República Bolivariana de Venezuela

Ministerio de educación superior

UNELLEZ
Barinas Estado Barinas

FUNDAMENTOS
ESTADISTICOS

Bachilleres:
Franyer Guillen 19.069.876
Yeferson Hidalgo 26.821.895
José Castellanos 25.797.672
Yorman Villegas 27.924.824

Barinas, 20-11-2018
 INTRODUCCION

La representación gráfica de los datos permite realizar una descripción visual de

manera general de los datos obtenidos, pero no para el tratamiento matemático para
llevar a cabo un análisis estadístico. Por esta razón los especialistas o expertos en
estadística utilizan las medidas de tendencia central a partir de los datos muestrales
para hacer una imagen mental de los datos y las inferencias acerca de las
características de la población. Existen diversas medidas descriptivas numéricas
que permiten realizar un análisis y descripción de un conjunto de datos que fue
obtenido y organizado previamente. Una de dichas medidas es la medida de
tendencia central, en donde los datos se condensan en un solo valor central
alrededor del cual todos los datos de muestra les distribuyen. Existen diferentes
tipos de medidas de tendencia central las cuales son: media aritmética, mediana,
moda, entre otras.
Los estudios estadísticos permiten hacer inferencias de una característica de una
población a partir de la información contenida en una muestra. Los métodos
numéricos que describen a los conjuntos de observaciones tienen como objetivo dar
una imagen mental de la distribución de frecuencias. Una vez localizado el centro
de la distribución de un conjunto de datos, lo que procede es buscar una medida de
dispersión de los datos. La dispersión o variación es una característica importante
de un conjunto de datos porque intenta dar una idea de cuán esparcidos se
encuentran éstos. Existen diversas medidas de dispersión, algunas de ellas son:
Rango, Desviación media, Desviación estándar y Varianza.
 DESARROLLO
1- MEDIDAS DE TENDENCIA CENTRAL

Según (Chao, 1997), los datos obtenidos pueden condensarse en un solo valor
central alrededor del cual todos los datos muestrales se distribuyen.
Según (Spiegel, 1991), es un valor típico o representativo de un conjunto de datos
que suele situarse hacia el centro del conjunto de datos ordenados por magnitud.

TIPOS DE MEDIDAS DE TENDENCIA CENTRAL

Los tipos más comunes son:

Media aritmética o media
Mediana
Moda
Media geométrica
Media armónica

Cómo calcular la media aritmética

La media aritmética de un conjunto de datos se obtiene sumando los datos y

dividiendo entre el número total de datos.

Por ejemplo, para variables discretas o datos aislados (o no agrupados) como éstss:

Para calcular la media aritmética sumamos todos los valores y los dividimos entre
la cantidad de datos, que es 5:
Cómo calcular la media aritmética en tablas de frecuencias para datos no
agrupados
Vamos a ver ahora cómo calcular la media aritmética utilizando las tablas de
frecuencias. En estos casos, tenemos un número más alto de datos no agrupados
y además, estos datos pueden repetirse.

Podríamos calcular la media sumando todos los valores y dividiendo entre el número
total, pero sería una operación muy larga.

En su lugar, construimos una tabla de frecuencias con los datos, donde añadiremos
una columna para multiplicar cada valor por su frecuencia absoluta.

La media será la suma de cada dato por su frecuencia absoluta, dividida entre el
número de datos:

Vamos a verlo más despacio con un ejemplo.

Tenemos los siguientes datos no agrupados y nos piden calcular la media

aritmética:
Colocamos los datos en la primer columna de la tabla de frecuencias (que explico
cómo construirla en la segunda lección del curso de estadística) y su frecuencia
absoluta en la segunda columna:

Ahora añadimos una tercera columna, donde iremos añadiendo la multiplicación de

cada dato por su frecuencia absoluta:

Para la primera fila sería: 1.3=3

Para la segunda fila: 2.4=8

Y así con todas las filas.

En la última fila, realizamos la suma de toda la columna:

Una vez tenemos esta tabla, aplicamos la fórmula de la media aritmética:

Donde el numerador es igual a la suma de cada elemento por su frecuencia,

que es 42 y lo tenemos calculado en la última fila de la tercera columna y
el denominador el la suma de las frecuencias absolutas, calculada en la última
fila de la segunda columna y que es igual a 15:

Cómo calcular la media aritmética para datos agrupados

Cuando tengamos variables de tipo continuo, expresadas en intervalos, la media
aritmética también la calcularemos con la siguiente fórmula:
Pero en este caso, la x corresponde a la marca de clase de cada intervalo, es decir,
al punto medio de cada intervalo.

Vamos a verlo con un ejemplo:

Tenemos los siguientes datos y nos piden calcular la media aritmética:

Construimos la tabla de frecuencias, determinando previamente el número de

intervalos y contando los valores que pertenecen a cada intervalo para obtener su
frecuencia absoluta. La última fila la dejamos para la suma total:

Añadimos una tercera columna, donde colocaremos la marca de clase de cada

intervalo:
La marca de clase de cada intervalo la obtenemos calculando su punto medio,
dividiendo entre 2 la suma del límite inferior más límite superior:

Por ejemplo, para el primer intervalo sería:

Haciendo lo mismo para el resto de intervalos, la tabla nos queda:

Ahora, añadimos otra columna más, en la que multiplicaremos la marca de clase de
cada intervalo por su frecuencia absoluta:

Añadimos el resultado de cada multiplicación en su fila correspondiente y en la

última fila realizamos la suma de toda la columna:
Ahora ya podemos aplicar la fórmula de la media aritmética:

Donde el numerador es igual a la suma de cada marca de clase por su

frecuencia, que es 169,5, calculado en la última fila de la cuarta columna y
el denominador el la suma de las frecuencias absolutas, calculada en la última
fila de la segunda columna y que es igual a 24:

Cómo calcular la mediana

La mediana de un conjunto ordenado de menor a mayor de datos, es el valor
que está en el medio, es decir, tiene los mismos datos delante que detrás. Si el
número de datos es par y por tanto, no hay ningún valor que se quede en el
medio, la mediana se le asigna el valor medio de los dos datos centrales.
Por ejemplo, vamos a calcular la mediana de los siguientes datos:
En primer lugar, hay que ordenar los datos de menor a mayor, ya que de otra
forma no podríamos saber cuál es la mediana:

Tenemos 7 datos, es decir, un número impar de datos, luego la mediana es el dato

que se queda justo en el medio:

Por tanto, en este caso, la mediana es el 3.

Vamos a ver cómo calcular la mediana si tenemos un número par de datos, como
por ejemplo:

En primer lugar los ordenamos de menor a mayor:

Ahora tenemos 8 datos, luego tenemos que sacar la media de los dos datos
centrales, que en este caso son 2 y 3:

La mediana será el valor medio de estos dos datos centrales:

La mediana es 2,5.
Cómo calcular la mediana en tablas de frecuencias
Si tenemos muchos valores, la mediana la obtenemos ordenando los datos
previamente en una tabla de frecuencias, utilizando la columna de frecuencia
absoluta acumulada.
Por ejemplo, vamos a suponer que a partir de unos datos hemos construido esta
tabla de frecuencias:

Para saber en que posición debe caer la mediana, dividimos el número total de
elementos entre 2, lo cual nos dará la posición que ocupa el punto medio. En este
caso tenemos 25 elementos:

La mediana es el valor, cuya frecuencia absoluta acumulada esté

inmediatamente por encima a la mitad del número de datos.
La mitad del número de datos es 12,5. El valor que tiene una frecuencia absoluta
acumulada inmediatamente por encima es el 3, que tiene una frecuencia absoluta
acumulada de 15:
Por tanto la mediana es 3.

Cómo calcular la mediana en variables cualitativas

La mediana también se puede calcular en las variables cualitativas ordinales (que
se pueden ordenar). En este caso, la mediana la obtenemos también mediante
una tabla de frecuencias, donde tenemos los datos ordenados, utilizando la
columna de frecuencia absoluta acumulada.
Por ejemplo, suponemos que tenemos la siguiente tabla de frecuencias, construida
a partir de variables cualitativas:

Al igual que antes, dividimos el número total de datos entre 2, para saber dónde
está el punto medio:
La mediana es el valor, cuya frecuencia absoluta acumulada esté
inmediatamente por encima a la mitad del número de datos.
La mitad del número de datos es 20. El valor que tiene una frecuencia absoluta
acumulada inmediatamente por encima es “Aprobado”, que tiene una frecuencia
absoluta acumulada de 23:

Por lo que la mediana en este caso es “Aprobado”.

Cómo calcular la moda

La moda es el valor que más veces se repite o, dicho de otra forma, con mayor
frecuencia.
Vamos a verlo con un ejemplo.

¿Cuál es la moda en estos datos?

El valor más repetido es el 1, que se repite tres veces, luego la moda es el 1.

Hay que tener en cuenta que en un conjunto de datos puede haber dos o más
modas.
Por ejemplo, ¿cuál es la moda en este conjunto de datos?
El 1 se repite tres veces y el 3 se repite otras tres veces, luego las modas es 1 y 3.

Cómo calcular la moda en una tabla de frecuencias

Si los datos los tenemos ordenados en una tabla de frecuencias, la moda será aquel
o aquellos valores que tengan mayor frecuencia absoluta.
Por ejemplo, en este caso, las modas son 1 y 5, ya que la frecuencia absoluta de
ambas es 6 y es la mayor de todas las frecuencias:

En el caso de que tengamos variables cualitativas se procede de igual forma, es

decir, la moda será el dato con mayor frecuencia.

Por ejemplo, en este caso, la moda es “Aprobado”, ya que su frecuencia es 15 y es

la mayor:
Cómo calcular la moda en datos agrupados
Si tenemos los datos agrupados en intervalos, la moda será el intervalo con mayor
frecuencia. Por ejemplo, en este caso la moda es el intervalo [7 – 7,5):

2- MEDIDAS DE DISPERSION

Las medidas de dispersión muestran la variabilidad de una distribución, indicándolo

por medio de un número, si las diferentes puntuaciones de una variable están muy
alejadas de la media. Cuanto mayor sea ese valor, mayor será la variabilidad,
cuanto menor sea, más homogénea será a la media. Así se sabe si todos los casos
son parecidos o varían mucho entre ellos.

Rango

También conocido con el nombre de amplitud o recorrido, el rango se define como

la diferencia que existe entre el valor máximo y el valor mínimo de un conjunto de
datos. Es la medida de dispersión más fácil de calcular, y es especialmente útil en
aquellas situaciones en que el objetivo de la investigación sólo consiste en averiguar
el alcance de las variaciones extremas. Por ejemplo, el desempeño del precio de
las acciones en el mercado bursátil se suele reconocer por los rangos, al citar los
precios máximos y mínimos de cada sesión. Es decir, la variación en el precio de
una acción puede medirse obteniendo el rango existente entre los dos valores más
extremos y así interpretar qué tanta volatilidad manifestó la acción en una jornada
o periodo. Si se comparan dos acciones, se puede interpretar que la acción que
tiene mayor variación es aquella que tiene mayor rango.

Ejemplo
Una compañía de seguros desea conocer la variación que existe en las ventas de
sus ocho vendedores y de esa manera determinar la productividad de cada uno de
ellos. Calcula el rango empleando la siguiente información de seguros vendidos
durante un mes: 8, 11, 5, 14, 11, 8, 11, 16. Si se desea hallar el rango de tales
observaciones sólo hay que identificar el valor máximo (16) y el valor mínimo (5) y
obtener la diferencia entre ellos. Rango = Valor máximo – Valor mínimo = 16 – 5 =
11. El rango es 11, lo cual quiere decir que la diferencia entre el número de seguros
vendidos por dos vendedores distintos, el mejor vendedor y el peor vendedor, es de
11, indicando una gran dispersión o variabilidad, ya que sería ilógico que, si un
vendedor logra vender 16 seguros, el otro sólo venda 5 si se trata de los mismos
seguros. Lo anterior puede atribuirse a la experiencia, a la capacitación o a la cartera
de clientes que cada vendedor tiene.

Ventajas y desventajas del rango

La principal ventaja del rango radica en que es la medida de dispersión más fácil de
obtener, pues únicamente se toman los dos valores extremos y se diferencian entre
sí. Además, al medirse la amplitud entre los dos valores más extremos en una serie
de datos, esta medida de dispersión suele ser muy útil cuando se desea conocer
qué tan extremos son los límites máximos y mínimos de una variable; por ejemplo,
las temperaturas de ciertas ciudades del país o la ganancia de las casas de cambio
que se obtienen diferenciando los precios de compra y los precios de venta para
cada divisa. Sin embargo, el hecho de que se tomen en cuenta únicamente los dos
valores más extremos de un conjunto de datos, el rango puede ser una medida de
dispersión que resulta afectada ante la presencia de datos atípicos.
Varianza
Es una medida de variabilidad que toma en cuenta la dispersión que los valores de
los datos tienen respecto a su media. Es decir, aquellos conjuntos de datos que
tengan valores más alejados de la media, sea muestral o poblacional, tendrán una
mayor varianza. Su resultado se expresa en unidades al cuadrado.

Ejemplo
Calcular la varianza de la distribución:

9, 3 , 8, 8 , 9, 8 , 9 , 18

Ejemplo
Calcular la varianza de la distribución de la tabla:

xi fi xi · fi xi² · fi

[1 0, 20 ) 15 1 15 22 5
 [20, 30) 25 8 20 0 50 00

[3 0, 40 ) 35 10 35 0 12 25 0

[4 0, 50 ) 45 9 40 5 18 22 5

[5 0, 60 55 8 44 0 24 20 0

[6 0, 70 ) 65 4 26 0 16 90 0

[7 0, 80 ) 75 2 15 0 11 25 0

42 1 8 20 88 05 0

Desviación estándar

La desviación típica o desviación estándar (denotada con el símbolo σ o s,

dependiendo de la procedencia del conjunto de datos) es una medida de
dispersión para variables de razón (variables cuantitativas o cantidades racionales)
y de intervalo. Se define como la raíz cuadrada de la varianza de la variable.

Para conocer con detalle un conjunto de datos, no solo basta con conocer las
medidas de tendencia central, sino que necesitamos conocer también la desviación
que presentan los datos en su distribución respecto de la media aritmética de dicha
distribución, con objeto de tener una visión de los mismos más acorde con la
realidad al momento de describirlos e interpretarlos para la toma de decisiones

Ejemplos:

Hallar la desviación media, la varianza y la desviación típica de la

serie de números siguientes:

2, 3 , 6, 8 , 11 .
12, 6 , 7, 3 , 15 , 10 , 18, 5 .

2, 3 , 6, 8 , 11 .

Media

Desviación t ípica

12, 6 , 7, 3 , 15 , 10 , 18, 5 .

Media

Desviación t ípica
 3- PLANES DE MUESTREO SIMPLE Y DOBLES

MUESTREO SIMPLE

El plan de muestreo simple es la técnica más sencilla para determinar la

aceptación de un lote, donde éste se somete a una muestra única. Si consideramos
un lote de tamaño N y tomamos una muestra de tamaño n y se define un número
de aceptación c, el lote se acepta si la muestra tiene un número de unidades
defectuosas X menor o igual a c. Si esta condición no se cumple, entonces el lote
se rechaza. El siguiente diagrama describe el procedimiento:

Ejemplo de Muestreo Simple

Consideremos un lote de tamaño de 1.000 unidades sobre el cual queremos realizar

un muestreo simple tomando una muestra de tamaño 80 unidades y definiendo
como número de aceptación 4 unidades, es decir, se aceptará el lote completo si de
la muestra se obtiene un máximo de 4 unidades defectuosas. Si consideramos que
históricamente los lotes de similares características han presentado un 5% de
unidades defectuosas, necesitamos estimar la probabilidad de aceptación del lote.

En la notación descrita anteriormente, el muestreo queda definido

por N=1.000, p=5% y (n,c)=(80,4).
Para estimar la probabilidad de aceptación del lote se puede utilizar la Distribución
de Poisson la cual generalmente se encuentra tabulada en los textos de Gestión
de Calidad o alternativamente se puede estimar de forma sencilla a través de una
planilla de cálculo. Se utiliza generalmente la Distribución de Poisson cuando se
cumplen en forma conjunta los siguientes requisitos: n>15; p<10%; N > 10*n. Es
importante destacar que en cuanto al tamaño de la muestra existe ciertas
diferencias en los criterios, donde se requiere a veces sólo un tamaño de muestra
superior a 12 o 13. Si la muestra es "pequeña" (asumamos un tamaño de muestra
inferior a 15 unidades) se recomienda utilizar para la estimación la Distribución
Binominal.

En nuestro ejemplo se cumplen las condiciones para utilizar la Distribución de

Poisson. Un parámetro de entrada para esta distribución es n*p=80*0,05=4. Luego
buscamos en la tabla el cruce de dicho valor para c=4.

Se concluye que la probabilidad de aceptación del lote es de un 62,9%. Si por

ejemplo el valor de c hubiese sido 3, la probabilidad de aceptación del lote sería
sólo de un 43,3% lo cual es lógico al ser este plan de muestreo más restrictivo. A
continuación, se muestra cómo obtener un resultado similar haciendo uso de Excel
MUESTREO DOBLE

El plan de muestreo doble es la extensión natural del plan de muestreo simple. Se

toma una muestra de n1 unidades y se observan las unidades defectuosas. Si el
número de defectuosos no excede el número de aceptación c1 se acepta el lote. Si
en cambio excede c1 pero no excede c2 se toma una segunda muestra de
tamaño n2 y se contabilizan los defectos acumulados de la primera y segunda
muestra. Si este acumulado de unidades defectuosas no excede c2 se acepta el
lote y en caso contrario se rechaza. Notar que si el número de unidades defectuosas
de la primera muestra es mayor a c2 no es necesario tomar una segunda muestra
y el lote se rechaza inmediatamente. El siguiente diagrama resume el procedimiento
descrito:
Ejemplo de Muestreo Doble

Consideremos un lote de tamaño de N=1.000 unidades sobre el cual queremos

realizar un muestreo doble que tiene las siguientes
características: (n1,c1)=(50,2) y (n2,c2)=(10,4). El porcentaje histórico de unidades
defectuosas en lotes de similares características ha sido de un p=2%. Se desea
estimar la probabilidad de aceptación del lote.

Un paso usual para abordar esta clase de procedimientos es desarrollar un

diagrama que muestre las distintas combinaciones que permiten aceptar un lote
luego de ser expuesto al plan de muestreo. En este caso en particular el diagrama
es el siguiente:
Por ejemplo, si en la primera muestra se encuentran 3 unidades defectuosas se
aplica una segunda muestra de tamaño 10, donde se aceptará el lote si la cantidad
de unidades defectuosas en esta muestra es 0 o 1 (con esto se tiene un acumulado
de defectuosos en ambas muestras menor o igual a c2=4).

Para estimar la probabilidad de aceptación del lote en el caso de la primera muestra

se utiliza la Distribución de Poisson. En el caso de la segunda muestra se utiliza
la Distribución Binominal. Las condiciones que permiten seleccionar dichas
distribuciones se describen en la sección de muestreo simple.

En resumen, la Probabilidad de Aceptación del Lote queda definido por la

siguiente expresión donde Pp se refiere a una probabilidad obtenida a través de la
Distribución de Poisson y Pb una probabilidad obtenida con la Distribución
Binominal:

PA = Pp(0) + Pp(1) + Pp(2) + Pp(3)*[Pb(0) + Pb(1)] + Pp(4)*Pb(0)

Las probabilidades se pueden calcular fácilmente haciendo uso de una planilla de

cálculo. La siguiente imagen muestra las fórmulas utilizadas. Notar que ambos
casos el argumento "Falso" en la fórmula indica que sólo se requiere estimar la
probabilidad puntual y no acumulada.
En consecuencia, la probabilidad de aceptación del lote es:

PA = 0,3679 + 0,3679 + 0,1839 + 0,0613*[0,8171 + 0,1667] + 0,0153*0,8171 =

99,25%

Se concluye que la probabilidad de aceptación del lote es de un 99,25%. Las

probabilidades puntuales calculadas anteriormente se pueden obtener
adicionalmente a través de tablas de probabilidad las cuales usualmente se
encuentran disponibles en la bibliografía asociada a la Gestión de Calidad.

4- PLANES DE MUESTREO LTPD – AOQL

Nivel de Calidad LTPD

• El nivel LTPD: está definido como grado de material que se considera malo.
• Es el nivel al cual el consumidor o receptor no tolerará un incremento en el número
de unidades defectuosas.
• Se espera que lotes con este porcentaje de piezas defectuosas tengan una
probabilidad de aceptación baja.
• La aceptación baja está definida con una probabilidad de aceptación de 10%, lo
cual se define como riesgo del consumidor β.
• El consumidor desea que se minimice el riesgo de que se acepten productos
malos.
• Los niveles típicos de riesgo son:
α=5%Riesgo del productor
β=10%Riesgo del consumidor

Nivel de Calidad AQL

• Nivel aceptable de calidad AQL: Es la clase de material que se considera bueno.
• Cuando se someten a inspección lotes que contienen este porcentaje de defectos
se espera que su aceptación sea relativamente alta.
• Esta “alta” aceptación se establece en 95% (90~99%).
– Para el consumidor es aceptable el nivel AQL.
– El productor se interesa en saber el % de lotes con
nivel AQL que pueden ser rechazados.
– Este riesgo para el productor se denomina α
– Casi todos los planes de muestreo quedan definidos
por el nivel AQL.
• El riesgo del productor α es la probabilidad de que se rechacen lotes que
contienen en realidad menos unidades defectuosas que las especificadas por el
AQL.

Niveles de Calidad AQL y LTPD

• Los niveles de calidad AQL y LPTD dividen el área bajo la
curva en 3 zonas:
– Lotes AQL: lotes con mínimo % de productos
defectuosos que tendrán un % de aceptación 95%.
– Lotes intermedios, entre AQL y LTPD, que tendrán
variadas probabilidades de aceptación.
– Lotes LTPD los cuales tendrán una aceptación
10%.
Calidad Promedio a la Salida (AOQ) - Límite Promedio de Calidad a la Salida
(AOQL)

Es preciso definir previamente en qué consiste un plan de muestreo con

rectificación para entender la relevancia teórica y práctica de la estimación de
la Calidad Promedio a la Salida (AOQ) y el Límite Promedio de Calidad a la
Salida (AOQL).

Los planes de muestreo con rectificación son aquellos donde los lotes
rechazados son inspeccionados completamente, de modo que las unidades
defectuosas sean cambiadas por unidades conformantes. De esta forma se
considera que un lote rechazado luego de la rectificación tendrá un 100% de
unidades conformantes. Se asume ímplicitamente que no existen errores en la
inspección, donde una unidad defectuosa sea clasificada erroneámente por una
unidad conformante. La rectificación permite mejorar significativamente la calidad
de aquellos lotes que en primera instancia fueron rechazados, sin embargo,
aquellos lotes aceptados mantendrán una cierta proporción de unidades
defectuosas que no han sido reemplazadas dado que no ha sido necesario
inspeccionar la totalidad del lote (dada la aceptación del mismo).

En este contexto la Calidad Promedio a la Salida (AOQ) consiste en estimar la

calidad que tendrá en promedio los lotes inspeccionados que tengan una proporción
de unidades (p) que no cumple con las específicaciones. En términos de valor
esperado se obtiene a través de la siguiente fórmula:

AOQ = Pa*p

En forma complementaria al indicador AOQ, usualmente se requiere estimar

el Límite Promedio de Calidad a la Salida (AOQL) que se define como el nivel de
calidad a la entrada (como fracción de unidades defectuosas "p") que tiene asociada
la "peor" calidad luego de la rectificación (salida).

Ejemplo de Cálculo de la Calidad Promedio a la Salida (AOQ) y Límite

Promedio de Calidad a la Salida (AOQL)
Se dispone de lotes de N=5.000 unidades que se someten a un plan de muestreo
simple con rectificación donde se toma una muestra de tamaño n=50 y se define un
número de aceptación c=4. Se estima que el porcentaje histórico de defectuosos en
lotes similares alcanza un 4%. Determine la Calidad Promedio a la Salida (AOQ) y
estime el Límite Promedio de Calidad a la Salida (AOQL) para distintos valores
de calidad a la entrada (p).

El muestreo queda definido por N=5.000, p=4% y (n,c)=(50,4). Para determinar la

probabilidad de aceptación del lote se utiliza la Distribución de Poisson dado que
se satisfacen las condiciones para utilizar dicha distribución (n>15 ; p<10% ; N >
10*n - Ver para más detalles la sección de muestreo simple). La siguiente tabla
muestra el cálculo de AOQ para distintos niveles de calidad a la entrada, por
ejemplo, para una fracción de 4% de unidades defectuosas el plan de muestreo nos
dará una probabilidad de aceptación del lote de un 94,73% y por tanto luego de la
rectificación en promedio los lotes de calidad similar (a la entrada) tendrán a la salida
un 3,79% de unidades defectuosas. En consecuencia AOQ = 0,9473*0,04 = 3,79%.

Siguiendo este procedimiento para distintos valores de p se puede estimar

la Calidad a la Salida (AOQ). Luego, para el valor de p que determina la "peor"
Calidad a la Salida se obtiene el Límite Promedio de Calidad a la Salida (AOQL).
En nuestro ejemplo para una fracción de defectuosos del 7% a la entrada se obtiene
la peor calidad a la salida. Aproximadamente AOQL = 5,08%. El siguiente gráfico
muestra que la calidad promedio a la salida (eje vertical) se alcanza
aproximadamente para un valor de p=7% que corresponde a la calidad a la entrada
(eje horizontal).
 CONCLUSION

Una medida de tendencia central es el valor típico o representativo de un conjunto

de datos que suele situarse hacia el centro del conjunto de datos ordenados por
magnitud. Este valor puede obtenerse para datos agrupados (distribuciones de
frecuencias) o no agrupados (que están ordenados de acuerdo a su magnitud). Las
diferentes medidas de tendencia central que se utilizan son: media aritmética o
media, mediana, moda, media geométrica, media armónica, y unas medidas afines
a la mediana son los percentiles, cuartiles y deciles.

La dispersión indica que tan cercanos o lejanos se encuentran los valores unos de
otros. Dichos valores pueden pertenecer a un conjunto de datos agrupados
(distribuciones de frecuencias) o no agrupados (ordenados de acuerdo a su
magnitud). Las medidas de dispersión que son más comunes son: rango, desviación
media, desviación estándar, varianza. Las medidas de dispersión que utilizan la
media como referencia son: desviación media, desviación estándar, varianza. Las
medidas de dispersión vistas fueron para datos muéstrales.