al que se circunscribe el estudio
estadstico.
Ejemplos :
Los mdicos cirujanos del mundo.

Los trabajadores asegurados en una EPS
El proceso de triaje en los Centros de Salud del Estado.
Las historias clnicas de un hospital.
MARCO POBLACIONAL(1200 pacientes de un hospital)

Poblacin Estadstica
Registro de una caracterstica EN TODOS los elementos del
marco poblacional.
Tiene tantos datos como elementos tenga el marco
poblacional.
Habrn tantas poblaciones como caractersticas se deseen
registrar en un determinado marco poblacional.
14
MARCO POBLACIONAL
(1200 pacientes de un hospital)
Caractersticas
de inters
Edad
Poblacin
Registro
de la
caracteP1
rstica (1200 datos)
Peso
Temperatura
corporal
Estado
Civil
Poblacin
Poblacin
P2
P3
(1200 datos)
...
Pn
Marco Muestral
Subconjunto del marco poblacional.
Comprende los elementos o estratos del marco poblacional
(es representativo).
En contraste con el marco poblacional es ms conveniente
porque se obtienen los datos en menor tiempo y reduciendo
los costos.
Ejemplo :
75 pacientes de un hospital.
15
Marco Poblacional
Marco Muestral
Tcnicas
de muestreo

Caracterstica
Edad
Peso
Registro
de la POBLACIN
caracterstica.
P1
Temp. Corpor.
Estado civil
POBLACIN
P2
POBLACIN
P3
POBLACIN
...
Pn
Muestra
Registro de una caracterstica en todos los elementos del
marco muestral.
Tiene tantos datos como elementos el marco muestral.
Habrn tantas muestras como caractersticas se deseen
registrar en un marco muestral.
Las muestras no extraen de la poblacin, sino del marco
muestral
16
MARCO POBLACIONAL
MARCO MUESTRAL
Tcnicas
de muestreo
Caracterstica
Edad
Peso
Estado
civil
Temp.
corporal
Edad
Peso
MUESTRA
MUESTRA
m1
m2
Estado
civil
MUESTRA
m3
MUESTRA
mn
75 datos
Registro
de la POBLACIN
caracterstica.
POBLACIN
P1
P2
POBLACIN
P3
POBLACIN
...
Pn
1.11 PARMETRO Y ESTIMADOR

Valor representativo de una poblacin. Se simboliza por
letras griegas. Slo hay un parmetro en cada poblacin.
: Media poblacional (mu)
V arianza poblacional (sigma cuadrado)
: Desviacin estndar poblacional (sigma)

: Proporcin poblacional (pi)
: Coeficiente de correlacin poblacional (rho)
Estimador
Valor representativo de una muestra. Se llama tambin
estadgrafo o estadstico. Se simboliza por letras latinas.
Existen tantos estimadores como muestras se extraigan de
una poblacin.
17
Media muestral.
Varianza muestra.
s
p
Desviacin estndar muestral.
Coeficiente de correlacin muestral
Proporcin muestral
n1
n2
POBLACIN
x1
x2
n3
x3
.
.
.
.
nm
xm
PARMETRO
DIFERENTES MUESTRAS GENERAN DIFERENTES
VALORES DEL ESTIMADOR
1.12 ESTADSTICA DESCRIPTIVA E INFERENCIAL

Estadstica Descriptiva
Tcnicas que permiten describir un conjunto de datos. El
anlisis se limita a esos datos (sean muestrales o
poblacionales). Tiene como objetivo presentar los datos
obtenidos en forma resumida, clara y comprensible.
18
Estadstica Inferencial
Tcnicas que permiten estimar un parmetro a partir de
datos muestrales.
POBLACIN
Muestra
Estimador
Parmetro
Estadstica
Descriptiva
d
as
nic
c
POBLACIN
Parmetro
: -
MUESTRA
ue
eM
Estimador :
o
stre
Estadstica
Inferencial
= Error de muestreo
Ejemplos sobre muestra y estimador

Suponga que estamos interesados en conocer la duracin
de la evaluacin en el Servicio de Psiquiatra de las Clnicas
de Lima.
El INPE esta interesado en la relacin existente entre la
criminalidad y los hogares destruidos. Un psiclogo mide la
caracterstica en de 50 procesados.
Supngase que el equipo de investigacin, desea determinar
la proporcin de fumadores en la ciudad de Lima para
19
determinar los factores de riesgo e incidencia de cncer

pulmonar.
1.13 EJERCICIO APLICATIVO
El Director de Personal de la Clnica Santa Luca desea
estimar la tardanza mensual promedio del personal que
labora en esta clnica. Con este fin elige al azar la Tarjeta de
Control de Asistencia del ltimo mes de 10 trabajadores. En
uno de las tarjetas seleccionadas se registr 140 minutos de
tardanza.
En esta situacin, identifique:
La caracterstica
: Tiempo de tardanza mensual
La unidad elemental : Un trabajador de la clnica
(o unidad de anlisis)
El marco poblacional: Todo el personal que labora en

esa clnica
La poblacin
: Registro de tiempo de tardanza
mensual de todo el personal que
labora en esta clnica
El marco muestral
: Diez trabajadores
La muestra
: Registro del tiempo de tardanza

de cada uno de los trabajadores
seleccionado
Tipo de dato
: Variable cuantitativa continua
Un dato registrado
: 140
La unidad de medida: minutos
20
El estimador
: El tiempo medio de tardanza de

los 10 trabajadores x
El parmetro
: El tiempo medio de tardanza de todos

los trabajadores de la clnica ()
Ejercicio 1
El Director de un Hospital sabe que en lo que va del ao, fueron
dados de alta 1000 pacientes hospitaliza-dos y desea conocer el
tiempo medio de permanencia en el hospital. Para ello selecciona
al azar la historia clnica de 100 pacientes. Una de las historias
permiti conocer que cierto paciente haba permanecido 6 das
hospitalizado. En esta situacin identifique los siguientes
trminos (no se pide la definicin):
Caracterstica. Unidad elemental. Marco poblacional Poblacin.
Marco muestral. Tipo de muestreo. Un dato. Unidad de medida.
Un estimador. Un parmetro
21
22
CAPTULO
2
1
RECOLECCIN
DE DATOS
Los datos no se recopilan como
un fin en s mismos, sino como
un medio para describir los hechos
que estn tras los datos
OBJETIVOS
1.
2.
3.
4.
5.
6.
Recopilar datos.
Identificar la escala adecuada para cada
caracterstica a recopilar.
Redondear datos cuantitativos.
Diferenciar mtodos y tcnicas de recoleccin de
datos.
Elaborar una encuesta
Elaborar una hojas de registro.
2.1 CMO SE RECOPILAN DATOS?

Las buenas decisiones se basan en un adecuado registro
de datos, para lo cual se debe:
A.
ESTABLECER OBJETIVOS CLAROS

En control de la calidad, los objetivos son:
Control del proceso de produccin
Anlisis de lo que no se ajusta a las normas o
estndares.
Inspeccin o auditoria.
Permite determinar qu tipo de datos se requiere.
B. DETERMINAR EL TIPO DE DATO

Datos para el control: se toman peridicamente para
conocer la variacin diaria dentro de un proceso; es
decir, para verificar su estado de control (estabilidad).
Ejemplo: Nmero de pacientes diarios en consultorios
externos por especialidad.
Datos para el anlisis: se registran para conocer
situacin actual de nuestro proceso.
la
Ejemplo: la tasa de prescripciones que no estn

disponibles en la farmacia del hospital.
Dato para la inspeccin: se recopilan al recibir o
entregar un material. Son datos que sirven para verificar
si el producto cumple con las especificaciones.
Ejemplo: fecha de expiracin de un lote
medicamentos, antes de su ingreso a almacn.
24
de
C.
CONSIDERAR
REGISTROS
LA
CONFIABILIDAD
DE
LOS
Tener en cuenta la adecuada calibracin de los

instrumentos de medicin y la variabilidad en
inspecciones visuales.
D.
SELECCIONAR
FORMAS
RECOLECTAR DATOS.
APROPIADAS
DE
I.
Se debe registrar adecuadamente el origen de

datos (el da, la hora, quines fueron los
responsables, qu lote se uso, entre otros).
II.
Los datos deben registrarse de manera que facilite

su utilizacin (hojas de registro).
2.2 ESCALAS DE MEDICIN

ESCALA NOMINAL:
Los valores son nominativos, sirven para designar. Slo se
puede realizar un conteo (frecuencias). No es factible las
operaciones aritmticas. Se analizan a travs de la
comparacin: igualdad y no igualdad ( = y ).
Ejemplo
Sexo del paciente
Grupo sanguneo
Servicio mdico
1: Masculino 2: Femenino
A B AB
O
1: Emergencia
2: Ginecologa
3: Traumatologa 4: Pediatra
ESCALA ORDINAL:
Los valores representan un orden. No son cuantitativos, slo
simbolizan una posicin. Se analizan a travs de la
desigualdad :mayor que o menor que (> y <).
25
Ejemplo:
Calificacin
Lugar (orden)
Dolor
:
:
:
A,B,C,D
A>B
1 , 2 , 3
1 > 2
leve, moderado, intenso
ESCALA DE INTERVALOS:
Se utilizan nmeros cardinales. El cero es relativo o
diferencial, es decir no indica ausencia de la propiedad. Se
pueden realizar operaciones aritmticas.(+ y -). Es una
escala creada por el hombre.
Ejemplo:
Hora
Temperatura ambiental
El ao en que vivimos
00:00
0 C
2003
ESCALA DE RAZN:
Se utilizan nmeros cardinales. Tienen unidad de medida
(cms, pulgadas). El cero es absoluto, indica ausencia de la
propiedad. Se pueden realizar operaciones aritmticas
(+,-,x ,),
Ejemplo:
Pacientes no atendidos hoy
:
N de hijos en edad de vacunacin :
Procesos deficientes
:
0
0
0
2.3 REDONDEO DE DATOS

Durante el anlisis, muchas veces se divide un nmero por
otro obtenindose en algunas ocasiones, un nmero infinito
de decimales.
26
Con el objeto de hacer ms operativo el manejo de estos

datos se redondean. Para cortar o redondear, se siguen las
siguientes reglas.
1ra REGLA:
Para la respuesta final, debemos redondear hasta dos
lugares ms de lo que haba en los datos originales. No se
debe redondear en los pasos intermedios.
Ejemplo :
datos originales : enteros

resultado final : 2 decimales.
2 REGLA:
Si la cifra que sigue es mayor a 5, se aumenta 1. Si la cifra
que sigue es menor a 5, el nmero no vara.
Ejemplo: Redondeo a 2 decimales
6,176 .
6,18
4,123 .
4,12
3 REGLA:
Si la cifra que sigue es 5 y el nmero
anterior es par no
se modifica. Pero si el nmero es impar, aumenta 1.
Ejemplo: Redondeo a 2 decimales
6,545 .
6,54
1,975 .
1,98
27
2.4 FUENTES DE DATOS

A) FUENTES SECUNDARIAS
Datos recolectados anteriormente para alcanzar otros
objetivos. Constituye la primera fuente que se debe
analizar. La tcnica ms utilizada son las fichas.
Ejemplo:
Datos publicados (en papel o en forma electrnica) en
revistas especializadas, tesis, censos y en las hojas de
registro anteriores.
La calidad de los datos debe ser comprobada:
De donde provienen los datos?
La fuente es imparcial?
Los datos comprueban o contradicen otras evidencias
que se disponen?
Hace falta una evidencia cuya ausencia conduzca a
otra conclusin?
Cuantas observaciones se tienen?
La conclusin que obtengo es lgica?
Los principales organismos
publicaciones son:
1.
2.
3.
4.
que
disponen
de
Instituto Nacional de Estadstica e Informtica (INEI)

Organizacin Mundial del Trabajo (OIT)
Organizacin Mundial de la Salud (OMS)
Organizacin Panamericana de la Salud (OPS)
B) FUENTES PRIMARIAS
1.
2.
28
Constituyen datos recolectados para el trabajo. Son

datos que no existan antes.
Se registran bajo dos mtodos: directo e indirecto
2.5 MTODOS Y TCNICAS DE RECOLECCIN DE DATOS

A) MTODOS DIRECTOS
El responsable registra personalmente los valores de la
caracterstica.
Ejemplo: registro del tiempo que demora un mdico
durante una consulta.
Comprende 2 tcnicas.
(a) La observacin
1.
2.
Se registra el dato bajo condiciones normales

Cuando se mide el desempeo, la persona
observada no debe saber que es sujeta de
observacin
Se utiliza una hoja de registro.
Ejemplo
La observacin del desempeo de una enfermera
durante sus labores en el Servicio de Emergencia.
(b) La experimentacin
Se registra un dato bajo condiciones provocadas
simulando el proceso lo ms real posible.
Ejemplo:
Un mercado prueba para introducir un tipo jabn de
antisptico con fragancia .
B) MTODOS INDIRECTOS
1
2.
Se registra la caracterstica a travs de preguntas

No se realiza medicin
29
Ejemplo:
Se pregunta a un paciente el tiempo que esper antes
que sea atendido en el consultorio externo.
Comprende 2 tcnicas: la encuesta y la entrevista.
(a) La encuesta
1.
2.
Cuestionario de preguntas abiertas o cerradas

Al disearla se debe:
Elegir lo temas generales de la encuesta
Decidir forma de aplicarlo: correo, telfono

o personal
Plantear preguntas
Realizar una prueba piloto y hacer

revisiones finales
Ejemplo:
Encuesta para conocer el grado de satisfaccin de
los asegurados a una clnica.
(b) La entrevista
1. Permite recolectar datos o partir de un dialogo
2. Puede se estructurada o no estructurada
Ejemplo:
Entrevista al Director de una Clnica sobre la
aplicacin de norma de calidad.
METODOS Y TCNICAS DE RECOLECCION DE DATOS
FUENTE
METODOS
SECUNDARIA
PRIMARIA
30
TECNICAS
FICHAS
DIRECTO
OBSERVACION
EXPERIMENTACION
INDIRECTO
ENCUESTA
ENTREVISTA
Cmo seleccionar la fuente, el mtodo y la tcnica?

No toda la informacin requerida ser recopilada de una sola
fuente, ni usando un mismo mtodo y tcnica. Casi siempre
es una combinacin de ellos, para lo cual hay que:
Definir caractersticas que interesan registrar.
Identificar la fuente de informacin apropiada
caracterstica.
para
cada
Seleccionar la tcnica ms conveniente.

En un estudio de investigacin de mercados para paales
desechables, interesa conocer ciertas caractersticas,
CARACTERISTICA
Tasa de natalidad
Nivel socio-econmico de la familia
Textura del producto
FUENTE
Secundaria
Primaria
Primaria
TECNICA
Fichas
Encuesta
Entrevista
2.6 EL CUESTIONARIO
Consiste en un conjunto de preguntas diseadas de acuerdo
a la necesidad de informacin.
Junto con las hojas de registro, es la tcnica ms comn
para la recopilacin de datos de fuentes primarias.
Recomendaciones para su elaboracin
Las preguntas deben ser coherentes con el objetivo de la
investigacin. No hay preguntas de carcter general.
La extensin (nmero de preguntas) depende de la
necesidad de informacin a recolectar por esta tcnica.
31
El lenguaje utilizado en la redaccin de preguntas debe ser

entendible por los encuestados. Es diferente al lenguaje a
usarse en el informe final
Debe evitarse la ambigedad.
Ejemplo: En un estudio para determinar el grado de
asociacin entre la incidencia a cncer pulmonar y el hbito
a fumar, se hizo la siguiente pregunta:
Fuma usted?
Si 1
No 2
No formular preguntas dirigidas. Evitar adjetivos, ya que

predisponen a una respuesta.
Ejemplo: Cree Ud. que el precio del medicamento es alto?
Si 1 No 2
Preguntas cerradas y abiertas
Preguntas cerradas
Las posibles respuestas se presentan como alternativas.
Facilita la codificacin y operatividad de los datos.
Ejemplo :
Posee Ud. un seguro mdico?
Si 1
No 2
Preguntas abiertas
Los encuestados tienen libertad para emitir su opinin.
Se utilizan cuando no se tiene precisin sobre las
posibles respuestas.
Dificulta la recoleccin de datos (incomoda al
encuestado).
Dificulta la interpretacin de datos.
32
Ejemplo:
Qu opinin tiene sobre la poltica de salud del
actual Gobierno ?
2.7 LA ELABORACIN DE DATOS: EL CONTROL DE
CALIDAD
Una vez que se han recolectado los datos referidos a las
diferentes variables necesarias para la investigacin, se
debe proceder a revisarla y presentarla de manera que
facilite su anlisis. A este proceso se denomina elaboracin
de datos.
Las etapas que abarca son: edicin, tabulacin
codificacin.
A)
La edicin: Se revisan los formularios (cuestionario y

fichas de observacin) para verificar si todas las
preguntas han sido respondidas en todos los ellos. Se
debe verificar incongruencias en de las respuestas.
a)
Reencuestar: Si no se respondieron todas las

preguntas y es posible identificar al encuestado (por
ejemplo, se tiene su direccin), se podra regresar y
formular aquellas preguntas que se obviaron.
b)
Anular la pregunta: Si una pregunta es dejada de

contestar
en
muchos
cuestionarios,
sera
recomendable anular esa pregunta y buscar la
forma de conseguir el dato por otra fuente.
Probablemente, la pregunta fue mal formulada.
c)
Anular el formulario: Si una encuesta o la ficha de

observacin tiene demasiadas preguntas en blanco,
se anular todo el cuestionario. Es posible que no
se contara con la colaboracin apropiada del
encuestado o tal vez no se aplic correctamente.
33
B.
La tabulacin: Consiste en etiquetar o titular con pocas

palabras, las respuestas a preguntas abiertas. Para
homogenizar el criterio, es recomendable que una
persona se encargue de este proceso. Si fueran muchos
formularios y varias preguntas abiertas, podran ser
varias personas que tabulen, pero necesariamente solo
una persona por pregunta.
C. La codificacin: Consiste en colocar un cdigo a las

respuestas, a fin de poder construir una base de datos.
2.8 LAS HOJAS DE REGISTRO (O CHECK LIST)
Son formatos preimpresos que facilitan el registro y la
organizacin de cualquier tipo de datos. Puede ser:
Para registro: Se anota sistemticamente la informacin.
Ejemplo: Tarjeta de Registro de Asistencia del personal que
labora en una Clnica
Para verificacin: Se anota informacin en determinado
tiempo, que debe cotejarse con la realidad.
Ejemplo: Registro de las recetas no atendidas por semana.
EJEMPLO 1:
Hoja
de
registro
proceso de produccin
para
la
distribucin
La medida optima es 8.300

Se acepta una variabilidad mxima 0,008
Se registra cada uno de los 55 productos
elaborados
un da, colocando una x en la casilla correspondiente.
Se construye simultneamente el histograma.
del
en
Caso: Hoja de registro para ver la distribucin en un proceso

de produccin.
34
EJEMPLO 2:
Hoja de registro de tems defectuosos
Permiten identificar el tipo de defecto ms frecuente.
Un producto puede presentar ms de un defecto.
Es necesario tipificar con antelacin los defectos posibles.
Caso: Hoja de registro de inspeccin final de cierto producto
plstico moldeado.
35
EJEMPLO 3
Hoja de registro de las causas del defecto
Permite una estratificacin adicional con el fin de encontrar
las causas de los defectos.
Caso: Hoja de registros de ocurrencias de los defectos en
ciertos accesorios utilizados en la elaboracin de prtesis
dental, asignables a maquinaria, trabajadores, da y tipo de
defecto.
36
37
38
CAPTULO
ORGANIZACIN
TABULAR DE
DATOS
OBJETIVOS
1.
2.
3.
4.
Organizar datos a travs de una clasificacin ordenada

de datos.
Organizar datos a travs de un diagrama tallo-hojas.
Elaborar una tabla de distribucin de frecuencias para
datos univariados
Elaborar una tabla de distribucin de frecuencias para
datos bivariados.
3.1 LA IMPORTANCIA DE LA ORGANIZACIN DE LOS

DATOS
Los datos deben organizarse, para entender mejor su
naturaleza fundamentalmente utilizando dos mtodos : el
mtodo tabular y el mtodo grfico.
Si los datos no estn organizados son de poca utilidad en
una investigacin o para una toma de decisiones.
Ejemplo
Los niveles altos de colesterol en suero, han sido por mucho
tiempo asociados con el incremento del riesgo de
enfermedades cardiovasculares. Se han efectuado
numerosos estudios en un esfuerzo por lograr una mayor
comprensin de la naturaleza de esta asociacin. Se
muestra a continuacin las concentraciones de colesterol en
suero que fueron recolectadas a una poblacin de 480
individuos aparentemente sanos. A qu conclusin llega?
40

231
199
236
259
183
269
191
260
197
159
227
245
214
275
186
234
262
230
212
163
220
202
221
223
243
203
180
292
198
201
174
223
186
200
192
236
186
188
234
230
170
304
197
216
214
189
138
269
197
222
202
213
163
241
218
242
197
248
228
154
218
243
192
191
243
230
248
231
262
177
207
276
230
238
189
212
200
179
249
225
223
289
280
235
220
194
205
206
194
232
222
209
209
248
194
192
200
261
238
233
222
223
267
263
159
243
230
193
195
259
186
229
184
215
254
233
229
263
163
212
271
216
230
252
218
265
218
155
222
173
228
214
266
172
203
262
213
249
244
177
242
180
241
261
221
222
189
204
229
212
192
257
248
243
190
166
216
197
250
224
257
220
255
241
245
212
225
201
209
155
249
253
265
225
192
212
212
174
184
227
216
250
248
187
222
195
247
161
188
229
194
209
250
180
228
196
254
208
265
234
219
203
230
232
212
236
191
161
258
252
169
249
231
170
233
161
189
191
209
229
246
274
215
215
206
218
234
248
222
175
202
154
249
189
171
263
238
177
261
265
224
249
252
220
199
239
221
221
221
232
218
239
205
196
211
221
276
251
189
286
258
227
236
167
184
245
243
218
173
220
231
196
196
200
221
217
270
261
248
254
232
231
219
225
265
222
226
208
219
189
226
292
192
172
186
264
211
240
237
156
228
241
171
223
185
199
188
263
208
199
259
272
202
214
201
231
210
223
210
209
239
203
212
295
202
195
218
218
253
239
272
216
221
208
225
175
239
191
214
215
227
221
208
224
208
181
187
179
234
262
216
221
152
180
193
244
184
183
226
266
242
220
266
269
223
198
204
179
209
215
222
196
228
195
160
261
177
232
224
203
265
238
247
225
169
172
187
199
245
183
171
246
187
222
278
212
250
174
220
188
223
241
200
193
226
243
206
142
277
244
210
258
207
267
254
136
231
253
229
240
204
187
202
209
238
240
190
253
203
271
281
226
244
182
146
251
277
184
240
239
185
201
259
234
174
226
246
222
205
211
216
230
220
201
231
183
214
219
206
276
215
195
209
258
287
182
176
275
204
183
212
237
249
142
256
258
213
208
202
244
Al observar a un conjunto de datos, deseamos identificar a

las principales propiedades que definen a este conjunto.
Lamentablemente, no se puede obtener alguna conclusin
vlida. Los datos tal como se presentan no nos permiten
afirmar algo sobre ellos.
Para lograr identificar las principales medidas y propiedades
de este conjunto de datos, tenemos que organizar
previamente al conjunto de datos.
3.2 ELEMENTOS DE LA ORGANIZACIN TABULAR
Consiste en una presentacin resumida de la informacin
usando tablas o cuadros
Ejemplo: Supongamos que en una entrevista a pacientes del
lo que se busca evaluar son 2 aspectos:
41
- La opinin sobre la calidad de atencin

- Nivel de instruccin de la paciente
Como son dos variables categricas, la presentacin de los
datos podra realizarse en una tabla cruzada:
NIVEL
OPININ
EDUCATIVO Favorable Desfavorable
TOTAL
Analfabeta
10
Primaria
15
20
Secundaria
23
30
Superior
12
15
TOTAL
58
17
75
3.2.1 Ventajas
Se pueden apreciar propiedades de los datos.
Permite establecer asociaciones entre variables
Se ahorra espacio en un informe escrito.
3.2.2 Elementos:
A. El Ttulo: enunciado breve e informativo acerca del
contenido del cuadro. Un buen ttulo debe
responder a las siguientes interrogantes:
1. Qu contiene la tabla?
Ej.: La opinin de 75 pacientes sobre calidad
de atencin.
2. Cmo estamos presentando el contenido?
Ej.: Por nivel educativo de las pacientes
42
3. De dnde se obtuvieron los datos?

Ej.: Del servicio de Ginecologa del Hospital
Santa Rosa. Lima.
4. Cundo se obtuvo la informacin?
Ej.: (fecha de la recoleccin de los datos)
Un buen ttulo podra ser:
Opinin de 75 pacientes por nivel educativo sobre la
calidad de atencin en el Servicio de Ginecologa
del HOSPITAL SANTA ROSA. Lima, enero del
2003.
B. La Matriz: Est constituido por el primer rengln y la
primera columna, en donde se describen los
nombres de las categoras (en datos categricos) o
los intervalos de clases (en datos cuantitativos), tan
conciso como sea posible.
Ejemplo
NIVEL DE
INSTRUCCIN
OPININ
Favorable
TOTAL
Desfavorable
Analfabeta
Para datos
categricos
Primaria
Secundaria
Superior
TOTAL
EDAD
N de pacientes
Tasa porcentual :%
(en aos)
(fi)
(hi)
39 - 46
47 - 54
55 - 62
63 - 70
71 - 78
Total
C. El cuerpo: Est conformado por espacios y

constituyen intersecciones de filas y columnas, que
a veces se denominan celdas, y donde se anotan
43
las frecuencias absolutas y relativas obtenidas en la

tabulacin, incluyendo totales y subtotales.
Por ejemplo
OPININ
NIVEL
EDUCATIVO
TOTAL
Favorable
Desfavorable
Analfabeta
10
Primaria
15
20
Secundaria
23
30
Superior
12
15
TOTAL
58
17
75
D. Notas aclaratorias: Estn constituidas por toda

aquella informacin adicional que es necesaria para
describir e interpretar adecuadamente el contenido
de la tabla o cuadro. Es muy importante cuando se
trata de datos proveniente de fuente secundaria. Es
un aspecto tico precisar de donde provienen los
datos, a la vez que nos liberamos de la
responsabilidad de responder por su calidad. Se
escribe con letra ms pequea.
44
Tabla 1: Opinin de 75 pacientes por nivel educativo sobre la

calidad de atencin en el Servicio de Ginecologa del
HOSPITAL SANTA ROSA. Lima, enero del 2003.
OPININ
NIVEL
EDUCATIVO Favorable Desfavorable

Analfabeta
8
2
TOTAL
10
Primaria
15
20
Secundaria
23
30
Superior
12
15
TOTAL
58
17
75
Fuente: Hospital San Rosa. Direccin de Procesos. Enero 2003.
La presentacin tabular de datos pueden realizarse bajo tres

formas, desde la ms elemental se tiene:
- Clasificacin ordenada de datos.
- Diagrama de tallos y hojas
- Tablas de distribucin de frecuencias.
3.2 CLASIFICACIN ORDENADA DE DATOS
Si ordenamos los datos sin procesar, de la observacin ms
pequea a la ms grande, la secuencia ordenada obtenida,
se denomina clasificacin ordenada.
Ejemplo: en un estudio del crecimiento de varones, se
obtuvieron estas observaciones sobre el permetro ceflico
(en centmetros) de un nio al nacer:
33.1 34.6 34.2 36.1 34.2 35.6 34.5 35.8 34.5 34.2 34.3 35.1
35.2 33.7 36.0 34.2 34.7 34.6 34.3 33.4 34.9 33.8 33.6 35.3
35.2 34.6 33.7 34.8 33.9 34.7 35.1 34.2 36.5 34.1 34.0
Ordenando los datos de manera ascendente, tenemos:
45

33.1
33.4
33.6
33.7
33.7
33.8
33.9
34.0
34.1
34.2
34.2
34.2
34.2
34.2
34.3
34.3
34.5
34.5
34.6
34.6
34.6
34.7
34.7
34.8
34.9
35.1
35.1
35.2
35.2
35.3
35.6
35.8
36.0
36.1
36.5
Cules son las principales propiedades que se observa en

este conjunto de datos?
Las principales propiedades que se observan
conjunto de datos son:
en este
El nmero de datos es de 35.

La menor observacin es de 33,1 cms.
La mayor observacin es de 36,5 cms.
El rango de los valores observados es de 3,5 cms.
=(36,5
33,1)+ 0,1 cms.
El 51,43% (18 nios) de los datos estn alrededor de 34
cms.
Son muy pocos frecuentes los nios con permetro ceflico
mayor a 36 cms. (slo 3 nios).
Mientras mayor sea el nmero de observaciones presentes
en una serie de datos, mas laborioso es realizar la
clasificacin ordenada de los datos.
3.3 DIAGRAMA DE TALLO Y HOJAS
Un diagrama de tallo y hojas consiste en una serie de hileras
horizontales de nmeros. El nmero utilizado para designar
una hilera es un tallo, el resto de nmeros de la hilera se
denominan hojas.
Esta tcnica funciona bien, cuando el conjunto de datos no
tiene una gran dispersin
Se pueden considerar el siguiente proceso:
Elija algunos nmeros adecuados que puedan servir
de
tallo. Se requieren como mnimo 5 tallos. Los tallos elegidos
46
generalmente son el primer o los dos primeros dgitos de

los datos.
Nombre las hileras mediante los tallos elegidos.
Organice grficamente los datos registrando el dgito,
siguiendo el tallo.
Trazar una curva a lo largo de la parte superior del diagrama.
Determinar las principales caractersticas.
Ejemplo:
Con los datos anteriores sobre el permetro ceflico,
construir un diagrama tallo-hoja.
33.1 34.6 34.2 36.1 34.2 35.6 34.5 35.8 34.5 34.2 34.3 35.1
35.2 33.7 36.0 34.2 34.7 34.6 34.3 33.4 34.9 33.8 33.6 35.3
35.2 34.6 33.7 34.8 33.9 34.7 35.1 34.2 36.5 34.1 34.0
Dato menor: 33,1

Dato mayor: 36,5
Tallos posibles: 33, 34, 35 y 36Slo existen 4 tallos,
debiendo ser el mnimo 5 tallos, entonces
los tallos
propuestos se desdoblan, de la siguiente manera:
33 (del 33,0 al 33,4)
33 (del 33,5 al 33,9)
34 (del 34,0 al 34,4)
34 (del 34,5 al 34,9)
35 (del 35,0 al 35,4)
35 (del 35,5 al 35,9)
36 (del 36,0 al 36,4)
36 (del 36,5 al 36,9)
47
Luego clasificamos los datos en funcin al valor del

decimal.
33
1 4
33
8 6
34
2 2
2 2
34
7 6 7
35
2 2
35
36
36
25 datos
3
10 datos
Finalmente, se traza una lnea por el borde, a fin de delimitar

la forma de la distribucin.
Qu caractersticas se observan?.
Las principales propiedades de los datos :
- Son 35 casos.
- La menor observacin es de 33,1 cms.
- La mayor observacin es de 36,5 cms.
- El rango de los valores observados es de 3.5 cms. (36,5
33,1 + 0.1 cms.)
- El 51,43% (18 casos) de los datos estn alrededor de los
34 cms.
- Son muy poco frecuentes los casos mayores a 36 cms (3
casos) y menores a 33,5 cms (2 casos).
- La distribucin de datos est sesgada a la derecha (sesgo
positivo), es decir, hay una mayor concentracin de datos a
la izquierda.
48
Ejercicio
Se realiza un estudio para ayudar a comprender el efecto de
fumar en los patrones de sueo. La variable es el tiempo que
tarda en quedarse dormido. La muestras de fumadores y no
fumadores producen estas observaciones :
FUMADORES
17,2
16,2
19,8
21,2
21,1
21,8
19,5
19,7
19,9
22,9
18,9
16,9
22,1
18,8
18,1
19,8
20,0
22,1
23,0
21,0
19,2
15,1
23,6
24,1
20,6
20,1
20,5
22,4
NO FUMADORES
18,3
24,9
25,0
23,3
17,5
20,4
19,3
17,6
20,1
21,4
20,2
21,3
20,7
17,4
15,1
16,8
22,8
25,8
24,3
23,2
15,7
20,5
21,2
22,4
24,1
25,7
25,1
15,3
17,7
18,1
19,4
15,0
15,2
16,1
19,9
21,3
22,1
25,2
24,1
18,0
17,2
23,1
16,0
15,9
18,3
21,6
23,8
24,9
23,0
24,8
25,2
25,0
16,3
17,9
19,9
15,1
Construya un diagrama tallo-hoja para cada uno de estos

conjuntos de datos. Utilice los valores enteros del 15 al 25
(inclusive) como tallos.
Se sorprendera si alguien le dijera que no existe diferencia
en la distribucin de esta variable en los dos grupos?.
Explique.
3.4 TABLA DE DISTRIBUCIN DE FRECUENCIAS
Pueden ser simples o cruzadas
A)
Tablas simples
1
2
3.
4.
Se utilizan para presentar una sola variable.

Pueden
representar
datos
cualitativos
o
cuantitativos.
Presentan por lo menos dos columnas: categora o
clase y el nmero de datos o frecuencia de clase.
Puede incluirse una columna de tasa porcentual.
Para datos cualitativos se siguen los pasos siguientes:
49
(1) Identificar diferentes categoras.

(2) Realizar un conteo.
(3) Elaborar la tabla: titulo, cuerpo y fuente.
Ejemplo
Con la finalidad de mejorar la calidad del servicio de
emergencia en una clnica local, se ha formulado la
siguiente pregunta a 45 pacientes atendidos durante
una semana: Cmo califica la calidad de la atencin
que Ud, acaba de recibir en este Servicio de
Emergencia: muy bueno, bueno, aceptable, malo o muy
malo
Los datos recolectados se presentan a continuacin:
Muy bueno
Aceptable
Aceptable
Muy bueno
Bueno
Bueno
Bueno
Muy malo
Bueno
Bueno
Aceptable
Bueno
Aceptable
Malo
Muy bueno
Malo
Aceptable
Muy malo
Aceptable
Malo
Aceptable
Muy bueno
Bueno
Bueno
Aceptable
Bueno
Malo
Aceptable
Muy malo
Bueno
Malo
Bueno
Malo
Bueno
Aceptable
Bueno
Bueno
Muy malo
Muy bueno
Malo
Aceptable
Bueno
Aceptable
Malo
Bueno
Primero, se identifican las categoras:

Muy bueno
Bueno
Aceptable
Malo
Muy malo
50
Segundo, se realiza el conteo de las frecuencias:

Muy bueno
Bueno
Aceptable
Malo
Muy malo
/////
///// ///// ///// /
///// ///// //
///// ///
////
Tercero, se presenta la tabla, considerando el ttulo y la

fuente.
Cuadro 1: Calidad del Servicio de Emergencia
C a t e g o ria
N m e ro d e
P a c ie n t e s
T asa
P o rc e n tu a l
M uy Bueno
1 1 ,1 1
Bu en o
16
3 5 ,5 5
A c e p ta b le
12
2 6 ,6 7
M a lo
1 7 ,7 8
M u y M a lo
8 ,8 9
45
1 0 0 ,0 0
T o tal
Fuente: Encuesta a los Pacientes, julio 2002

Para datos cuantitativos se sigue el procedimiento
siguiente:
(1) Se calcula el rango:(mayor - menor) + 1
(2) Se determina el nmero de clases, que mejor
representa a los datos (entre 4 y 20). Se realiza un
tanteo.
(3) Se determina el tamao o amplitud de clase.
51
(4) Se elige el limite inferior de la primera clase.

(5) Se establecen los
siguientes clases.
lmites
inferiores
de
las
(6) Se establecen los limites superiores de cada una de

las clases.
(7) Se realiza un conteo, a fin de determinar cuantos
datos se incluyen en cada clase.
(8) Se elabora la tabla: titulo, cuerpo y fuente.
Ejemplo:
Revisemos el ejemplo sobre los niveles de colesterol en
suero presentado anteriormente.
231
199
209
236
259
248
183
269
212
194
191
260
197
265
261
159
227
245
214
275
186
234
262
230
212
163
220
202
221
223
203
180
292
198
201
174
223
186
200
192
236
186
188
234
230
304
197
216
214
189
138
269
197
222
202
213
163
241
218
242
248
228
154
218
243
192
191
243
230
248
231
262
177
207
276
238
189
212
200
179
249
225
223
289
280
235
220
194
205
206
209
233
222
223
267
212
263
159
243
230
253
192
200
232
222
193
195
259
186
229
184
215
254
233
229
263
163
212
271
216
225
252
218
265
218
155
222
173
228
214
266
172
203
262
213
244
177
242
180
241
261
221
222
189
204
229
212
192
257
248
190
166
216
197
250
224
257
220
255
241
245
212
225
201
209
229
194
174
184
192
249
216
250
248
187
222
195
247
161
188
209
250
180
228
196
254
208
265
234
219
203
Solucin
Se calcula el rango: R = Mayor menor + 1
Mayor = 317
Menor = 106
Rango = (317 106) + 1 = 212
52
Se tantea el nmero de clases:

4 clases de 53 Rango corregido 212: No exceso
5 clases de 43 Rango corregido 215: Exceso 3
Se escoge 4 clases por tener el menor exceso.
La amplitud de clase es 53.
Como no hay exceso con 4 clases, el lmite inferior de la
primera clase es el menor nmero. En este caso 106.
5.
Los lmites inferiores de las clases siguientes se forman

sumando al lmite inferior de la primera clase, la
amplitud. En este caso, 53
NIVELES DE
El menor
valor
COLESTEROL
PERSONAS
Tasa
porcentual (%)
106 159 106 + 53
212 265 Total
1000
100,00
Fuente: Departamento de Salud
6.
Luego se calculan los lmites superiores de cada clase.

Para la primera clase se resta 1 al lmite inferior de la
segunda clase. Para las clases siguientes, se le suma la
amplitud, en este caso 53.
53
Cuadro 2: Niveles de colesterol en Lima
NIVELES DE
COLESTEROL
106 - 158
159 - 211
PERSONAS
Tasa
porcentual (%)
159 - 1
158 + 53
212 - 264
265 - 317
Total
100,00
1000
Fuente: Departamento de Salud

7.
Finalmente se realiza el conteo de las frecuencias y se

presenta la tabla con un ttulo y fuente.
Se acostumbra presentar
frecuencias relativas (%)
una
columna
con
la
En algunas ocasiones se elaboran las tablas con clases

abiertas cuando los datos inferiores o superiores estn
muy dispersos
54
Cuadro 3: Ventas diarias en la Farmacia

durante el mes de junio (en soles)
Ventas
Tasa
(en soles)
Dias
menos de 5000
porcentual
(%)
10,00
5000 - 8999
23,33
9000 - 12999
10
33,33
13000 - 16999
26,67
17000 - 20999
6,67
Total
30
100,00
Fuente: Registro de Ventas

Ejercicio
Los siguientes datos de refieren a la estatura (en metros) de 50
pacientes que se atienden en el servicio de reumatologa de la
Clnica Sagrado Corazn. Construya una tabla de distribucin de
frecuencias.
1,68
1,70
1,80
1,69
1,64
1,87
1,72
1,66
1,68
1,84
1,70
1,64
1,70
1,70
1,72
1,74
1,86
1,72
1,67
1,68
1,74
1,73
1,74
1,87
1,76
1,65
1,72
1,75
1,75
1,77
1,82
1,74
1,69
1,75
1,77
1,59
1,80
1,78
1,72
1,76
1,66
1,57
1,84
1,81
1,72
1,82
1,64
1,61
1,87
1,81
La tabla de distribucin de frecuencias completa, tiene la

siguiente estructura
55

CLASE
Marca de
Frecuencia
Frecuencia
Frec. Absoluta
Frec. Relativa
Li
Clase: Xi
absoluta: fi
relativa: hi
Acumulada: Fi
Acumulada: Hi
Li
Ls
Xi
fi
hi
Fi
Hi
Ls
limite inferior
limite superior
Marca de la clase i
frecuencia absoluta de la clase i.
frecuencia relativa de la clase i.
frecuencia absoluta acumulada hasta la clase i.
frecuencia relativa acumulada hasta la clase i.
Ejercicio 2:
Complete la siguiente tabla que corresponde al
pacientes del Hospital Central.
PESO
(en kilos)
48,0 52,9
fi
Fi
hi
peso de 60
Hi
6
0,30
53,0 57,9
58,0 62,9
0,25
63,0 67,9
68,0 72,9
Total
Ejercicio 3
La siguiente informacin se refiere al peso (en Kg.) de 60
personas. Elabore una tabla de distribucin de frecuencias.
LS5=64 F2=20
h3=0,213
k=6
LI1=35
f6 = 5
f1=4
H4=0,799
56
Ejercicio 4
Complete la siguiente tabla de distribucin de frecuencias:
n = f = 30
hi =
f
n
hi = 1.000
PESO
(en libras
Fi = fant + fact
Hi = h ant + h act
fi
128,6 - 135,4
135,5 - 142,3
142,4 - 149,2
10
149,3 - 156,1
156,2 - 163,0
Xi
f ant --> frecuencia anterior

f act --> frecuencia actual
Fi
hi
Hi
Total
Resumamos algunos conceptos

Una distribucin de frecuencias (fi) es un conjunto de
puntuaciones ordenadas en sus respectivas clases.
Las frecuencias relativas (hi) son tasas porcentuales de
casos en cada clase.
La frecuencia acumulada (Fi o Hi) son las frecuencias que se
van acumulando en cada clase, desde la ms baja hasta la
mas alta.
La marca de clase (Xi) es el punto medio de una clase
B)
Tablas cruzadas
Sirven para representar dos o ms variables cualitativas.
En cada celda se puede incluir la frecuencia absoluta y
relativa (por fila, columna y total).
57
Ejemplo
Cuadro 4: Enfermedad por sexo
E n fe rm e d ad \S e x o
M asculino
F emenino
To tal
B ro nquitis
12
17
C o litis
11
19
N efritis
15
21
Aler gias
To tal
35
25
63
Fuente: Historia Clnica, julio 2002.
58
CAPTULO
ORGANIZACIN
GRFICA DE
DATOS
OBJETIVOS
1.
2.
3.
Elaborar grficos para una sola variable: barras,

columnas, circulo.
Elaborar grficos para dos variables: dispersin,
lineal.
Elaborar grficos en tres dimensiones.
Los grficos constituyen una forma muy efectiva de presentar

informacin. Su utilizacin ayuda a una mejor comprensin.
Todo grfico tiene tres partes:
El ttulo: especfico, pero completo.
El cuerpo: es el grfico en si mismo.
La fuente: especificar el origen de la informacin.
4.1 EL HISTOGRAMA
Son barras verticales presentadas una a continuacin de
otra. Permite presentar datos cuantitativos continuos. Es un
grfico muy utilizado. Propiedades:
1.
El ancho de cada columna es igual en todo el grfico y

representa la amplitud de clase).
2.
El ancho de cada columna es igual en todo el grfico y

representa la amplitud de clase).
Xi
fi
128,6 - 135,4
CLASE
132,0
135,5 - 142,3
138,9
142,4 - 149,2
145,8
10
149,3 - 156,1
152,7
156,2 - 163,0
159,6
TOTAL
Distribucin de frecuencias
3
30
12
Histograma
Frecuencia
10
8
6
4
2
0
132.0 138.9 145.8 152.7 159.6
Marca de Clase
60
Ejemplo
Grfico 4: Peso de 100 Pacientes (en Kg.)
Nmero de
Pacientes
25
20
15
10
5
0
29.5
39.5
49.5
Fuente: Encuesta, julio 2001
59.5
69.5
7 9.5
89.5
9 9.5
Peso
(Kgs)
Cmo leer histogramas?

A)
Tipo general: El valor medio est al centro, que tiene la

mayor frecuencia. Es el ms frecuente tiene forma
simtrica
61
B)
Tipo multimodal: Hay varios valores mayores.
C) Tipo sesgo positivo: Forma asimtrica la media est

localizada a la izquierda.
62
D) Tipo precipicio a la izquierda: Forma asimtrica la

frecuencia disminuye bruscamente a la izquierda.
E)
Tipo planicie: Las clases

misma frecuencia.
tienen
ms
menos
la
63
F)
Tipo bimodal: Se observa

mximos.
claramente dos valores
G) Tipo pico aislado: Presenta un pico aislado, adems de

un histograma general.
64
4.2 EL DIAGRAMA DE BARRAS

Se utiliza para representar datos cuantitativos discretos o
datos cualitativos.
Las barras son de igual ancho.

La longitud es proporcional a la frecuencia de la
categora.
El espacio entre barras debe ser homogneo, para
evitar efecto visual.
Ejemplo:
Grfico 2: Nmero de hijos en edad escolar por mdico del
Hospital Central
N de
Mdicos
30
25
20
15
10
5
0
0
Fuente: Departamento de Personal
Nmero de
hijos
(escolares)
65
Ejemplo
Grfico 3: Pacientes atendidos por especialidad
20
15
10
5
0
Nefrologa
Ginecologa
Oftalmologa
Neurologa
Traumatologa
Fuente: Hoja de Ingreso, julio del 2002

Ejemplo
Grfico 4: Profesionales de la salud por
Especialidad
especialidad
Medico
Enfermeras
Psiquiatras
Fisioterapeuta
Obstetriz
N de
profesionales
0
10
20
30
40
50
60
70
80
90
100
Fuente: Gerencia de Potencial Humano. Julio 2002
66
4.3 EL POLGONO DE FRECUENCIAS

Es otra forma de conocer las distribucin de los datos. Se
construye uniendo los punto medios
del lado superior de
las barras del histograma.
25
20
15
10
5
0
29.5
39.5
49.5
59.5
69.5
79.5
89.5
99.5
Grfico N 5: Distribucin de los pesos de los Pacientes del

Servicio de cardiologa
Nmero de
Pacientes
Peso
(Kg.)
Fuente: Historia Clnica, julio del 2002
67
4.4 DIAGRAMA DE DISPERSIN DE PUNTOS

Ejemplo
Grfico 6: Pacientes mensuales

400
Paciente
s
Meses
350
300
Enero
120
Febrer
o
210
Marzo
180
Abril
320
Mayo
280
100
Junio
200
50
Julio
350
250
200
150
0
0
En ero Feb2rero Ma rzo
Ab4ril
Mayo
J un
6 io
Ju li o
Fuente: Departamento de Admisin Clnica
4.5 DIAGRAMA LINEAL

Ejemplo
Grfico 7: Pacientes mensuales
400
350
300
250
200
150
100
50
0
Enero Febrero Marzo
Abril
Mayo
Junio
Fuente: Departamento de Admisin Clnica

68
Julio
4.6 LAS OJIVAS

La frecuencia acumulada son las frecuencias que se van
acumulando en cada categora, desde la ms baja hasta la
mas alta.
Las ojivas, relaciona las puntuaciones con sus respectivas
frecuencias acumuladas.
4.7 EL DIAGRAMA CIRCULAR
El circulo se divide en segmentos circulares, de tamao
proporcional a la frecuencia de la categora.
Ejemplo
Grfico 10. Pacientes atendidos en consultorios
externos
1 e r tr im .
2 d o tr im .
3 e r tr im .
4 to tr im .
Fuente: Ficha de atencin. Julio del 2002
4.8 DIAGRAMA RADAR

til para visualizar, por ejemplo, el cumplimiento de
metas
(%) para la Prueba de Papanicolaou en el servicio de
ginecologa para pacientes de diferentes zonas
69
Ejemplo
100
80
60
40
E ste
20
O e ste
N o r te
Sur
Fuente: Hoja de registro atencin, julio 2002

4.9 SUPERFICIE EN TRES DIMENSIONES
Ejemplo:
Metas alcanzadas en prestacin de servicios
mdicos
100
50
4to trim.
0
3er trim.
Fuente: Encuesta, julio 2002
70
3er trim.
4to trim.
CAPTULO
PROMEDIOS
Un motivo para hacer sospechar que la Estadstica es ms un
arte que una ciencia, gira en torno a la ambigedad con que se
usa el trmino promedio.
OBJETIVOS
1.
2.
Diferenciar los diversos tipos de medidas de

resumen que se pueden aplicar a un conjunto de
datos
Calcular e interpretar las principales medidas de
tendencia central
5.1 LA ESTADSTICA DE RESUMEN

Despus de construir tablas y grficos, a partir de una
coleccin de datos, se requieren medidas ms exactas.
La estadstica de resumen, proporciona medidas para
describir un conjunto de datos.
Existen tres tipos de medidas de resumen:
De tendencia central.
De dispersin.
De la forma de la distribucin.
(A) Las medidas de tendencia central

Se refieren al punto medio de una distribucin
Se conocen como medidas de posicin
Ejemplo: A partir del grfico siguiente, se observa que
la posicin central de la curva B est a la derecha de la
posicin central de las curvas A y C. Obsrvese que la
posicin central de la curva A es la misma que la curva
C.
72
(B) Las medidas de dispersin

Se refieren a la extensin o amplitud de los datos de
una distribucin
Representan el grado de variabilidad de los datos.
Ejemplo: Observe que la curva A en el siguiente grfico
tiene una mayor dispersin que la curva B, a pesar que
la posicin central es la misma.
(C) Las medidas de la forma de la curva

Las curvas que representan a un conjunto de datos,
pueden ser analizadas de acuerdo a su:
a) Simetra
b) Curtsis
Las curvas simtricas, tienen una forma tal que con una
lnea vertical que pase por el punto ms alto de la curva,
dividir el rea de esta en dos partes iguales.
73
Las curvas sesgadas son aquellas cuyos valores estn

concentrados en el extremo inferior o superior de la
escala de medicin del eje horizontal. La cola indica el
tipo de sesgo.
Cuando medimos la curtsis nos referimos al grado de

agudeza. Pueden ser: leptocrtica (concentracin al
centro) mesocrtica distribuidos simtricamente) o
platicrtica (aplanada).
5.2 PROPIEDADES DE LA SUMATORIA

ra
1 Regla: La suma de los n trminos de una serie constante,

es igual a n veces la constante.
n
c
i =1
74
= nc
Ejemplo:
C = 10, n=3
3
c
i =1
= 10 + 10 + 10 = 3 (10) = 30
da
2 Regla: La suma de los productos de una constante por

una variable, es igual a la constante multiplicada por la suma
de la variable.
cx
i =1
= c x i
i =1
Ejemplo:
C = 5, X1 = 2, X2 = 4, X3 = 6
3
cx
i =1
5(2) + 5(4) + 5(6) = 60
ra
3 Regla: La suma de los valores de una variable ms una

constante es igual a la suma de los valores de la variable
ms n veces esa constante.
=1
=1
( x i + c ) = x i + nc
i
i
Ejemplo:
C =2, x1 =5, x2 =3, x3 =2
3
(xi + c) = (5 + 2) + (3 + 2) + (2 + 2) = 16
i =1
= (5 + 3 + 2) + 3(2) = 16
75
5.3 LAS MEDIDAS DE TENDENCIA CENTRAL

1. En general se denominan promedios.
2. Los ms importantes son la media, la mediana y la moda.
Aritmtica
Media
Geomtrica
Medidas de
Mediana
Armnica
tendencia central
Moda
3. Tambin es til conocer los percentiles (o fractiles).

POR QU SON IMPORTANTES LAS MEDIDAS DE
TENDENCIA CENTRAL?
Porque la mayor parte de los conjuntos de datos muestran
una tendencia a agruparse alrededor de un dato central.
Las medidas de tendencia central son puntos en una
distribucin, los valores medios o centrales de sta y nos
ayudan a ubicarla dentro de la escala de medicin.
5.3.1 La Media
(A) La media aritmtica ( x )
a) Obtencin: Se obtiene sumando los valores
registrados y dividindolos entre el nmero de
datos.
Ejemplo:
La siguiente tabla muestra el nmero de reclamos y
quejas presentadas por pacientes en el Servicio
de Emergencias a lo largo de una semana.
Calcule e interprete la media.
Da/Semana
Reclamos/da
76
Lun Mar Mier Jue Vier Sab

8 10 5
12 10 15
Media aritmtica
8 + 10 + 5 + 12 + 10 + 15 60
=
6
6
= 10 reclamos
b)
Interpretacin: Si elige al azar un da de la

semana, se espera que los pacientes del
servicio de emergencia realicen 10 reclamos en
ese da.
c)
Simbologa:
Media aritmtica
(equis barra)
(mu)
Tamao
n
N
Muestra
Poblacin
d)
Clculos a partir de datos no agrupados, se

utilizan las siguientes formulas.
Para una muestra
donde: x : media muestral
n
Xi x =
Xi
i =1
n
n
: suma de todos los datos

: nmero de datos (muestra)
Para una poblacin

N
donde: : media poblacional

Xi : suma de todos los datos
N : nmero de datos (poblacin)
Xi
= i =1
N
Se puede calcular la media aritmtica utilizando Excel.
77
Media
aritmetica
e)
Clculo a partir de datos agrupados.

El clculo de la media aritmtica, cuando los
datos disponibles se encuentran en tablas de
distribucin de frecuencias, se realiza utilizando
la formula siguiente
= i = 1n
fiX
i=1
donde:
fi
x :media muestral
fi :frecuencia absoluta de la clase i
X i :marca de la clase i
Ejemplo:
La distribucin de frecuencias siguiente, representa
los puntajes obtenidos en una evaluacin del
desempeo, aplicado al personal tcnico de un
Centro de Salud. El puntaje mximo en la prueba es
50. Calcule e interprete en media.
78
D esem p e o
N m ero d e
(p unto s )
t c n ic o s
12 - 16
17 - 21
22 - 26
15
27 - 31
23
32 - 36
10
T O T AL
60
Primero se calcularn las marcas de clase ( Xi);

es decir, el valor intermedio de cada clase
clase
12 - 16
17 - 21
22 - 26
27 - 31
32 - 36
x=
Marca de
clase ( i)
14
19
24
29
34
Total
Frecuencia
absoluta(fi)
4
8
15
23
10
60
14(4) + 19 (8) + 24 (15) + 29 (23) + 34 (10)

x
4 + 8 + 15 + 23 + 10
x = 26.25
= 1575
60
Interpretacin: Si se elige al azar a un trabajador tcnico

de este hospital, se espera que tenga un puntaje de
26,25 en su evaluacin de desempeo.
79
f) La media aritmtica ponderada ( x p )

donde:
n
xp =
wX
i =1
n
w
i =1
wi = factor de ponderacin
X i = datos
Ejemplo: Una empresa comercializadora de

Seguros Mdicos dispone de 3 representantes
para la zona de Miraflores, cada uno de los
cuales cobra diferente comisin por pliza
vendida, y realiza diferente nmero de
contratos. Calcule e interprete el valor medio de
la comisin
Vendedor
N de polizas de
Seguro Mdico
Comisin
por venta $
Pedro
Juan
Pablo
30
25
20
30
40
50
x p = 30(30) + 25(40) + 20(50) = 2900 = $38.67

30 + 25 + 20
75
Interpretacin:
Si se elige al azar un representante se espera que cobre
una comisin de $38.67 por pliza vendida.
80
g)
Ventajas y desventajas de la media aritmtica

Ventajas:
Concepto familiar para muchas personas
Es nica para cada conjunto de datos
Es posible comparar medias de diferentes
muestras
Desventajas
Se ve afectada por los datos extremos
Si la muestra es grande y los datos no
estn agrupados, su clculo es tedioso
Si los datos estn agrupados en clases
con extremos abiertos, no es posible
calcular la media.
(B) La media geomtrica (
xg )
Se utiliza para calcular tasas medias de variacin,

como la tasa media de crecimiento poblacional, la
tasa media de inflacin mensual, la tasa media de
mortalidad, entre otros.
a)
Obtencin Se obtiene extrayendo la raz

ensima el producto de los n valores de una
serie.
xg = n X1 X 2 X3 .........X n
Ejemplo:
La siguiente tabla muestra la tasa de aumento

en las quejas durante los ltimos meses.
Calcule e interprete la tasa media mensual.
81

Meses
Aumento de
quejas
Enero
Febrero
Marzo
Abril
Mayo
2.6%
5.4%
3.8%
0.5%
1.4%
La tasa 2,6% tambin se puede expresar como

0,026 , y puesto que se refiere a un aumento a
partir de una base de 100%, el factor de
variacin ser 1,026. Para los otros datos se
opera igual.
b)
Clculos
Por lo tanto, la media geomtrica se calcula:
xg
= n
x1, x 2 , x 3,...... x
x g = 5 (1.026) (1.054) (1.038) (1.005)(1.014)

x g = 5 1 . 143903377
x g = 1,0272540 ( Factor de crecimient o medio )
Tasa media =
(x g 1) 100
de variacin
= (1,0272540 - 1) x 100 = 2,72%
c)
Interpretacin
Si se selecciona al azar un mes entre enero y
mayo, se espera que las ventas se hayan
incrementado 2.72% con respecto al mes
anterior.
(C) La media armnica (
xh )
Se utiliza para calcular el tiempo medio, velocidad y

aceleracin media, como por ejemplo, el tiempo
medio para realizar determinada ciruga.
82
a)
Obtencin: se obtiene calculando el inverso de

la media aritmtica de los inversos de una
serie.
xh =
1
n
1
X
i =1
n
Ejemplo:
Los siguientes datos registran el tiempo que
utilizan cuatro mdicos al realizar una cierta
intervencin quirrgica. Calcule e interprete el
tiempo medio.
M d ic o
T ie m p o
(m in u t o s )
45
38
52
40
Conocer el tiempo medio permite contar con

una herramienta til en la planeacin de los
recursos, como la Sala de Operaciones.
Adems
de
poder
comparar
nuestro
desempeo con los estndares de calidad
internacionales.
xh = 1 1 4 1 1 = 1976 + 2340 +4 1710 + 2223
+ + +
45 38 52 40
88920
xh = 4 88920 = 43.117953 minutos

8249
xh = 43 minutos 7 segundos
83
b)
Interpretacin:
Si se selecciona al azar a uno de los
cuatro mdicos, se espera que realice
este tipo de ciruga
en
43
minutos
aproximadamente.
5.3.2 La Mediana
Es la medida que divide en dos subconjuntos iguales a
datos, de tal manera que 50% de los datos es menor a
la mediana y el otro 50% es mayor a la mediana.
a)
Obtencin: Se obtiene ordenando la serie de

datos (en forma ascendente o descendente) y
ubicando el dato central.
Ejemplo:
Los siguientes datos se refieren al nmero de
pacientes que llegaron a su cita, despus de la
hora programada durante los ltimos 11 das en el
Servicio de Pediatra. Calcule e interprete la
mediana.
12, 10, 5, 15, 8, 11, 13, 8, 10, 17, 16
Primero se ordenan lo datos:
5, 8, 8, 10, 10, 11, 12, 13, 15, 16, 17
5 datos menores
5 datos mayores
mediana
b)
84
Interpretacin: Durante 5 das llegaron menos de 11

pacientes tarde a su cita y durante 5 das, ms de
11 pacientes llegaron tarde a su cita.
c)
Reglas
1 Si la serie es impar, la mediana ocupa el lugar
central de la serie previamente ordenada.
Ejemplo: 5, 10, 10, 12, 15 , 17, 20, 21, 24
2 Si la serie es par, la mediana se obtiene de la
semisuma de los dos valores centrales de la serie
previamente ordenada.
Ejemplo: 8, 10, 14, 18, 23, 24, 32, 34
mediana =
18 + 23
= 20 .5
2
3 Sea la serie par o impar, la mediana ocupa el

lugar
d)
n + 1
2 ,de la serie previamente ordenada.
Clculo a partir de datos agrupados.
n +1
2 (F + 1)
Md = Li +
c
f
Md
donde:
Md : mediana
L i : limite real (o frontera) inferior de la clase
mediana.
n : nmero total de datos.
F : suma de todas las frecuencias hasta, pero
sin incluir, la clase mediana.
f Md : frecuencia de la clase mediana
c : amplitud de clase
85
Ejemplo: La tabla siguiente muestra la experiencia

laboral (aos) del personal de seguridad que labora
en un gran hospital. Calcule e interprete la mediana.
Lugar de la mediana:
E xp e rie nc ia
la b o ra l
(a o s )
0 - 3
4 - 7
N m e ro d e
tr a b a ja d o r e s
d e s e g urid a d
4
12
8 - 11
24
12 - 15
16 - 19
20 - 23
16
10
3
69
n + 1 69 + 1
=
= 35o
2
2
69 + 1 (16)
4
Md = 7,5 + 2
24
C la s e
M e d ia na
= 7,5 +
35 164
24
Mediana = 10,5 aos

Interpretacin:
La mitad del personal de seguridad que labora en
este hospital tienen una experiencia laboral igual o
menor a 10 aos 6 meses. La otra mitad de este
personal tiene una experiencia laboral igual o mayor
a 10 aos y 6 meses.
e)
Ventajas y desventajas
Ventajas:
Los valores extremos no afectan a la mediana como
en el caso de la media aritmtica.
Es fcil de calcular, interpretar y entender.
Se puede determinar para datos cualitativos,
registrados bajo una escala ordinal.
Desventajas:
Como valor central, se debe ordenar primero la
serie de datos.
86
Para una serie amplia de datos no agrupados, el

proceso de ordenamiento de los datos demanda
tiempo y usualmente provoca equivocaciones.
5.3.3 La Moda
La moda es el valor que ms se repite dentro de un
conjunto de datos.
a) Obtencin: se obtiene organizando la serie de datos
y seleccionando el o los datos que ms se repiten.
Ejemplo
4, 5, 7, 8, 8 , 10, 12, 15
4, 7, 12,12 , 15, 16, 20, 20 , 24, 27
7, 12, 15, 18, 25, 30, 31, 38
b) Clculo a partir de datos agrupados
Mo = L
1
+ c
1 2
donde:
M o : moda
L : limite real (o frontera) inferior de la clase
i
modal (la de mayor frecuencia)
:
frecuencia
de la clase modal menos la
1
frecuencia de la clase anterior
: frecuencia de la clase modal menos la
2
frecuencia de la clase siguiente
Las clases mediana y modal pueden coincidir pero
conceptualmente son diferentes.
87
Ejemplo: La tabla siguiente muestra los errores de

facturacin durante un mes, en una Clnica. Calcule
e interprete la moda.
Er r o r e s d e
f a c tu r a c i n
Da s
0 - 3
4 - 7
12
8 - 11
12 - 15
16 - 19
To ta l
30
=6
1
Cla s e
Mo d a l
=4
2
Clase moda : (4 - 7)
6
Mo = 3.5 +
4
6+4
Mo = 5,9
Interpretacin: Durante un mes, el nmero ms

frecuente de errores de facturacin en esta clnica
es 6.
e) Ventajas y desventajas de la moda.
Ventajas:
Se puede utilizar tanto para datos cualitativos como
cuantitativos.
No se ve afectada por los valores extremos.
Se puede calcular, a pesar de que existan una o
ms clases abiertas.
Desventajas:
No tiene un uso tan frecuente como la media.
Muchas veces no existe moda (distribucin
amodal).
En otros casos la distribucin tiene varias modas, lo
que dificulta su interpretacin.
5.3.4 Los Percentiles
Son los valores que dividen en 100 partes iguales a un
conjunto de datos
88
a) Clculo: para datos agrupados.
( )
Kn F + 1
i
P = L + 100
c
K
i
f
P
K
donde:
P
: percentil
K : el percentil buscado
n : nmero de datos
Fi : frecuencia acumulativa hasta la clase
anterior a la clase donde se ubica el
percentil K
f
P : frecuencia absoluta de la clase donde se
K
ubica el percentil K
Ejemplo:
La tabla muestra la experiencia (en aos) de las
enfermeras de un gran centro hospitalario
Experiencia Trabajadores
(aos)
0-3
4-7
8 - 11
12 - 15
16 - 19
20 - 23
24 - 27
Total
18
42
68
120
40
34
12
334
Sobre qu edad se ubica el 25% de las

enfermeras de mayor experiencia?
89
75 %
25 %
P75
Menor
Experiencia
Mayor
Experiencia
K = 75
Lugar del P75 =
Kn 75(334 )
=
= 250 ,5o (de los nmeros ordenados )
100
100
Para saber en cul clase se halla este dato, se

calcul la frecuencia acumulativa.
E xperiencia
(aos)
0-3
4-7
8 - 11
12 - 15
16 - 19
20 - 23
24 - 27
N Trabajadores
F rec. A cumulada
fi
Fi
18
60
128
248
288
322
334
18
42
68
120
40
34
12
334
75(334) (248 + 1)
100
P = 15.5 +
4
75
40
F=248
En esta clase
se localizan del
249 - 288
P = 15.65 aos
75
Interpretacin: Para que una enfermera est

comprendida dentro del 25% de mayor experiencia
laboral debe tener al menos 15 aos, 7 meses y 24
das.
90
CAPTULO
MEDIDAS DE
DISPERSIN Y
ASIMETRA
OBJETIVOS
Calcular e interpretar las principales medidas de
dispersin:
A) Rango
B) Rango intercuartlico
C) Varianza
D) Desviacin estndar
E) Coeficiente de variabilidad
Calcular e interpretar las principales medidas de la
forma de la distribucin.
A) Coeficiente de asimetra
B) Coeficiente de curtosis
6.1 LAS MEDIDAS DE DISPERSIN

Llamadas tambin medidas de variabilidad
Son tiles porque:
Permiten juzgar la confiabilidad de la medida de tendencia
central.
Los datos demasiados dispersos tienen un comportamiento
especial.
Es posible comparar dispersin de diversas muestras.
6.1.1 El rango (R)
Llamado tambin recorrido, amplitud total o alcance.
a) Obtencin: se obtiene de la influencia entre el dato
mayor y el dato menor ms una unidad significativa,
a fin de incluir ambos valores extremos.
Ejemplo:
Los siguientes datos representan el peso de 10
nios al nacer, (en Kg.). Calcule e interprete el
rango.
2,860 3,150 3,450 2,950 3,780
4,170 3,920 3,280 4,050 3,120
Rango = (4,170 - 2,860) + 0.001
Rango = 1,311 Kg.
b) Interpretacin
La diferencia entre el bebe de mayor peso y el bebe
menor peso es 1,311 Kg.
92
c) Clculo
A partir de datos agrupados, se utiliza la siguiente
frmula:
R= (Ls - Li ) + 1
donde:
Ls : Limite superior de la
ltima clase
Li : Limite inferior de la
primera clase
Ejemplo:
La distribucin de frecuencias siguiente representa
el tiempo que espera un paciente para ser atendido,
en un consultorio externo. Calcule e interprete el
rango
Tiempo N de Pacientes
(minutos)
(por da)
12 - 16
4
17 - 21
8
22 - 26
15
27 - 31
23
32 - 36
10
Total
60
Rango = (36-12) + 1
R = 25 minutos
Interpretacin: la diferencia de tiempo entre el
paciente que ms espera y el que menos espera
para ser atendido es 25 minutos.
93
f) Ventajas y desventajas del rango

Ventajas
Fcil de calcular
Fcil de entender e interpretar
Desventajas
Slo considera los valores extremos
No toma en cuenta ni el nmero de datos ni el valor
de estos
No es posible calcular en tablas con extremos
abiertos.
6.1.2 El rango intercuartlico
Permite ubicar el 50% de los datos que se encuentran
en el centro de la distribucin, es decir, el 25% de los
datos son menores al primer cuartil y tambin 25% de
los datos son mayores al tercer cuartil.
94
Ejemplo:
La tabla muestra la experiencia (en aos) del personal
que labora en el Hospital Central.
E xp e rie nc ia
T rab ajad o re s
(ao s )
0 -3
18
4 -7
42
8 - 11
68
12 - 15
120
16 - 19
40
20 - 23
34
24 - 27
12
T o tal
334
A) Entre qu valores se encuentra el 50% intermedio
de estos datos?
B) Cul es el rango intercuartlico?
50 %
25 %
25 %
Q3
Q1
Rango
Intercuartlico
Lugar Q1 = P25
25(334 )
= 83 .5 o se ubica en la 3ra clase
100
25(334) (60 + 1)
4
100
Q = 7.5 +
1
68
Q = 8.82 aos
1
95
Lugar Q 3 = P75
75(334 )
= 250 .5o se ubica en la 5ta clase
100
75(334) (248 + 1)
100
Q = 15.5 +
4
3
40
A. El 50% de los trabajadores con experiencia

intermedia se encuentran entre 8,82 y 15,65 aos.
B. El rango intercuartlico es 6 aos 10 meses
aproximadamente
6.1.3 La desviacin cuartlica
Es una medida de variabilidad fcil de calcular. Es la
mitad del rango intercuartil. Mide la dispersin del 50%
central de las observaciones respecto a la mediana.
Es imposible tener una DC negativa. Es raro, pero
podra tener un valor igual a 0, en el caso que los
percentiles sean iguales (P75 = P25). Cuando mayor
sea la diferencia entre los percentiles, mayor ser el
valor de la DC.
DC =
P75 P25
2
Ejemplo:
Si P25 = 7,2
DC =
13,4 7,2
= 3,1
2
P75 = 13,4
Interpretacin:
50% central de las observaciones vara en 3,1 con
respecto a la mediana.
96
6.1.3 La varianza
Es una medida de desviacin promedio con respecto a
la media aritmtica
a) Clculos a partir de datos no agrupados.
Para una muestra
n
(X x )
i =1
n 1
Para un poblacin
N
(X )
= i=1
Ejemplo:
La siguiente informacin se refiere al nmero de
radiografas reprocesadas durante una semana.
Calcule la varianza. 8, 10, 5, 12, 10, 15
Primero, elaboramos un cuadro de la forma
siguiente:
x
8
Xi x
(X i x )
8 - 10 = 2
10
5
10 - 10 = 0
5 - 10 = 5
12
12 - 10 = 2
10
10 - 10 = 0
15
15 - 10 = 5
25
X = 60
x=
25
60
6
x = 10
(X i x ) = 0 (X i x )
= 58
97

(X i x ) = 58
2
S =
(X i x )
n 1
58
2
S = 6 1 = 11.6
6.1.4 La desviacin estndar

Llamada tambin desviacin tpica representa la
variabilidad (o desviaciones) promedio de los datos
con respecto a la media aritmtica. Es la raz
cuadrada de la varianza, sea poblacional o muestral.
a) Clculos a partir de datos no agrupados
Para la muestra
n
S=
(Xi x )
i =1
n 1
para la poblacin
N
= 2 =
(X i )
i =1
Ejemplo:
La siguiente informacin se refiere al nmero de
radiografas reprocesadas durante una semana.
Calcule la desviacin estndar.
8, 10, 5, 12, 10, 15
98
Ya sabemos por el ejemplo anterior que S2 = 11,6

Entonces
S=
S = 11,6
S = 3,4 radiografias
6.1.5 El coeficiente de variacin
Es una medida relativa de variabilidad de los datos.
Permite comparar la variabilidad de dos o ms
conjuntos de datos expresados en unidades diferentes
(peso: Kg. y libras).
a) Clculos a partir de datos no agrupados
Para la muestra:
CV =
s
100
x
Para la poblacin:
CV =
100
Ejemplo:
A continuacin se presentan las tarifas (en unidades
monetarias) de dos laboratorios de anlisis clnicos.
El laboratorio I tiene sus tarifas en soles y el
laboratorio II en dlares Cul de ellos tiene un plan
tarifario ms homogneo o estable?.
99
Laboratorio I (soles)
40,70,60,48,52,65,58
Laboratorio II (dlares)
70,35,150,140,82,110,140,120
Calculamos la media y desviacin estndar por

cada una de los laboratorios
Laboratorio I
n
Xi
i =1
393
= 56.14
7
40
-1 6.1 4
2 60 .5 0
70
1 3.8 6
1 92 .1 0
60
3 .8 6
1 4.9 0
48
-8 .1 4
6 6.2 6
52
-4 .1 4
1 7.1 4
65
8 .8 6
7 8.5 0
58
1 .8 6
3 .4 6
Si (X i x ) = 632.86
2
S=
(X i
i =1
CV =
x )2
n 1
S
100
x
CV =
100
632 .86
= 10 .27
7 1
10.27
100 = 18 . 29
56.14
Laboratorio II
n
Xi
= i=1
847
= 105.87
8
70
-3 5.87
12 86.6 569
35
-7 0.87
50 22.5 569
15 0
44 .13
19 47.4 569
14 0
34 .13
11 64.8 569
82
-2 3.87
56 9.77 69
11 0
4.1 3
17 .056 9
14 0
34 .13
11 64.8 569
12 0
14 .13
19 9.65 69
Si (X i x ) = 11372 .88
n
i =1
S=
CV =
(X i
i =1
n 1
S
100
x
x )2
11372 ,88
= 40 . 30
8 1
CV =
40,30
100 = 30 , 06
105,87
El Laboratorio II presenta una mayor variabilidad en

el plan tarifario.
6.2 MEDIDAS DE ASIMETRIA O SESGO
6.2.1 Coeficiente de Asimetra
Es un indicador del grado de asimetra que presenta
una distribucin.
101
S kp =
3 ( X Md )
S
Valores posibles
3 asimetra
S kp =
+ 3 asimetra
negativa
positiva
Si Skp tiende a 3 la distribucin es asimtrica hacia la

derecha o asimetra positiva.
Si Skp tiende a -3 la distribucin es asimtrica a la
izquierda o asimetra negativa.
En distribuciones simtricas, no existe sesgo, es decir
Skp = 0.
En la prctica, el coeficiente de Asimetra de Pearson
vara entre -1 y +1
6.2.2 Coeficiente de Curtsis
Es una medida del grado de apuntalamiento,
generalmente comparada con el apuntalamiento de la
distribucin normal.
Ku =
0 , 5 ( P0 , 75 P0 , 25 )
P0 , 9 P0 ,1
Valores posibles
a) Leptocrtica (concentracin al centro): Si el grado
de apuntalamiento de una distribucin es mayor que
el de la distribucin normal. K 0,5
102
b) Mesocrtica (distribuidos simtricamente): Si el

grado de apuntalamiento de una distribucin es
igual que el de la distribucin normal. K 0,25
c) Platicrtica
(aplanada).Si
el
grado
de
apuntalamiento de una distribucin es menor que el
de
la
distribucin
normal.
K 0,25
Platicurtica
0,0
Mesocurtica
Leptocrtica
0,25
0,50
Ejemplo:
La tabla muestra la edad (en aos) de 70 pacientes
atendidos en el servicio de emergencia de un
hospital local.
4
3
5
6
7
25
13
2
4
5
67
85
6
7
7
10
12
15
16
17
18
15
16
17
15
13
13
14
20
14
15
15
15
16
17
17
13
14
16
17
11
14
13
10
6
4
8
14
18
20
3
5
7
8
12
15
17
18
20
21
24
26
21
22
17
16
9
9
15
12
103
A) Calcular e interpretar la asimetra de la

distribucin
B) Calcular e interpretar la curtosis de la
distribucin.
Los resultados han sido obtenidos usando Microsoft
Excel
Media aritmetica
Desviacion estandar
Mediana
Cuartil 1
Cuartil 3
Percentil 90
Percentil10
104
14.27
3(14,27 13,50 )
= 0,202
11.42 S kp =
11,42
13.50
7.00
0,5(17,00 7,00)
17.00 Ku = 23,00 4,00 = 0,263
23.00
4.00
CAPTULO
NOCIONES DE
PROBABILIDAD
OBJETIVOS
1.
2.
3.
Aplicar los conceptos de experimento, espacio

muestral y evento.
Discutir los principios para asignar probabilidad.
Utilizar las reglas de probabilidad para plantear y
resolver un problema real.
7.1 IMPORTANCIA DE LAS PROBABILIDADES

Las probabilidades estn presentes en nuestras vidas ms a
menudo de que podramos sospechar. Todos tenemos una
gran intuicin probabilstica.
Por ejemplo, en das lluviosos, fros y con mucha humedad
es alta la probabilidad de coger un resfro. Si ingerimos
alimentos en lugares poco higinicos, en ambulantes es muy
probable que contraigamos una infeccin estomacal.
Cmo es la probabilidad de ganar el premio mayor en
Tinka?. Muy baja, pues hay muchas alternativas en juego.
Pero an sabiendo esto, compramos uno que otro nmero.
La decisin creo yo que es racional.
Si escuchamos una prediccin de 80% que lluvia, y Ud. tiene
planeado un paseo al campo con la familia. Qu hace?. Lo
mas racional es que cancele su paseo y se quede en su
casa viendo en video.
7.2 CONCEPTOS BSICOS
(A) Experimento: Ejecucin voluntaria de un fenmeno.
Se caracteriza por:
Tener varios resultados posibles
Existir incertidumbre sobre el resultado
Ejemplos:
Lanzar una moneda
Seleccionar de un lote un frasco de medicamentos
Extraer una muestra de sangre a una persona
(B) Espacio Muestral: conjunto de todos los resultados
posibles de un experimento. Se simboliza por
(omega).
106
Ejemplos:
Lanzar una moneda
= {cara, sello}
Seleccionar
de
un
lote,
un
medicamentos.
={adecuado, inadecuado}
Extraer una muestra de sangre a una
= {grupo sanguneo}
frasco
de
persona.
Ejemplo:
Se lanzan tres monedas simultneamente. Los ochos
resultados posibles de este experimento pueden
detallarse de manera conveniente mediante un
diagrama de rbol:
Primera
Moneda
Segunda
Moneda
C
C
S
C
S
Tercera
Moneda
C
S
C
S
C
S
C
S
Resultado
Posible
CCC
CCS
CSC
CSS
SCC
SCS
SSC
SSS
={CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}

(C) Suceso: subconjunto del espacio muestral, seleccionado
de acuerdo a una condicin. Se representan por letras
latinas maysculas.
107
Ejemplo:
Se lanzan dos dados. El espacio muestral de este
experimento es:
=
{ (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6) }
Podemos considerar los siguientes sucesos:

A:
la suma de puntajes es 7, es decir

A = {(1,6) (2,5) (3,4) (4,3) (5,2) (6,1)}
B:
la suma de puntajes es 11, es decir

B={(5,6) (6,5)}
C: la suma de puntajes es 7 u 11, es decir

C={(1,6) (2,5) (3,4) (4,3) (5,2) (6,1) (5,6) (6,5)}
7.3 PROBABILIDAD
(A) Concepto: Ponderacin asignada a cada punto muestral
que mide la verosimilitud de su ocurrencia.
(B) Principios para asignar probabilidad:
108
a)
La probabilidad de cada punto muestral debe estar

entre 0 y 1
b)
La suma de las probabilidades de todos los puntos

muestrales deben ser iguales a 1.
0,5
Improbable
Tan probable
como improbable
1
Probable
Ejemplos:
1. Se lanza una moneda
={cara, sello}
P(cara) = 0,5
P(sello) = 0,5
2. Se lanzan 3 monedas
= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
1/8 1/8 1/8 1/8 /8 1/8 1/8
1/8
A: obtener exactamente 2 caras
A = {CCS, CSC, SCC}
1/8 + 1/8 + 1/8
P(A) = 3/8
(C) Conclusiones: De acuerdo a la definicin de
probabilidad de un suceso, y a los dos principios,
tenemos las siguientes conclusiones:
(1) P() = 1
(2) P( ) = 0
(3) P(A) = 1 - P(A)
PROBABILIDADES - EJEMPLOS
1.
Un investigador trabaja con un nuevo frmaco para

insensibilizar a los pacientes frente a picaduras de abejas.
De 200 sujetos sometidos a prueba, 180 presentaron una
109
disminucin en la gravedad de los sntomas tras sufrir una

picadura, despus de ser sometidos al tratamiento.
2.
Un paciente sufre de clculos renales, y no se ha

conseguido mejora alguna a partir de mtodos ordinarios. Su
medico sta plantendose el llevar a cabo una intervencin
quirrgica y debe responder a la siguiente pregunta: Cul
es la probabilidad de que la operacin sea un xito?.
PROBABILIDAD DEL PUNTO ESTADISTICO

Quien emplea la estadstica aplicada prefiere pensar en la
probabilidad como el numero de veces en las que se presentar
determinada situacin si una experiencia fuera repetida
indefinidamente en situaciones de naturaleza repetitiva o que
pudiera concebirse de esa manera
7.4 REGLAS DE PROBABILIDAD
7.4.1 Regla de la Adicin
(A B)
U
P(AUB) = P(A) + P(B) - P(A B)

Ejemplo:
Un cliente ingresa a una farmacia. La probabilidad de
que compre (a) un antibitico es 0,60 (b) analgsico
110
0,50, y c) antibitico y analgsico es 0,30 Cul es la

probabilidad de que compre un antibitico, analgsico
o ambos?.
Datos
P(P) = 0,60
P(L) = 0,50
P
= 0,30
P(PUL) = P(P) + P(L)
P(PUL) = 0,60 + 0,50 - 0,30
P(PUL) = 0,80
Regla de adicin para sucesos mutuamente
excluyentesDos
sucesos
son
mutuamente
excluyentes, si no tienen elementos comunes
P(AUB) = P(A) + P(B)
Si : (A B) =
Por lo tanto : P(A B) = 0
U
U
Ejemplo:
Se extrae una carta de una baraja. Cul es la
probabilidad de que sea un as o un rey?
P(AUR) = P(A) + P(R)

4
P(A) =
52
4
P(R) =
52
4 4
+
52 52
8
=
52
=
111
Ejemplo 1: Se dispone de 11 historias clnicas,

pertenecientes a pacientes masculinos y femeninos
agrupados por su nivel de hemoglobina.
(Masculino)
(Blanca)
Total
A (Anmico)
N (Normal)
11
Estado
Total
a) Cul es la probabilidad de extraer una historia

perteneciente a un paciente anmico?
8
P(A) =
11
b) Cul es la probabilidad de extraer una historia
correspondiente a un paciente anmico y que sea
mujer?
3
P(A I F) =
11
Dado que la historia corresponde a un paciente
anmico, cul es la probabilidad que sea mujer?
P(F
)= 3
8
Derivacin de la frmula:
P (F
)=
P(F I B)
P(A)
Comprobando
P(F
112
) = 811
11
P (F
)= 3
8
Ejemplo 2
Se recolect informacin sobre el peso del recin
nacido y si la madre fum o no durante el embarazo.
Los datos se presentan a continuacin:
CONDICIN
PESO R.N.
TOTAL
DE FUMADORA
BAJO
NORMAL
SI
30
10
40
NO
20
140
160
TOTAL
50
150
200
A. Cul es la probabilidad que el recin nacido tenga

bajo peso?
P(bajo) =
50
= 0,25
200
B. Cul es la probabilidad que una gestante fume?
P(si) =
40
= 0,20
200
C. Cul es la probabilidad que el nio seleccionado

tenga un peso normal?
150
= 0,75
P(normal) =
200
D. Cul es la probabilidad de que un recin nacido
tenga bajo peso o sea normal?
Como son mutuamente excluyentes:
113
P(bajonormal) = P(bajo) + P(normal)

=
50
150
+
200
200
= 1
E. Cul es la probabilidad de que el recin nacido

tenga bajo peso o la madre haya fumado durante el
embarazo?
P(bajosi ) = P(bajo ) + P( si) P(bajoysi )
=
50
40
30
60
+
=
= 0,30
200 200 200 200
Aplicacin
La probabilidad de que el personal administrativo que
labora en una clnica local, llegue tarde el da lunes es
0,50 y la probabilidad de que llegue retrasado los das
lunes y martes es 0,20. Dado que cierto trabajador
lleg tarde el da lunes, cul es la probabilidad de
que llegue tarde el da siguiente?.
P (TM
P(TL ) = 0,50
P(T L I TM ) = 0,20
A partir de
P(A I B)
)
=
A
P(A)
Se despeja
( A)
P( A I B) = P( A) P B
114
) = P(T
M I TL )
P(TL )
7.4.3 Regla de la Multiplicacin
P( B
TL
0,20
= 0,40
0,50
Aplicacin
Se sabe que en un lote de medicamentos de 50
frascos, hay 4 que no estn adecuadamente
empacados (defectuosos). Si se extraen al azar 2
frascos, uno a continuacin del otro, cul es la
probabilidad de que ambos sean defectuosos?.
P(D1 ) =
P(D 2
D1
4
50
)=
P ( D1 I D 2 ) = P ( D1 ) P D 2
3
49
D1
4
3
12
=
50 49 2450
Ejercicio
En una poblacin de pacientes hospitalizados, la
probabilidad de que uno de ellos, elegido
aleatoriamente tenga problemas cardiacos es 0,35. La
probabilidad de que un paciente con problemas
cardiacos sea un fumador es de 0,86. Cul es la
probabilidad de que el paciente elegido al azar de
entre la poblacin sea fumador y tenga problemas
cardiacos?.
Regla
de
la
independientes.
multiplicacin
para
sucesos
Los sucesos A y B se consideran independientes

cuando la ocurrencia de uno no influye sobre la
probabilidad de ocurrencia del otro; esto significa que,
independientemente de que A haya ocurrido o no, la
probabilidad asignada a B es siempre la misma.
P (B
) = P (B)
Cul es la probabilidad de que en una familia con

dos hijos, ambos sean varones?
115
Ejemplo 1:
La Compaa de Seguros JL ha desarrollado un
novedoso seguro mdico familiar. De acuerdo con una
investigacin hecha en el mercado, la probabilidad de
que el producto tenga xito es 0,80 si una compaa
competidora no introduce un plan similar en el
mercado, en tanto que la probabilidad de xito es 0,30
si la empresa competidora lanza al mercado un seguro
similar. Adems, la compaa JL estima que hay una
probabilidad de 0,40 de que la firma competidora
comercialice el producto.
Entonces:
P ( A I B ) = P ( A) P ( B )
Ejemplo
Cul es la probabilidad de que en una familia con
dos hijos, ambos sean varones?
P (V1 ) = 0,5
P (V2 ) = 0,5
P ( V1 I V2 ) = P ( V1 ) P ( V2 )
= (0,5) (0,5)
P ( V1 I V2 ) = 0,25
7.4.4 El teorema de Bayes

Consiste en una particin de la probabilidad total.
116
Ejemplo 1:
La Compaa de Seguros JL ha desarrollado un
novedoso seguro mdico familiar. De acuerdo con una
investigacin hecha en el mercado, la probabilidad de
que el producto tenga xito es 0,80 si una compaa
competidora no introduce un plan similar en el
mercado, en tanto que la probabilidad de xito es 0,30
si la empresa competidora lanza al mercado un seguro
similar. Adems, la compaa JL estima que hay una
probabilidad de 0,40 de que la firma competidora
comercialice el producto.
Dado que el producto de la Compaa JL tuvo xito,
cul es la probabilidad de que la firma competidora
haya comercializado su novedoso plan de seguro?
Solucin:
P(C)
= probabilidad de que
competidora comercialice el producto,
la
compaa
P(C) = probabilidad de que la compaa competidora

no comercialice el producto,
P(E) = probabilidad de que el plan de seguro familiar
de la compaa JL tenga xito.
P. Marginal
=0
P( C )
,40
P(C
) =
0,6
0
P. Condicional
P. Conjunta
P(E/C) = 0,30 P ( C I E) = 0,40 0,30 = 0,12
'
P(E/C) = 0,80 P ( C I E) = 0,60 0,80 = 0,48
P. Total P ( E) = 0,60
Luego, de acuerdo con el Teorema de Bayes

117
P (C
)=
E
P ( C I E)
P ( C I E) + P ( C ' I E)
0 .12
0 .12
=
= 0 .20
0 .12 + 0 .48 0 .60
La probabilidad que la compaa de seguros haya

participado en el mercado, dado que JL tuvo xito es
de 0,20.
Ejemplo 2
El Director de la Clnica Santa Teresa est
considerando comprar un lote de 10000 equipos de
venoclisis de un proveedor nacional. El fabricante de
estos equipos estima la proporcin de equipos
defectuosas en el lote, en la siguiente forma.
Proporcin de
piezas defectuosas ()
Probabilidad
P()
1 = 0,10
P(1) = 0,20
2 = 0,15
P(2) = 0,30
3 = 0,25
P(3) = 0,50
Esto significa que el proveedor no est seguro acerca

de la proporcin de equipos defectuosos en el lote, sin
embargo, basndose en experiencias anteriores, cree
que hay una probabilidad de 0,20 de que el lote tenga
10% de piezas defectuosas, una probabilidad de 0,30
de que tenga 15%. Y finalmente, de 0,50 de que tenga
25% de piezas defectuosas. Supongamos que elige
un equipo de venoclisis al azar en el lote:
118
A) Cul es la
defectuosa?
probabilidad
de
qu
esta
sea
B) Dado que el equipo resulta defectuoso, cul

es
la probabilidad de que el lote tenga 25% de piezas
defectuosas?
P. Condicional
P. Marginal
P(D/1)= 0,10
P ( 1 I D) = 0,20 0,10 = 0,0200
P(
1)
0,
20
1=0,10
P. Conjunta
P(2) = 0,30 =0,15

2
P(D/2)= 0,15
P ( 2 I D) = 0,30 0,15 = 0,045
P(
)=
3
50
0,
P(D/3)= 0,25
3=0,25
P ( 3 I D) = 0,50 0,25 = 0,1250
P ( D) = 0,1900
Respuesta A:
Hay tres maneras posibles de obtener un equipo
defectuosa del lote. Por lo tanto, la probabilidad de
obtener una pieza defectuosa, cualquiera que se la tasa
porcentual de defectuosos 10, 15 25 es:
P( D) = P( 1 I D) + P( 2 I D) + P( 3 I D)
= 0,0200 + 0,0450 + 0,1250

= 0,19
119
Ejercicio B
De acuerdo con el Teorema de Bayes, la probabilidad
de que el lote contenga 25% de piezas defectuosas,
dado que la pieza elegida es defectuosa, es:
P( 3 / D) =
P( 3 I D) 0.1250
=
= 0.6579
P(D)
0.1900
Ejercicio
Un mdico ha decidido recetar dos nuevos
medicamentos a 200 pacientes enfermos del corazn de
la manera siguiente: 50 pacientes tomarn el
medicamento A, otros 50 tomarn el medicamento B y
los otros 100 restantes tomarn ambos medicamentos
El medicamento A reduce la probabilidad de un infarto
en 0,35 , el medicamento B reduce la probabilidad de un
infarto en 0,20 y los dos medicamentos, cuando se les
toma juntos, actan de manera independiente.
Los 200 pacientes fueron escogidos entre los que tenan
0,80 de probabilidad de sufrir un infarto. Si un paciente
elegido al azar sufre un infarto, cul es la probabilidad
de que haya tomado ambos medicamentos?
120
CAPTULO
DISTRIBUCIONES
DE
PROBABILIDADES
OBJETIVOS
1.
2.
3.
4.
Identificar las distribuciones de probabilidad que

ms se utilizan en la toma de decisiones.
Utilizar el concepto de valor esperado para la toma
de decisiones.
Mostrar cul distribucin de probabilidad utilizar, y
como encontrar sus valores.
Comprender las limitaciones de cada una de las
distribuciones que utilice.
8.1 TECNICAS DE CONTEO

Combinacin:
Es una seleccin de objetos con independencia en su
ordenamiento.
Ejemplo:
Un bilogo dispone de 10 plantas para un experimento. Slo
ocho son necesarias para realizarlo. Las ocho plantas
necesariamente son seleccionadas aleatoriamente.
Permutacin:
Es una distribucin de objetos en un orden determinado.
Ejemplo:
El numero del DNI.
PERMUTACIN
Clculo del nmero de permutaciones para n objetos
tomados de x
Pxn =
n!
donde x n
(n x)!
Ejemplo:
Los bilogos estn interesados en el orden en que cuatro
ribonucletidos adenina (A), uracilo (U), guanina (G) y
citosina (C) se combinan para formar una cadena. Cuntas
cadenas formadas por dos nucletidos pueden formarse?
122
4!
4x3x2x1
P =
=
= 12
(4 2)!
2 x1
4
2
Hacer
Hacerun
undiagrama
diagramade
derbol
rbol
para
paraindicar
indicarlas
las12
12cadenas
cadenas
COMBINACIN
Numero de combinaciones de n objetos tomadas de r
C xn =
n!
donde x n
x !( n x ) !
Ejemplo:
Se realiza un estudio para determinar la opinin de los
profesores de la EPUNFV respecto al aborto; si se elige una
muestra de cuatro profesores de un total de 45. Cuntas
muestras distintas pueden seleccionarse
C 445 =
45!
45 x 44 x 43 x 42 x 41! 45 x 44 x 43 x 42
=
=
= 148, 995
4!(45 4)!
4! x 41!
4!
8.2 LAS DISTRIBUCIONES DE PROBABILIDAD

(A) Concepto: Es una distribucin de frecuencias terica
que describe la forma en que se espera que varen los
resultados.
Resultan tiles para realizar inferencias y tomar
decisiones bajo incertidumbre.
Ejemplo:
Se seleccionan en forma consecutivas dos bebes del
servicio de Neonatologa . El nmero de varoncitos ser:
123

N de
Resultados Probabilidad
varones
0
V,V
0,25
1
VM,MV
0,50
2
MM
0,25
Probabilidad
0.50
0.25
(B) TIPOS DE DISTRIBUCIONES

DISCRETAS: La variable toma un nmero
valores. Abarca :
limitado de
- Distribucin binomial
- Distribucin de Poisson
- Distribucin hipergeomtrica
CONTINUAS: La variable puede tomar cualquier valor
dentro de un intervalo dado. Abarca:
- Distribucin normal
- Distribucin normal estndar o Z
- Distribucin t
2
- Distribucin Ji-cuadrada
- Distribucin F
8.3 VARIABLES ALEATORIAS
Una variable es aleatoria si toma diferentes valores como
resultado de un experimento .
Puede ser discreta o continua
Ejemplo: Se lanzan 3 monedas
X : variable aleatoria (ej : nmero de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)
124
Esperanza matemtica : E (X)

Es el promedio de la variable aleatoria, si el experimento se
repite un nmero infinito de veces.
Ejemplo : Se lanzan 3 monedas
1/8
1/8
1/8
1/8
1/8
1/8
1/8
= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
3 caras.
2 caras
P(x) XP(x)
0
1
2
3
1/8
3/8
3/8
1/8
0
3/8
6/8
3/8
1/8
1 cara
( X) =
XP( x )
12
8
= 1,5
12/8
Aplicacin: uso del valor esperado y las prdidas monetarias.

Supongamos que un distribuidor de medicinas muy que
rpidamente se deterioran (vacunas) compra cada cajita a
20 u.m. y las vende a 50 u.m.. No puede especificar el
nmero de cajitas que le solicitarn diariamente, pero
dispone de los siguientes datos:
Ventas
diarias
10
11
12
13
N de das
de venta
15
20
40
25
100
Probabilidad de venta
de cada cantidad
0.15
0.20
0.40
0.25
1.00
Tipo de prdidas
125
(A) Prdidas por mermas (obsolescencia):

oferta > demanda (costo contable)
(B) Prdidas de oportunidad: oferta < demanda
(costo econmico)
Posibles N
de cajitas
pedidas/da
10
11
12
13
Alternativas de oferta
10
11
12
13
0
30
60
90
20
0
30
60
40
20
0
30
60
40
20
0
Clculo de la prdida esperada

Para un stocks de 10 cajitas, la prdida esperada ser:
Posibles N
de cajitas
pedidas/da
10
11
12
13
Probabilidad
Prdida
que se reciban
Condicional
estos pedidos
0
30
60
90
Prdida
esperada
0.00
0.15
6.00
0.20
24.00
0.40
22.50
0.25
Prdida esperada: 52.50
Solucin ptima: analizar otros tamaos de stocks y decidir

por aqul que genere la menor perdida
126
8.4 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

8.4.1 La distribucin binomial
Se utiliza para describir variables discretas.
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de un
procedimiento llamado ensayo de Bernoulli, nombrado
as en honor del matemtico Suizo James Bernoulli
(1654 - 1785)
a) Caractersticas:
El experimento consiste en una serie de ensayos
repetidos.
Cada ensayo slo tiene dos resultados posibles:
xito y fracaso.
La probabilidad de xito, designado por p es la
misma para cada ensayo, la probabilidad de fracaso
q (igual a 1-p) es tambin constante.
1. Los ensayos sucesivos son independientes.
2. Puede ser simtrica o sesgada.
3. La informacin de la muestra se obtiene
con reposicin de una poblacin finita.
b) Frmula
P(X = x) =
n!
p xq n-x
x! (n - x)!
donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
Se aplica a la seleccin de una muestra, slo
cuando el resultado de cada solucin es
127
independiente de los resultados de las selecciones

anteriores.
c) Aplicacin:
Una muestra de 4 frascos se selecciona sin
restitucin de un lote de 5,000 frascos de cierto
laboratorio farmacutico. Suponiendo que 20% de
los frascos de lote no cumplen con las
especificaciones mdicas, cul es la probabilidad
de que la muestra contenga exactamente 2 frascos
malos?
Datos:
n=4
x=2
p = 0,20
q = 0,80
P(X = x ) =
n!
p xq n-x
x! (n - x )!
P(X = 2) =
4!
(0.2 )2 (0.80 )2
2! (4 - 2)!
= 0,1536
Ejercicio
La escasez de glbulos rojos puede determinarse
examinando al microscopio una muestra de sangre.
Suponiendo que un volumen pequeo contenga por
trmino medio 4 glbulos rojos en personas
normales, cul es la probabilidad de que una
muestra de personas normales:
128
contenga exactamente tres glbulos rojos?

Ninguno tenga glbulos rojos?
d) La distribucin
Cierto proceso mdico se repite cuatro veces.
Suponga que existe la probabilidad de 0.50 que el
proceso resulte deficiente. En cuatro repeticiones se
puede obtener 0,1,2,3 4 procesos deficientes. Se
puede calcular la probabilidad de cada uno de estos
posibles resultados mediante la distribucin
binomial.
X
(Nmero de
procesos deficientes)
P(X = x )
4! 1 1
= 116
0!4! 2 2
4! 1 1 4
= 16
1!3! 2 2
4! 1 1
= 6 16
2!2! 2 2
4! 1 1 4
= 16
3!1! 2 2
4! 1 1
= 116
4!0! 2 2
A estos resultados se denomina distribucin de

probabilidad.
e) La media y la desviacin estndar
Consideramos la distribucin del ejemplo anterior
(p = 1/2, n = 4)
X
P(X = x )
0
1/16
1
4/16
2
3
6/16 4/16
4
1/16
129
La media
= XP ( x)
X
P(x)
XP(x)
0
1
2
3
4
1/16
4/16
6/16
4/16
1/16
0
4/16
12/16
12/16
4/16
32/16
32
XP ( x ) = 16
= 2 procesos
Tambin:
= np
= 4( 1 2 ) = 2
Interpretacin: Si seleccionamos 4 procesos mdicos al

azar, se espera encontrar 2 procesos deficientes, si este
experimento se repite un nmero infinito de veces.
La desviacin estndar
(x )
P( x)
P( x )
(x )
(x )2
( x ) 2 P( x)
0
1
2
3
4
1/16
4/16
6/16
4/16
1/16
-2
-1
0
+1
+2
4
1
0
1
4
4/16
4/16
0
4/16
4/16
16/16
2
(X ) P( x) =
= (X ) 2 P( x) =
130
16
16
16
= 1 proceso deficiente
16
Tambin
=
=
npq
4 ( 0,5 )( 0 ,5) = 1
La distribucin binomial (p = 1/2, n = 4) tiene una media

de 2 y una desviacin estndar de 1.
Ejemplo
La Dra. Jimnez, Directora de Control de Calidad de un
gran hospital, se encuentra realizando su revisin
mensual a los procesos de emergencia peditrica. En el
procedimiento, se seleccionan 10 procesos y se les
analiza en busca de deficiencias administrativas. A lo
largo del tiempo,
slo 2% de las emergencias
peditricas
registran
deficiencias
administrativas
(suponga que las deficiencias se presentan de manera
independiente en diferentes procesos).
Cul es la probabilidad de que la muestra del

Dra. Jimnez contenga ms de dos procesos
con deficiencias administrativas?
Cul es la probabilidad de que en ninguno de los
procesos
seleccionados
registre
deficiencia
administrativa?
Ejemplo:
Supngase que en cierta poblacin el 52 por ciento de
todos los nacimientos que se registraron son varones. Si
aleatoriamente se escogen cinco registros de
nacimientos dentro de esa poblacin, cul es la
probabilidad de que exactamente tres de ellos
pertenezcan a varones?.
131

P = 0.52
q = 1 - 0.52 = 0.48
n=5
P(3,5) =
r=3
5!
0.523 0.48(5 3) = 0.32 32%
3!(5 3)!
Uso de Tablas
Solucionando el problema anterior usando la tabla de
probabilidades binomiales
ta bla de proba bilida de s binom ia le s
p
n
0.37
0.38
0.39
0.40
0.41
0.42
0.43
0.44
0.45
0.46
0.47
0.48
0.49
0.50
0.0380
1
2
3
4
5
0.1755
0.3240
0.2990
0.1380
0.0255
4
3
2
1
0
0.63
0.62
0.61
0.60
0.59
0.58
0.57
0.56
0.55
0.54
0.53
0.52
0.51
0.50
La probabilidad de tener 3 inscritos varones de 5

registros realizados es del 0.324 o 32.4%.
8.4.2 Distribucin de Poisson:
Es una distribucin muy usada en medicina y biologa.
Se deriva del proceso de Poisson en honor al
matemtico francs Simeon Denis Poisson (17811840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces (l) que ocurre un
xito por cada unidad de tiempo o de espacio es
constante.
132
La probabilidad de un suceso es una unidad de

tiempo o de espacio muy pequea.Ejemplos de
aplicaciones de Poisson:
Pacientes que llegan a la sala de urgencias de un
hospital durante un cierto da.
Defectos de un rollo de gasa.
Accidentes por hora en cierta parte de una
carretera.
Clientes que llegan a la caja registradora de una
farmacia en un determinado horario.
Si el tamao de la muestra es bastante grande (n>50) y
la probabilidad de un evento particular es muy pequeo
(p < 0,1) y se desea hallar la probabilidad de un nmero
determinado de xitos, se puede aplicar la distribucin
de Poisson, dada por la siguiente ecuacin.
P(X = x ) =
e
x!
donde
(lambda): media = np = variancia

: base de logaritmos naturales =2.71828
x!
Ejemplo:
Supongamos que estamos investigando la seguridad de
una peligrosa interseccin de calles, los registros
policacos indican un media de 5 accidentes mensuales
en esta interseccin. El nmero de accidentes esta
distribuido de acuerdo con una distribucin de Poisson y
el departamento de seguridad vial desea que
calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 accidentes.
133

X = 3 acc/mes
P( x =3) =
= 5 acc/mes
53 2.71835
= 0.14042 14.04%
3!
Uso de Tablas
Solucionando el problema anterior usando la tabla de
distribucin de probabilidades de Poisson:
4 .1
.........
4 .5
..........
4 .9
0 .0 0 6 7
0 .0 3 3 7
0 .0 8 4 2
0 .14 0 4
0 .17 5 5
0 .17 5 5
La probabilidad de tener exactamente 3 accidentes en

un mes cualquiera es 0.1404
Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma una
muestra de 100 llamadas, cul es la probabilidad de
tener 2 nmero equivocado?
Solucin:
p = 0.03
n = 100
=3
134
P(X = 2 ) =
3 2 ( 2.71828) 3
2!
= 02240
La aproximacin de Poisson a la distribucin Binomial

Consideremos una distribucin binomial con p=0.02 y
n = 100. Supongamos que nos interesa calcular la
probabilidad de que X = 3 utilizando la formula binomial,
podemos encontrar la probabilidad exacta de la forma
siguiente:
P(X = 3) =
100!
( 0,02 ) 3 ( 0,98 ) 97
3! 97!
= 0,1823
Los clculos son muy tediosos. Cuando p es pequeo y

n es lo suficientemente grande, la formula binomial
puede aproximarse mediante una distribucin de
Poisson con = np
Luego, utilizando una distribucin de Poisson
encontramos que la probabilidad de que X=3 es:
x e
P(X = 3) =
x!
= np = 100 (0,02) = 2
( 2 ) 3 ( 2 , 71828 ) 2
8
=
= 0 ,1805
3!
6 ( 2 , 71828 ) 2
La respuesta es muy prxima a la encontrada con la

distribucin binomial. La aproximacin se considera
vlida cuando
p 0.05 y n 20
135
8.4.3 La distribucin hipergeomtrica

Se utiliza para describir variables discretas
a) Caractersticas
La informacin de la muestra se obtiene sin
reposicin de una poblacin finita, por lo tanto la
probabilidad de xito vara.
b) FormulaDonde
M N M

k n k
P(X = k ) =
N

n
donde:
M : nmero de xitos en la poblacin
k : nmero de xitos en la muestra
N : tamao de la poblacin
N-M: nmero de fracasos en la poblacin
n : tamao de la muestra
n-k : nmero de fracasos en la muestra
c) Aplicacin
Calcular la probabilidad de obtener 10 tubos
defectuosos en una muestra de 20 tubos de radio
tomados sin reemplazo de un lote de 30 tubos, de lo
cuales 15 son defectuosos.
Datos:
k = 10
n = 20
N= 30
M= 15
15 30 15

10 20 10
P(X = 1 0) =
30

20
=
136
( 3003 )( 3003 )
9018009
=
30045015
30045015
= 0 ,3001
Si errneamente se usa la distribucin binomial con

n = 20 y p =15/30 = 1/2 para calcular la probabilidad
de tener 10 defectuosos, el resultado ser:
P(X = x ) =
=
( )( )
10
10
20!
1
1
2
10! (20 - 10)! 2
184756
= 0 ,1762
1048576
Una probabilidad considerablemente menor que la

probabilidad real.
d) Forma
Puede ser simtrica o sesgada. Cada vez que p =
0.5, la distribucin hipergeomtrica ser simtrica
sin tener en cuenta qu tan grande o pequeo sea
el valor de n; sin embargo, cuando p 0,5 la
distribucin ser sesgada. El grado de sesgo
variar, dependiendo de la proximidad del p a 0,5 y
del tamao de n.
e) La media y la desviacin estndar
La media:
La desviacin estndar:
Donde
np (1 p )
N n
N 1
N n
N 1
137
es un factor de correccin de poblacin finita que se

produce debido al proceso de muestreo sin
reposicin de poblaciones finitas.
9.4 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
9.4.1 La distribucin normal
Tambin conocida como campana de Gauss en honor
al matemtico Karl Gauss ( siglo 19).
Es importante por:
Es muy aplicable para inferencia estadstica
Se ajusta (casi) a las distribuciones de frecuencias
reales observadas.
Se utiliza para describir el comportamiento de una
variable continua.
(a) Caractersticas
Tiene un slo pico (unimodal). Forma acampanada.
La media cae en el centro
La media, media y moda coinciden
Es asinttica al eje horizontal
138
b) Frmula
La funcin de densidad: f(x), para la distribucin
normal tiene la siguiente formula:
donde:
e : constante matemtica: 2.71828
p
:constante matemtica: 3.14159
m : media de la poblacin
s
: desviacin estndar de la poblacin
x
: cualquier valor de la variable aleatoria
continua
Areas debajo de la curva normal
No importa cuales son los valores de m y s, para una
distribucin de probabilidad normal el rea total bajo
la curva es 1.00, de manera que podemos pensar en
reas bajo la curva como si fuesen probabilidades.
Matemticamente es verdad que:
1: Aproximadamente 68% de todos los valores de una
poblacin normalmente distribuida se encuentra
datos 1 desviacin estndar de la
media .
6 8 % d a to s
2: Aproximadamente 95.5% de todos los valores de
una poblacin normalmente distribuida se encuentra
datos 2 desviacin estndar de la media.
139
+ 2
94.6% datos
3: Aproximadamente 99.7% de todos los valores de
una poblacin normalmente distribuida se encuentra
datos 3 desviacin estndar de la media
+ 3
9 9 % d a to s
8.5.2 La distribucin normal estndar (Z)
La distribucin normal tiene diferente y para
calcular probabilidades habra que integrar la funcin
de densidad. Por este motivo se estandariza la
variable.
La estandarizacin es un proceso estadstico que
consiste en restar la media a la variable y el resultado
dividirlo por la desviacin estndar.
140
Z=
La tabla de distribucin normal estndar, es la siguiente:

z
0 .0 0
0 .0 1
0 .0 2
0 .0 3
0 .0 4
0 .0 5
0 .0 6
0 .0 7
0 .0 8
0 .0
0 .1
:
:
1 .1
1 .2
:
:
2 .4
2 .5
:
0 .0 0 0 0
0 .0 3 9 8
:
:
0 .3 6 4 3
0 .4 0 3 2
0 .0 0 4 0
0 .0 4 3 8
:
:
0 .3 6 6 5
0 .4 0 4 9
0 .0 0 8 0
0 .0 4 7 8
:
:
0 .3 6 8 6
0 .4 0 6 6
0 .0 1 2 0
0 .0 5 1 7
:
:
0 .3 7 0 8
0 .4 0 8 2
0 .0 1 6 0
0 .0 5 5 7
:
:
0 .3 7 2 9
0 .4 0 9 9
0 .0 1 9 9
0 .0 5 9 6
:
:
0 .3 7 4 9
0 .4 1 1 5
0 .0 2 3 9
0 .0 6 3 6
:
:
0 .3 7 7 0
0 .4 1 3 1
0 .0 2 7 9
0 .0 6 7 5
:
:
0 .3 7 9 0
0 .4 1 4 7
0 .0 3 1 9
0 .0 7 1 4
:
:
0 .3 8 1 0
0 .4 1 6 2
Cuando Z=1.27 entonces el rea vale: .....
= 2.5
= 10
15
141
Ejercicio:
Un terapista fsico piensa que los puntajes en una
prueba de destreza manual tiene una distribucin
aproximadamente normal, con una media de 10 y una
desviacin estndar de 2,5. Si a un individuo, elegido
aleatoriamente, se le aplica el examen, cul es la
probabilidad de que logre un puntaje de 15 o mas
puntos?.
Obtenemos la siguiente informacin:
= 10
= 2.5
Calculando Z:
z=
= 2.5
15 10
=
=2
2.5
Para Z=2, buscamos en la tabla cual es la

probabilidad (o rea) que le corresponde:
= 10 15
rea = .4772
Como deseamos conocer esta rea:
= 2.5
P ( x 15) = 0.5 0.4772 = 0.0228 2.28%

= 10 15
Cul es la probabilidad de que se logre un pontaje

entre 11 y 14?
Calculando Z:
Cuando x = 11 z =
11 10
= 0.4 A = 0.1554
2.5
Cuando x = 14 z =
14 10
= 1.6 A = 0.4452
2.5
11 14
142
El rea sombreada se encuentra restando del rea

mayor (0.4452) el rea menor (0.1554)
P (11 x 14) = 0.4452 0.1554 = 0.2898 28.98%

Aplicaciones
Una empresa aplica un programa de entrenamiento
diseado para mejorar la habilidades de supervisin en
los diferentes procesos que se desarrollan en un
hospital. Debido a que el programa es autoadministrado,
los supervisores requieren un nmero diferente de horas
para concluirlo Un estudio de los participantes anteriores
indica que el tiempo medio que se lleva completar el
programa es de 500 horas y que esta variable aleatoria
normalmente distribuida tiene una desviacin estndar
de 100 horas.
Pregunta 1. Cul es la probabilidad de que un
participante elegido al azar requiera ms de 500 horas
para completar el programa?
Solucin:
En la figura, podemos ver que la
mitad del rea bajo la curva est
localizada a ambos lados de la
media de 500 horas. Por lo tanto
podemos
deducir
que
la
probabilidad de que la variable
aleatoria tiene un valor mayor a
500 es el rea sombreada, es
decir, 0.5.
P(X>500)=0.5
Pregunta 2:Cul es la probabilidad de que un

supervisor elegido al azar se tome entre 500 y 650
horas para completar el programa de entrenamiento.
143
P(500 X 650)=0.4332
Z=
Z=
Solucin:
La grfica se muestra la
respuesta
como
zona
sombreada, representada por
el rea entre la media (500
horas) y el valor de X, en el
cual estamos interesados
(650 horas). Estandarizando
la variable tenemos un valor
para Z
650 500
= 1.5
100
Si buscamos Z = 1.5 en la tabla, encontraremos una

probabilidad de 0,4332. En consecuencia, la
probabilidad de que un candidato escogido al azar
requiera entre 500 y 650 horas para terminar el
programa de entrenamiento es ligeramente mayor a 0,4
Pregunta 3:Cul es la probabilidad de que un
supervisor elegido al azar se tome ms de 400 horas en
completar el programa?
Solucin:
Estamos interesados en el rea a la derecha de 700.
Estandarizamos
Z=
Z =
144
700 500
=2
100
P(X >700)= 0..0228
Tabla: si Z = 2.0 Area: 0.4772

En consecuencia, la probabilidad mayor a 700 ser
0,5 - 0,4772 = 0,0228
Por lo tanto hay un poco ms de 2 oportunidades en 100
de que un participante elegido al azar se lleve ms de
700 horas en completar el curso.
Pregunta 4:Suponga que el director del programa desea
saber la probabilidad de que un participante escogido al
azar requiera entre 550 y 650 horas para completar el
trabajo requerido en el programa.
Solucin:
Primero calculamos el valor de Z para 650
Z=
650 500
= 1 .5
Z=
100
P(550 X 650)
A
este
valor
le
corresponde un rea
de 0,4332
Despus calculamos un valor de Z para 550
Z=
Z=
550 500
= 0.5
100
Correspondindole un rea de 0,1915
145
Para responde la pregunta debemos

estar restar las reas:
Probabilidad de que la variable aleatoria
est entre la media y 650 horas
0,4332
(-) Probabilidad de que la variable aleatoria

est entre la media y 550 horas
0,1915
(=) Probabilidad de que la variable aleatoria

est 550 y 650 horas
0,2417
As pues, la probabilidad de que un supervisor elegido al

azar se tome entre 550 y 650 horas para completar el
programa de entrenamiento es un poco menor de 1
entre 4
Ejemplo
Supngase que la estancia promedio de internacin en
un hospital es de 5,5 das con una desviacin estndar
de 1,8 das. Si se supone que la duracin de la
internacin se distribuye normalmente, encuentre la
probabilidad de que un paciente seleccionado al azar de
dicho grupo, tenga una duracin de internacin :
de ms de 6 das
entre 4 y 7 das
8.5.3 La distribucin t
a) Caractersticas
Al igual que la normal, tambin es simtrica es algo
ms plana que la distribucin normal hay una
distribucin t para cada tamao de muestra cuando
el tamao de la muestra es mayor a 30, la
146
distribucin t se asemeja tanto a la normal que se

prefiere utilizar sta.
CUANDO UTILIZAR Z o t
SE CONOCE ?
SI
USAR
USAR
NO
es n 30?
SI
NO
USAR
147
TABLA DE DISTRIBUCION t DE STUDENT

d.f. Grados de libertad
d. f . = n 1
d.f.
t .90
t .95
t .975
t .99
t .995
3.08
6.31
12.7
31.8
63.7
1.89
2.92
4.3
6.97
9.92
1.64
2.35
3.18
4.54
5.84
26
1.32
1.71
2.06
2.48
2.78
27
2.31
1.7
2.05
2.47
2.77
28
1.31
1.7
2.05
2.47
2.76
Ejemplo:
n= 28
N.C. = 95%
t=?
:
:
d.f. = 28 - 1 = 27
t = 2,0518
:
:
:
b) Frmula
t=
x
s
n
c) Grados de libertad
Se definen como el nmero de valores que
podemos escoger libremente.
8.5.4 La distribucin Ji-Cuadrada

a) Caractersticas
Es una distribucin asimtrica a la izquierda
Slo considera valores positivos
148
b) Definicin
La distribucin Ji-cuadrada esta definida por
= Z i2
2
i =1
c) Aplicaciones
Las aplicaciones ms importantes estn en la
prueba de bondad de ajuste la prueba de
independencia estadstica
d) Distribucin
8.5.4 La Distribucin F
Caractersticas
Es una distribucin asimtrica a la derecha
Slo tiene valores positivos
Se utiliza para comparar variancias
poblaciones, con distribucin normal
de
dos
149
Frmula
F=
2
S mayor
2
S menor
Existe una familia de distribuciones F.

Cada miembro de la familia est determinado por dos
parmetros: los grados de libertad (gl) en el
numerador y los grados de libertad en el denominador.
El valor de F no puede ser negativo y es una
distribucin continua.
La distribucin F tiene sesgo positivo.
Sus valores varan de 0 a . Con forme F la
curva se aproxima al eje X.
150
CAPTULO
MUESTREO Y
DISTRIBUCIONES
DE MUESTREO
OBJETIVOS
1. Determinar el tamao de una muestra
2. Asegurarse que las muestras que se extraigan sean
representativas de la poblacin de la que provienen
3. Comprender las distribuciones del muestreo
4. Comprender la relacin entre el costo del tomar
muestras ms grandes y la precisin adicional que
esto le proporcione a las decisiones tomadas a
partir de ellas
9.1 IMPORTANCIA DEL MUESTREO

En lugar de levantar un censo completo se realiza un
muestreo, debido a que un censo:
Requiere demasiado tiempo

Es muy costoso
Muy laborioso e ineficiente
9.2 TIPOS DE MUESTREO

A)
MUESTREO NO PROBABILSTICO:
inferencia estadstica.
No
permite
M. de Juicio: Abarca el juicio del experto, opiniones de

especialista
M. de Cuotas: Se decide la estructura del marco
muestral, sin tener en cuenta la estructura del marco
poblacional.
M. de Trozo: La eleccin de los racimos no se hace al
azar.
B) MUESTREO PROBABILSTICO: Permite
inferencia
estadstica. Cada elemento del marco poblacional tiene
una probabilidad conocida diferente de cero de
conformar o ser parte de la muestra.
1.
Muestreo Aleatorio Simple (MAS):

Concepto: Todas las unidades elementales tienen la
misma probabilidad de conformar la muestra. Dicho
de otro modo, significa que cada una de las
posibles muestras de tamao n, tenga a la misma
ser
seleccionada
probabilidad: 1/N CN de
(muestreo sin sustitucin). Es el caso de un sorteo.
152
Tamao de la muestra: Depende de:

La magnitud del mximo error permisible (e) y, el
grado de confianza de que el error en la estimacin
no exceda del mximo error permisible (1- )
A. Para estimar una media poblacional:
Se calcula a partir de la formula siguiente
n =
Z S 2e
A mayor variabilidad de la muestra
s 2e , mayor
varianza. A mayor varianza mayor tamao muestral

representa el error de muestreo, llamado error de
estimacin o precisin de la estimacin. El valor
debe ser asumido por el investigador. En este caso
= ( x)
Para poblaciones finitas (se conoce N), el tamao
final (nf) queda definido por la siguiente relacin
Ejemplo 1:
A fin de conocer el gasto mensual en medicinas por
familia, el Gerente de Marketing de un laboratorio
farmacutico desea determinar el tamao de la
muestra que le proporcione un nivel de confianza de
0,95 (Z = 1,96). Adems conoce por estudios
anteriores que las compras medias por familia eran
de S/. 120 mensuales, con una desviacin estndar
de 30. El Gerente busca un tamao de muestra que
le permita estimar el nivel de gasto con un error de
10.
153
n =
n=
Z S 2e
2
(1,96 )2 (3 0 )2
(1 0 )2
n = 36
Ejemplo 2
En cierta poblacin se 1200 escolares, se desea
estimar el nivel promedio de Hb con 0,95 de
confianza. Al realizar un estudio piloto se encontr
que x = 12,3 y
S = 1,6. Si los investigadores
estn dispuestos a asumir un

Z
N = 1200
Se = 1,6
n=
= 0 ,5
nf =
= 0,5 .Calcular n
= 1,96
n
n
1+
N
Z 2 2 s 2e
(1,96 )2 (1,6 )2
(0,5 )2
= 39,33
39,33
= 38,08 39
39,33
1+
1200
Interpretacin
El nmero mnimo necesario de escolares para
realizar el estudio es de 39, si se desea estimar el
nivel promedio de Hb en la poblacin con una
precisin de 0,5.
154
Ejemplo 3
En cierta poblacin se 1200 escolares, de 9 11
aos se desea estimar el nivel promedio de hierro
srico. Con este fin se va a seleccionar una muestra
probabilistica. Si en un estudio similar se obtuvo
una media aritmtica de 60,6 mg/dl y S = 22,4
mg/dl. Calcular el tamao mnimo de la muestra si
la estimacin del parmetro se va a realizar con
0,95 de confianza y se asume un = 5
= 1,96
n=
N = 1200
Se = 22,4
Z 2 2 s 2e
(1,96 )2 (22,4 )2
(5 )2
= 77,10
= 5
nf =
n
1+
n
N
77,10
= 72,44 73
77,10
1+
1200
Interpretacin :
El nmero mnimo necesario de escolares para
realizar el estudio es 73, si se desea estimar el nivel
promedio de hierro srico en la poblacin con una
precisin 5
B. Para estimar una proporcin poblacional:
n =
Z 2 2 p e q e
155
donde:
pe = proporcin estimada de sujetos con la
caracterstica de inters. Se puede obtener de
revisin bibliogrfica, estudio piloto o asumiendo
pe = qe= 0,50
qe = proporcin estimada de sujetos sin la
caracterstica de inters.
Error absoluto de muestreo o precisin. Debe
ser asumido por el investigador.
= ( p )
Si se conoce N:
nf =
n
1+
n
N
Ejemplo 1:
En una poblacin grande, se desea estimar la
prevalencia de DM con 0,95 de confianza. De la
literatura se sabe que p = 0,10 si se asume un error
muestral de 5%, calcular n
Datos
Z 2 = 1,96
p e = 10 % = 0,10
qe = 90 % = 0,90
= 0,05
156
n =
Z 2 2 p e q e
n =
(1,96 )2 (0 ,1 )(0 ,9 )
(0 ,05 )2
n =
0 ,345744
0 , 0025
= 138 , 3 139
Interpretacin:
Si se desea estimar la prevalencia poblacional con
0,95 de confianza y un de 5% se deber evaluar
139 sujetos.
2. M. Sistemtico: Las unidades elementales son
seleccionadas dentro de un intervalo
(I)
de
igual tamao. Se extrae la muestra de acuerdo
a la lista de pacientes atendidos
I1 I2 I3 I4
X1
3. M. Estratificado: El marco poblacional se divide en
grupos homogneos (estratos); de cada uno se
extrae una submuestra, proporcional al tamao del
estrato. Muestreo por tipo de servicio
4. M. por Conglomerado: El marco poblacional se
encuentra agrupado en conglomerados o racimos
Se selecciona en forma aleatoria, el o los racimos.
Todos los pacientes que ingresaron un determinado
da.
ALEATORIO SIMPLE
SISTEMTICO
PROBABILISTCO
ESTRATIFICADO
POR CONGLOMERADO
MUESTREO
DE JUICIO
NO PROBABILSTICO
DE CUOTAS
DE TROZO
157
El error estndar
Es una medida de dispersin de una distribucin muestral. Es
equivalente a la desviacin estndar.
Desviacin estndar de la
distribucin de medias de muestra
Error estndar
de la media
Desviacin estndar de la
de proporciones
Error estndar distribucin

de muestra de la proporcin
9.2 DISTRIBUCIONES DE MUESTREO

La totalidad de datos de una poblacin, constituye la
distribucin de poblacin original (PO)
PO
X1
X2
X3
.
.
.
XN
Media
Varianza
:x
z=
x-
De la PO se extraen muestras de tamao n. A cada una se

calcula su media. El conjunto de ese total de medias se
denomina poblacin derivada de medias (PDM)
158

PDM
PO
x1
x2
X1
X2
X3
x3
.
.
.
..
XN
Media
xm
x
Varianza
: 2x
x2 =
x
x -
z =
2
n
=
Si se busca comparar dos poblaciones, se deriva de cada

poblacin una poblacin de medias y luego se comparan
PO1
x1
X2
X3
.
Media
PO2
PDM2
PDDM
X1
x1
( x1 x2 )
x2
X2
x2
(x x )
x3
X3
x3
(x x )
.
.
XN
xm
XN
Varianza
PDM1
X1
xm
( )
d = 1 2
12 22
+
n1 n2
( x x ) (1 2 )
z = 1 22
1 2 2
+
n1
n2
x21 x2 =
159
9.3 EL TEOREMA DEL LMITE CENTRAL

Muestra la relacin entre la forma de la distribucin de la
poblacin y la forma de la distribucin de muestro. Se basa
en dos aspectos:
(1) La media de la PDM ser igual a la media de la PO, sin
importar el tamao de la muestra(n) incluso si la poblacin
no es normal
x = x
(2) Al incrementarse el tamao de la muestra, la PDM se
acercar a la normalidad, sin importar la forma de la
distribucin de la poblacin.
El teorema del lmite central nos permite utilizar las
propiedades de la distribucin normal en muchos casos en
los que los datos subyacentes pueden no estar distribuidos
normalmente.
160

Manual de Estadística General PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual de Estadística General PDF

Uploaded by

Copyright:

Available Formats

MANUAL DE

Jorge Crdova Egocheaga

Los derechos intelectuales de esta obra son de propiedad exclusiva de

Comprender los reas de aplicacin de la

Manual de Estadstica General

Las quejas en el Servicio de Emergencia,

Jorge Crdova Egocheaga

Las demoras en la atencin en una clnica o

La implementacin del pensamiento estadstico tiene tres

1.3 LA INVESTIGACIN CIENTFICA

Manual de Estadstica General

C. Informe: Escrito donde se presentan los hallazgos

Jorge Crdova Egocheaga

1.4.3 Definicin del alcance del estudio

Manual de Estadstica General

1.5 PARTES DE UN INFORME FINAL DE INVESTIGACIN

Jorge Crdova Egocheaga

Cundo se RECOLECTAN datos ?

Manual de Estadstica General

Cundo se analizan datos?

Si un DATO es til para tomar decisiones se convierte en

Jorge Crdova Egocheaga

Permiten medir el desempeo en el proceso de produccin

Sexo de las pacientes en el Servicio de Ginecologa

Las constantes no son inters en Estadstica, puesto que ella

Manual de Estadstica General

Cualitativos : Registro de un atributo. Provienen de una

Ejemplo :Estado de salud: sano o enfermo. Sexo de

80% son varones (tasa porcentual).

O politmicas (si tienen ms de 2 categoras)

Cuantitativos : Registro de una caracterstica a travs de

DISCRETA o DISCONTINUA: Cuando la variable slo

CONTINUA : Cuando la variable puede tomar cualquier

Jorge Crdova Egocheaga

1.9 QU SE PUEDE HACER CON LOS DATOS?

Organizarlos en tablas, grficos y figuras

Determinar una ecuacin que represente

Utilizar datos para

Analizarlos dentro de un horizonte

Manual de Estadstica General

1.10 POBLACIN Y MUESTRA

Los mdicos cirujanos del mundo.

MARCO POBLACIONAL(1200 pacientes de un hospital)

Jorge Crdova Egocheaga

Manual de Estadstica General

(75 pacientes de un hospital)

(1200 pacientes de un hospital)

Jorge Crdova Egocheaga

(75 pacientes de un hospital)

1.11 PARMETRO Y ESTIMADOR

V arianza poblacional (sigma cuadrado)

: Desviacin estndar poblacional (sigma)

Manual de Estadstica General

Desviacin estndar muestral.

Coeficiente de correlacin muestral

1.12 ESTADSTICA DESCRIPTIVA E INFERENCIAL

Jorge Crdova Egocheaga

Ejemplos sobre muestra y estimador

Manual de Estadstica General

determinar los factores de riesgo e incidencia de cncer

: Tiempo de tardanza mensual

La unidad elemental : Un trabajador de la clnica

El marco poblacional: Todo el personal que labora en