Distribucin

De
Probabilida
d Normal

UNIVERSIDAD PACCIOLI
DE CRDOBA

LICENCIATURA EN ADMINISTRACIN
DE EMPRESAS
PROYECTO DE CLASE

Estadstica II
JEHU ROJAS GONZLEZ
JESUS SANGUINO MEDINA

LAEMI IV
MTRO. ERNESTO MORAN CABRERA

Presentacin
En este siguiente artculo basaremos nuestro proyecto
en la aplicacin de mtodos estadsticos, en el cual
ocuparemos diferentes tipos de pasos, realizamos un
marco terico en el que se habla de las diferentes
teoras que determinamos investigar que se extrajo del
libro y artculos de fuentes distintas de la Estadstica.
El presente documento nos ocupamos en recolectar
diferentes

conceptos

bsicos

de

la

estadstica,

usaremos palabras claves para identificar los conceptos

ms prcticos. De probabilidad binomial, distribucin
probabilstica

binomial

inferencia

estadstica.

Adjuntamos casos prcticos utilizando los tipos de

frmulas, ampliando con la teora explicativa obtenida,
como para que se utiliza la frecuencia binomial y en
qu casos aplicarla.
Finalizamos nuestra presentacin al explicar y analizar
casos prcticos de probabilidad binomial, distribucin
probabilstica e inferencia estadstica.
Los objetivos de nuestro artculo es ayudar a conocer
ms,

clara y precisa la informacin que empleamos

ayudando con referencias sencillas, en nuestra vida

cotidiana a ser ms eficientes y didcticos.

desenvolvernos en nuestra sociedad a tener ms

capacidad de entendimiento con nuestra realidad.

Al

desarrollar nuestro proyecto

Asemos referencias que este es de gran ayuda a

nuestra carrera y profesionalismo como individuos y
aplicar correctamente los mtodos estadsticos, ya que
la estadstica que rene, recuenta, organiza, tabula los
hechos,

as podemos llegar a una conclusin y as

facilitar nuestros objetivos.

Propsito
Mostrar

los

pasos

correctos

tanto

metodolgicos

prcticos ocupndonos en el anlisis de la distribucin

probabilista normal, dando u mostrando casos prcticos
y sus pasos para elaborar el clculo, siendo de
especificidad dentro del mbito administrativo .

Introduccin
Hoy en da la estadstica ha llegado a tal grado de perfeccionamiento
y especializacin, que casi no existe disciplina cientfica, o tcnica, de
investigacin, control o planificacin, en la cual no se apliquen los
mtodos estadsticos como una herramienta de trabajo valiossima e
insustituible.
El siguiente escrito y fuente de informacin tiene como objetivo la
orientacin estadstica a los problemas que surgen en las empresas y
mediante datos numricos poder tomar las decisiones correctas y as
poder optimizar los recursos y cumplir los objetivos empresariales.
Se presentara de manera clara y precisa teoras y frmulas que
sustentan la prctica estadstica para su desarrollo de manera
elocuente dando a conocer al campo de la teora pero enfocado de
manera prctica en problemas operaciones de la empresa mostrando
resultados correctos y como descripcin se emplearan modelos de
campana o gauss

En el contenido de nuestra tema mostramos el desarrollo de captulos

que facilitaran el entendimiento de la prctica que en segundo acto
presentamos este modelo estadstico de gauss cumple caractersticas
perfectas para la simplificacin a la resolucin de casos presentados
dentro del rea de calidad y produccin
Sin duda este documento le ser prctico al lector para la
comprensin de las distribuciones pirobalsticas continuas (normal)

ndice
Presentacin
Propsito
Introduccin
Marco terico
Distribucin probabilstica normal
Casos
Conclusin
Recomendaciones
Fuentes bibliogrficas

Introduccin De Marco Terico

Esta distribucin es

frecuentemente

utilizada

en

las

aplicaciones estadsticas.
Su propio nombre indica su extendida utilizacin, justificada por la
frecuencia o normalidad con la que los ciertos fenmenos tienden a
parecerse

en

su comportamiento a

Muchas variables aleatorias

esta

continuas

distribucin.
presentan

una funcin de densidad cuya grfica tiene forma de campana.

En otras ocasiones, al considerar distribuciones binomiales, tipo B
(n,p), para un mismo valor de p y de valores de n cada vez mayores,
se ve que sus polgonos de frecuencias se aproximan a una forma en
forma de campana.
Dentro de este tema o apartado nuestro tema central es la
distribucin normal en donde trataremos temas de acuerdo a lo que
convertir una distribucin probabilstica binomial a normal de acuerdo
a mtodos o seguimientos que vamos a presentar al igual que
mencionar aspectos de suma importancia que estos ayudaran al
lector a comprender ms de lo que es la distribucin normal

englobados en un marco terico que se conocer instrumentos

tericos prcticos para la fcil comprensin del tema y una amplia
visin del tema

Contenido Del Marco Terico

Antecedentes histricos
1.1 Distribucin De Probabilidad Binomial
1.2 Campana De Gauss
1.3 Importancia De La Distribucin Normal
1.3 Familias De Distribuciones Normales
1.5 Caractersticas De La Distribucin Normal
2.1 Distribucin Normal A Estndar
2.2 Contrastes De Normalidad
2.3 Uso De Tabla De Distribucin Normal
2.4 Clculos De Probabilidades Normales

2.5 Aplicacin de la distribucin normal en una empresa

Antecedentes histricos
1.1 Distribucin de probabilidad binomial
La distribucin normal naci el 12 de noviembre de 1933, mediante un
pequeo trabajo que public el matemtico francs Abraham De
Moivre (1667 - 1754), como medio de evaluar aproximadamente la
funcin de distribucin Binomial para valores grandes de n. Su
pensamiento fue desde el histograma hasta la curva continua, para
encontrar finalmente la ecuacin de la curva normal. De Moivre fue
expulsado de Francia por ser hugonote y fue a vivir a Inglaterra,
donde daba asesoramiento sobre los juegos de azar. Sin embargo,
los juegos de azar no ganaron nada con el conocimiento de la
distribucin normal y en esa poca no se encontraron aplicaciones
prcticas a esta distribucin, por lo que curva y ecuacin cayeron en
el olvido.
No fue sino hasta finales del siglo XVIII y principios de XIX, en que
apareci un problema prctico que requiri la distribucin normal para
su solucin. Los astrnomos siempre se encontraban ante la difcil
situacin de que los resultados de sus medidas eran diferentes, lo

cual era originado por la imperfeccin de los aparatos que utilizaban.

Sin embargo, tenan que averiguar la forma de encontrar el valor
correcto ms probable ante una gran cantidad de resultados.
Gauss (17771855) introdujo la distribucin normal para la solucin
de este problema, apareciendo su primera referencia impresa en
1809. l observ que la distribucin de frecuencias de los resultados
de las medidas se aproximaba a una distribucin normal, por lo que a
la curva se le llam Curva de Errores de Gauss y a la distribucin
correspondiente se le conoci incorrectamente como Distribucin
Gaussiana.
No obstante que haya sido Gauss quien dio a conocer esta
distribucin, la realidad es que fue Adolphe Lambert Qutelet,
eminente en todos los campos de la ciencia, quien hizo la entrada
triunfal de esta distribucin al mostrar su enorme importancia en la
solucin de una amplia gama de problemas.
Durante el siglo XIX se realizaron diversos intentos tratando
de establecerle a esta distribucin la ley probabilstica base de todas
las variables continuas y debido a esto se utiliz el trmino normal. Al
parecer Qutelet fue el primero que habl de Distribucin Normal.

1.2 Campana de Gauss

Campana de Gauss, es una representacin grfica de la distribucin
normal de un grupo de datos. stos se reparten en valores bajos,
medios y altos, creando un grfico de forma acampanada y simtrica
con respecto a un determinado parmetro. Se conoce como curva o
campana de Gauss o distribucin Normal.

Aunque la campana de Gauss lleva el nombre del genio de las

matemticas Carl Friedrich Gauss , realmente la distribucin normal la
descubri y pblico por primera vez Abraham Moivre (por eso en
algunos libros se llama la distribucin de Moivre Gauss) en un
artculo del ao 1733, que reprodujo en la segunda edicin de su obra
The Doctrine of Chance (1738) como aproximacin de la distribucin
normal para valores grandes de n. Este resultado fue ampliado por
Pierre-Simn de Laplace en su libro Teora analtica de las
probabilidades (1812).
El nombre de Gauss se ha asociado a esta distribucin porque la us
con profusin cuando analizaba datos astronmicos y algunos
autores le atribuyen un descubrimiento independiente del de De
Moivre.
El nombre de "campana" se lo dio Esprit Jouffret que uso este trmino
(bell surface) (superficie campana) por primera vez en 1872.
Ecuaciones
La campana de Gauss est definida por la funcin:

1.3 Importancia de la Distribucin Normal

La distribucin normal o distribucin de Gauss es sin duda la ms
importante y la de ms aplicacin de todas las distribuciones

continuas. Esta distribucin es bastante adecuada para describir la

distribucin de muchos conjuntos de datos que ocurren en la
naturaleza, la industria y la navegacin. As pues para los siguientes
conjuntos de datos, se puede considerar adecuada la distribucin
normal:
- Datos meteorolgicos correspondientes a temperaturas, lluvias,
etc.
- Las clasificaciones correspondientes a pruebas de aptitud.
- Las alturas de individuos de una edad y sexo dado.
- Las medidas fsicas de productos manufacturados.
- La vida media de un tipo de lmparas con un voltaje dado, etc.
Definicin: Diremos que una variable aleatoria X, de tipo continuo,
sigue una distribucin normal de parmetros y si su funcin de
densidad es:

1
f ( x)
e
2
Donde ,

( x )2

2 2

-< x<+

y tales que -<<+

>0. (=3,14159...,

e=2,71828 )
Abreviadamente la indicaremos por XN (,)

Veamos ahora la representacin grfica de la funcin de densidad f(x)

de la N( ,). Para ello veremos que se cumplen las siguientes
propiedades:
1. f(x) es continua en toda la recta real.

2. f(x) es simtrica respecto de x = es decir es simtrica respecto

del parmetro .
3. f(x) tiene como asntota horizontal el eje de abscisas.
4. f(x) es estrictamente creciente cuando x<, y estrictamente
decreciente cuando x>.
5. f(x) presenta un mximo cuando x=, ese mximo vale f()=

1
2
El grfico nos muestra la representacin grfica de la funcin de
densidad, f(x), de una distribucin normal de parmetros y :

Se observa que tiene forma de campana, de aqu que frecuentemente

se le llame campana de Gauss. Tambin se pone de manifiesto que el
parmetro corresponde al mximo y al centro de la distribucin y el

parmetro nos da idea del grado de apertura o aplastamiento de la

curva f(x).

1.4 familias de distribuciones normales.

Veamos pues que la expresin

1
f ( x)
e
2

( x )2
2 2

nos da la

funcin de densidad de una familia de distribuciones normales para

los diferentes valores de los parmetros y . Dentro de esta familia
de distribuciones normales hay una muy importante, que corresponde
a los valores de los parmetros =0 y =1, es decir la distribucin
N(0, 1) y recibe el nombre de distribucin tipificada o estndar, cuya
correspondiente funcin de densidad se obtiene haciendo =0

=1 en la expresin

1
f ( x)
e
2

( x )2
2 2

1.5 caractersticas de la distribucin normal

Las principales caractersticas de esta distribucin son:
1.

La distribucin tiene 2 parmetros: media (m) y desviacin

estndar (s) y queda perfectamente determinada por ellos. Debido a

esto es que la notacin abreviada que se usa para representar la

distribucin es N(m, s)
2.

La moda (el valor ms frecuente), la mediana (el valor central)

y la media tienen el mismo valor.

3.

El rea total bajo la curva y el eje de las x es la unidad.

4.

La curva tiene forma de campana, por lo que se le llama curva

acampanada o campana de Gauss

5.

La distribucin es simtrica respecto a la media, es decir, el

50% del rea est a la izquierda de la media y el otro 50% a la

derecha.
6.

El punto de inflexin de la curva (el punto donde la curva deja

de ser cncava hacia abajo y empieza a ser cncava hacia arriba), se

encuentra a una distancia de una desviacin estndar (+s y -s)
respecto al eje de las y, e invariablemente la tangente en este punto
de inflexin corta al eje de las x a una distancia de 2 desviaciones
estndar (+2s y -2s).
7.

La curva se extiende en ambas direcciones y tiende

gradualmente a unirse al eje de las x (se hace asinttica al eje de las

x), por lo que solamente se juntan en menos infinito (-) y en ms
infinito (+), aunque en la prctica la curva se corta en +4s y -4s.

2.1 distribucin normal o estndar

La distribucin normal con = 0 y =1, N(0,1), se llama distribucin
normal tipificada o distribucin normal estndar y su funcin de
distribucin est tabulada para determinados valores, como se
aprecia en la tabla 1 de la pgina siguiente, ya que, calcular la
probabilidad de que una variable normal tome valores superiores a un

z dado, equivale al clculo de la integral de la funcin de densidad y

esta integral no puede estimarse directamente para valores de z,
entre 0 y 4, por no existir la primitiva.
Siendo la representacin grfica de esta funcin la que se muestra en
la imagen 2.
Para calcular probabilidades en el caso de variables normales, con
media y desviacin tpica , N( , ), se debe transformar la
variable a una variable normal tipificada, N(0,1) el siguientes proceso:

2.3 Contrastes de Normalidad

La verificacin de la hiptesis de normalidad resulta esencial para
poder aplicar muchos de los procedimientos estadsticos que
habitualmente se manejan. Tal y como ya se apuntaba antes, la
simple exploracin visual de los datos observados mediante, por
ejemplo, un histograma o un diagrama de cajas, podr ayudarnos a
decidir si es razonable o no el considerar que proceden de una
caracterstica de
Distribucin normal. Correspondientes a una muestra de 100 mujeres
de las que se determin su peso y edad. Para el caso del peso, la
distribucin se asemeja bastante a la de una normal. P ara la edad,
sin embargo, es claramente asimtrica y diferente de la gaussiana.
Resulta obvio que este tipo de estudio no puede llevarnos sino a
obtener una opinin meramente subjetiva acerca de la posible
distribucin de nuestros datos, y que es necesario disponer de otros
mtodos ms rigurosos para contrastar este tipo de hiptesis.

En primer lugar, deberemos plantearnos el saber si los datos se

distribuyen de una forma simtrica con respecto a su media o
presentan algn grado de asimetra, pues es sta una de las
caractersticas fundamentales de la distribucin de Gauss.
Aunque la simetra de la distribucin pueda valorarse, de modo
simple, atendiendo a algunas medidas descriptivas de la variable en
cuestin8 (comparando, por ejemplo, los valores de media, mediana y
moda), resultar til disponer de algn ndice que nos permita
cuantificar cualquier desviacin.

2.4 Uso de las tablas de distribucin normal

La normal N (0; 1) se encuentra tabulada, para valores a partir de 0 y
hasta 399. Si por ejemplo queremos calcular p (Z 2_78), hemos de
realizar los pasos:
1. Buscar la parte entera y las dcimas en la primera columna (en
este caso 27).
2. Buscar las centsimas en la primera fila (en este caso 8).
3. En el punto comn a la fila y la columna que hemos encontrado,
tenemos la probabilidad buscada, en este caso 09973.
Por tanto p (Z 2_78) = 0_9973.
Si queremos calcular una probabilidad de un valor mayor que 399,
basta fijarse en que las probabilidades correspondientes a valores
tales como 362 y mayores ya valen 09999 (prcticamente 1). Por
eso, para estos valores mayores que 399, diremos que la
probabilidad es aproximadamente
p (Z 5_62) 1

2.5 Clculo de probabilidades en normales N(x; )

Si no tenemos una distribucin N (0; 1), sino una N(x; ) cualquiera,
.como calcular probabilidades,
si no tenemos tabla salvo para N(0;1)?. El siguiente resultado nos da
la respuesta.
Propiedad:
Si X sigue una distribucin N(x; ), entonces la variable Z = X x
Sigue una distribucin N(0,1).
(El paso de la variable X N(x; ) a la Z N (0; 1) se denomina
tipificacin de la variable X).
Ejemplo:
Las estaturas de 600 soldados se distribuyen de acuerdo a una
distribucin normal de media 168 y desviacin tpica 8 cm.Cuantos
soldados miden entre 166 y 170 cm?
Sea X la distribucin de los soldados, X es una N(168,8). Nos piden
p(166 X 170).
Utilizando el resultado anterior, primero restamos x=168 en la
desigualdad:
p (166 X 170) = p(166 168 X 168 170 168) = p(2 X
168 2)
Y ahora dividimos entre = 8, con lo que acabamos de tipificar:
p (166 X 170) = p (2 X 168 2) = p_28 X 1688

Llamando a X 1688= Z, esta ya es normal N (0,1) y se encuentra

en las tablas: p (166 X 170) = p (0_25 Z 0_25) = p (Z 0_25)
p(Z 0_25) = 0.5987
(Pues p (Z 0_25) = p(Z 0_25) = 1 p(Z 0_25) = 1 0_5987 =
0_4013).
Ejercicios: 1) En una distribucin N (22,5), calcula: p(X 27), p(X
27), p(X 125), p (15 X 20), p(17 X 30).
2) Los pesos de 60 soldados siguen una distribucin N (67,5). Calcula
la probabilidad de que el
Peso sea:
a) mayor de 80 kg.
b) 50 kg. o menos
c) menos de 60 kg.
d) 70 kg.
e) Entre 60 y 70 kg inclusive.
Campana de gauss
Campana de Gauss
Como puede apreciarse, la distribucin de frecuencias de esta
variable tiene ciertas caractersticas: es aproximadamente simtrica,
posee una gran cantidad de valores cerca del centro. La media, la
moda y la mediana son prcticamente iguales y los valores extremos,
tanto inferiores como superiores, tienen menor frecuencia de
ocurrencia que los valores centrales. Adems la distribucin es

simtrica, es decir con distribucin de valores superiores a la media

igual a la de valores por debajo de la media.
La distribucin normal de una variable aleatoria Y tiene la siguiente
funcin

de

densidad:

Donde puede asumir valores entre menos infinito e infinito y

puede asumir valores entre cero e infinito. La localizacin del centro
de la campana est dado por el parmetro (tambin conocido como
esperanza de Y) y la mayor o menor amplitud de la campana viene
dada por el parmetro 2 (la varianza de Y en la poblacin).
Como la funcin es simtrica respecto de , sta divide a la grfica en
partes iguales. Est definida para todo R y para valores en la abscisa
que tienden a infinito y a menos infinito, se aproxima al eje horizontal
sin tocarlo (curva asinttica). Como toda funcin de densidad, el rea
comprendida entre el eje de las abscisas y la curva es igual a la
unidad.
La distribucin normal es un modelo de probabilidad y una vez
adoptado el modelo es posible responder a las siguientes preguntas:
-Cul es la probabilidad de que la variable en estudio tome valores
menores a un valor determinado?

Por ejemplo, si la variable es el rendimiento de un cultivar, el

responder a esta pregunta podra indicar la posibilidad de obtener
rendimientos que no justifiquen el costo de produccin.
-Cul es la probabilidad de que la variable en estudio tome valores
mayores a un valor determinado?
Si la variable aleatoria en estudio es la cantidad de semillas de
maleza en el suelo antes de la siembra, el responder a esta pregunta
podra indicar si se necesitar o no aplicar herbicida (este podra ser
el caso de modelacin de una variable aleatoria discreta como si se
tratara de una continua).
-Cul es la probabilidad de que la variable en estudio tome valores
entre 2 valores determinados?
Esta probabilidad es de inters, por ejemplo, al clasificar tubrculos
de papa dado que aquellos con volumen entre 59 cm 3 y 80 cm3 son
considerados de valor comercial.
Podemos tener distribuciones normales con iguales valores de
varianza pero diferentes valores de esperanza. Supongamos que la
produccin de leche diaria de las vacas de un tambo se distribuye
como el modelo normal, con esperanza 25 l y varianza 9 l 2. Si a las
vacas se les da una nueva racin que aumenta en 5 l la produccin
diaria, pero no modifica las varianzas, la funcin de densidad de la
produccin de leche diaria de los animales con la nueva racin tendr
un valor esperado de 30 l

Funciones de densidad normal con la misma varianza pero distintas

medias
(1 = 25 y 2 = 30)
El clculo de probabilidades en variables aleatorias continuas, como
es el caso de las variables con distribucin Normal, puede realizarse
grficamente midiendo el rea bajo la curva de la funcin de densidad
correspondiente al intervalo de valores de inters. En cualquier
distribucin continua si se fijan dos puntos cualesquiera, por ejemplo
y1 y y2, sobre el eje que representa los valores de la variable
(abscisas), la porcin del rea por debajo de la curva que queda
comprendida entre esos dos puntos corresponde a la probabilidad de
que la variable aleatoria se realice entre y1 y y2. Si se llama A a esta
rea, se puede representar simblicamente lo expuesto anteriormente
como:
A = P (y1 Y y2)

La probabilidad que un dato de rendimiento tomado al azar desde la

poblacin est comprendido en el intervalo 50 a 65 qq/ha, est
representada por el rea sombreada en la figura la cual es igual a la
proporcin de la superficie del rea respecto al rea total bajo la curva
(que por ser una funcin de densidad vale 1).
Por ejemplo, si Y es el rendimiento de un hbrido de maz que puede
modelarse con una distribucin normal, con media de 60 qq/ha y
varianza de 49 (qq/ha)2 (esta especificacin suele escribirse de
manera concisa como Y~N(60; 49)).
De esta manera se lee que la probabilidad del evento observar un
rendimiento comprendido entre 50 y 65 qq/ha es de 0,6859. Esta
probabilidad se obtuvo con InfoStat integrando la funcin de densidad
normal (con parmetros media=60 y varianza=49) entre 50 y 65:
Marco terico
Fuentes de informacin

DeGroot, M.H. (1988). Probabilidad y Estadstica. (2 Ed.).

AddisonWesley Iberoamericana. ISBN 0201644053. [2]

Martn Pliego, F.J. (2004).

Introduccin a la Estadstica Econmica y Empresarial. (Ed.)

Thomson. Madrid. [3] Mendenhall, W.; Reinmuth, J.E. (1978).

Estadstica para administracin y economa. (Ed.) Grupo
Editorial Iberoamericana. ISBN 9687270136. [4] Montiel,

A.M.; Rius, F.; Barn F.J. (1997).

Elementos bsicos de Estadstica Econmica y Empresarial.
(2 Ed.) Prentice Hall, Madrid. [5] Pea, D. (2001).

Manufactura Delgada (Lean) y Six Sigma en

empresas mexicanas
El trmino Lean fue acuado por un grupo de estudio del
Massachussets Institute of Technology para analizar en el nivel
mundial los mtodos de manufactura de las empresas de la industria
automotriz. El grupo destac las ventajas de manufactura del mejor
fabricante en su clase (la empresa automotriz japonesa Toyota) y
denomin como Lean Manufacturing al grupo de mtodos que haba
utilizado desde la dcada de los aos sesenta y que posteriormente

se afin en la dcada de los setenta con la participacin de Taiichi

Onho y Shigeo Shingo, con objeto de minimizar el uso de recursos a
travs de la empresa para lograr la satisfaccin del cliente, reflejado
en entregas oportunas de la variedad de productos solicitada y con
tendencia a los cero defectos. El estudio demuestra que la
Manufactura Delgada (Lean) usa menos de cada cosa en la planta,
menos esfuerzo humano, menos inversin en inventarios de
materiales y herramentales, menos espacio y menos horas de
ingeniera para desarrollar un nuevo producto. La metodologa de
Manufactura Delgada (Lean) se ha empezado a utilizar en algunas
empresas de manufactura establecidas en Mxico como una
alternativa para mejorar la productividad y costos por su simplicidad,
ya que utiliza el sentido comn y trabajo en equipo, sin
complicaciones matemticas, as lo revela una encuesta industrial
realizada en abril de 2001 por la revista Manufactura.

En la

Manufactura Delgada (Lean) se ha eliminado el compromiso entre

productividad, inversin, calidad y mezcla o variedad de productos.
Como ejemplos, durante la dcada de los aos ochenta Sony de
Japn introdujo ms de 200 modelos de walk man y la empresa
japonesa Seiko introdujo un reloj por cada da hbil.4 Despus de
comparar y analizar en algunas empresas el sistema tradicional de
manufactura con el de Manufactura Delgada, se encontr que este
ltimo logr reducciones en: 50% o ms del espacio utilizado para
manufactura.
La distancia entre los procesos tuvo una disminucin considerable
30% en promedio del costo de todos los inventarios.

Tiempo de entregas desde el pedido hasta la entrega del producto

terminado en promedio fue del 50%. En promedio del tiempo de ciclo
de manufactura en un 100% del tiempo de preparacin de cambio de
modelo.
Costo del producto en promedio 30%.
Costo de herramentales para un nuevo producto en promedio 30%.
Defectos 50% en promedio Por lo anterior, como se demostr en la
encuesta de la revista Manufactura, mencionada anteriormente, las
empresas de diversos pases estn ahora implantando como
estrategia competitiva los mtodos de la Manufactura Lean en sus
plantas

de

manufactura,

incluyendo

las

plantas

en

Mxico

(subsidiarias y maquiladoras).
Sigma; es una letra griega que simboliza la desviacin estndar, se
utiliza en estadstica aplicada a la produccin como un indicador de la
dispersin o variabilidad esperada de los productos o componentes
producidos en un proceso. Entre mayor sea su valor, indicar que hay
una variacin mayor entre productos o componentes producidos en el
proceso y viceversa. Como analoga, imagnese la variabilidad que
existe entre las estaturas de los habitantes de una ciudad; su sigma
ser mayor que la sigma resultante de tomar slo a los habitantes
masculinos adultos de 30 aos. Con referencia a la figura 1, la
capacidad en nmero de sigmas del proceso se determina por el
nmero de veces que el valor numrico de la desviacin estndar
cabe en la distancia que existe entre la media aritmtica del proceso
si se distribuye en forma normal y el lmite de especificaciones que se
encuentre ms cerca de sta (ya sea el inferior LIE o el lmite superior
LSE). De tablas de valores de la distribucin normal acumulada, un

proceso con capacidad de 3 sigma, tiene 3 sigmas de distancia entre

los lmites de especificacin para una cierta caracterstica y la media
aritmtica del proceso, teniendo una probabilidad de generar 0.27%
de defectos en esa caracterstica; un proceso con capacidad de 4.5
sigma, tiene 4.5 sigmas de distancia entre el lmite de especificacin
ms cercano a la media aritmtica del proceso y la media del proceso
mima, teniendo una probabilidad de generar slo 3.4 defectos por
cada milln de defectos en la caracterstica del producto. En realidad
Motorola, Inc. de Estados Unidos de Amrica, empresa que desarroll
e implant por primera vez esta metodologa, sugiere que si la
produccin a corto plazo (un da o un turno) tiene una capacidad de 6
sigma (con 6 sigmas de distancia entre la media del proceso y cada
uno de los lmites de especificacin), a largo plazo (un mes o ms) la
media del proceso se recorrer mximo 1.5 sigma por diversas
razones de variacin normal en los procesos y la capacidad a largo
plazo quedar en slo 4.5 sigma, siendo la razn por la cual un
proceso con capacidad a corto plazo de 6 sigma (Seis Sigma) en
realidad se comporte como un proceso con capacidad de 4.5 sigma a
largo plazo.31

Fig. 1 Distribucin del proceso centrada (corto plazo) y recorrida 1.5

sigmas (largo plazo). La capacidad en sigmas se mide por la distancia
entre la media del proceso y el lmite de especificacin (LIE o LSE)
ms cercano.

Obviamente este corrimiento entre el corto y largo plazo se debe

considerar slo como una referencia, ya que no ser igual en todos
los casos para las diferentes empresas, por tener procesos diferentes.
Seis Sigma es una metodologa que sirve para reducir la variabilidad
en los procesos, productos y servicios cuyo objetivo es tener mximo
3.4 defectos o errores en cada milln de oportunidades. Una
oportunidad

est

representada

por la

inspeccin

de

alguna

caracterstica del producto, tal como una dimensin o una cualidad

que pudiera ser encontrada fuera de especificaciones y representar

un defecto o error. Para dar idea de lo que significa tener un nivel de

calidad de Seis Sigma, si se tratara de limpiar una alfombra de 1500
pies cuadrados, equivaldra a no limpiar el rea de la cabeza de un
alfiler. La filosofa tradicional de calidad total promueve que se hagan
mejoras continuas por todos los miembros de la empresa; es decir la
responsabilidad de mejorar se asigna a todos los departamentos y
empleados. Seis Sigma se diferencia en que las mejoras se realizan
por equipos especiales con lderes de proyecto contratados
exclusivamente para este fin, quienes hacen una seleccin cuidadosa
de los proyectos que presenten las mejores oportunidades de mejora
y concentrando en estos proyectos los recursos y esfuerzos que sean
necesarios. En algunas empresas, la permanencia en la empresa de
los lderes de proyecto y a veces de los coordinadores a nivel
gerencial, depender del xito de los proyectos.
La metodologa fue desarrollada por Motorola en la dcada de los
aos 1980. El ingeniero Bill Smith estudi y report que si un producto
fallaba durante la produccin y se reparaba, otros defectos quedaban
ocultos y se presentaban cuando el cliente usaba el producto,
ocasionando quejas y reclamaciones. Por otra parte, si el producto no
fallaba durante la produccin, tampoco fallaba con el cliente. ste fue
el fundamento bsico que motiv el desarrollo de procesos muy
capaces que no generaban productos defectuosos, con ayuda de
mtodos estadsticos desarrollados desde la dcada de los aos 1920
y otros mtodos especiales conformados en una metodologa
denominada Six Sigma 32 (Seis Sigma), misma que le permiti a
Motorola obtener reducciones de costo e incremento en utilidades
significativas.33 Lo anterior, aunado a que Motorola gan el premio

Malcolm Baldrige en 1988, atrajo la atencin de otras grandes

corporaciones de los Estados Unidos de Amrica como General
Electric, Allied Signal, Texas Instruments, Sony y Polaroid, las cuales
tambin iniciaron la implantacin de la metodologa de calidad Seis
Sigma en sus organizaciones, logrando en corto tiempo incrementos
significativos en utilidades y de satisfaccin de sus clientes.34
Posteriormente estas empresas han expandido la aplicacin de la
metodologa Seis Sigma hacia sus subsidiarias en otras partes del
mundo incluyendo Mxico. La metodologa Seis Sigma estudia un
problema real apoyndose en mtodos estadsticos, se realizan
anlisis estadsticos para identificar las fuentes de variabilidad, se
identifican estadsticamente las variables que tienen ms influencia en
la variabilidad de los procesos y los niveles en que el desempeo es
ptimo, al final se monitorean las variables crticas y se mantiene el
proceso en control estadstico. Conjuntando la experiencia y
metodologa de implantacin de Seis Sigma publicada por varias
empresas se puede resumir en general en las siguientes siete fases
bsicas: Definicin del proyecto de mejora, Medicin, Anlisis,
Mejoramiento,

Control,

continuacin se detallan.

Estandarizacin

Reconocimiento.

Casos Prcticos

Aun examen de oposicin se han presentado 2,000

aspirantes. La nota media ha sido an 5,5, con una
varianza de 1,5.
a) Tan solo hay 100 plazas. Usted ha obtenido un
7,7. sera oportuno ir organizando una fiesta
para celebrar su xito?
b) Va a ver una segunda oportunidad para el 20%
de notas ms altas que no se hayan clasificados.
a partir de que nota se podr participar en esta
repesca?

M=5,5
N=7,7

7,7
5,5

En promedio los aspirantes que han obtenido un 7,7

tendrn 96,41% de celebrar su xito.
25%

20%

b)
M=5,5
N=20%

1.22

.8235=x-5,5
X=6.32
Aproximadamente las que podran buscar una repesca
son los hayan obtenidos un 6.32 de calificacin.

El consumo medio anual de cerveza de los habitantes

de un pas es de 59 litros, con una varianza de 36, se
supone que se distribuye segn una distribucin
normal.
a) si usted presume de un bebedor, Cuntos litros de
cerveza tendra que beber al ao para pertenecer al 5%
que ms bebe?

.05

.45

M=5
N=5%

1.645=
9.87=x-59

X=68.87
En promedio un bebedor tendr que beber 68.87 litros
de cerveza al ao que pertenece al 5% de la poblacin.
La familia Camp tiene gemelos. Rob y Rachel. Ambos
se graduaron de la universidad hace dos aos y
actualmente cada uno gana $ 50000 anuales. Rachel
trabaja en la industria de las ventas de menudeo,
donde el salario medio de ejecutivos con menos de
cinco aos de experiencia es de $35000, con una
desviacin estndar $8000, Rob es ingeniero. El salario
medio de los ingenieros con menos de cinco aos de
experiencia es de $60000, con una desviacin estndar
de $5000. Calcule los valores z de Rob y Rachel y
comente los resultados.
Datos:
M=35000

N=50000
X=

Z=

Z=

Z=

500000
35000
Datos:
M=60000
N=
X=
Z=

Z=

En promedio Rachel gana

un 96.93 y Rob
un 47.72, pero ambos ganan igual. Pero sus
departamentos ganan diferente
///

/
/

El nmero de espectadores de American Idol tiene una

media de 29 millones con una desviacin estndar de 5
millones. Asuma que esta distribucin sigue una
distribucin normal
Cul es la probabilidad de que el programa de la
prxima semana:
A).- Tenga entre 30 y 34 millones de espectadores?
b).- Tenga cuanto menos 23 millones de espectadores?
c).- Sobrepase los 40 millones de espectadores?
///Datos:
/M=29

N=30 y 34

/X=/
/Z=

Z=
34

30
29

Z=
Z=.3413
/

.0793
.262

La probabilidad que tengan entre el 30 y 34 millones de

espectadores la prxima semana es del 26.2%

b).M=29

N=23
X=

2
29

Z=

Z=
La probabilidad de que tengan cuanto menos del 23
millones de espectadores es del 38.49

c).M=29

//N=40
X=

N=40
29

40

/
//Z=

Z=

La probabilidad de que el programa alcance los 40

millones de espectadores es del 48.61%

Conclusin
Dentro de este temas explicamos la importancia de la estadstica para
el manejo de cada uno de los elementos en lo que se encuentra, la
relacin entre el clculo estadstico y la aplicacin para los manejos
administrativos dentro del rea de produccin y calidad
Una distribucin de probabilidad para una variable aleatoria discreta
es un listado mutuamente excluyente de todos los resultados posibles
para esa variable aleatoria, tal que una probabilidad particular de
ocurrencia est asociada con cada resultado.
El estudio de probabilidades continuas lo presentamos mediante un
grfico en el cual se denomina campana de gauss visualizando el

espacio entre uno y ms valores donde se demuestra la

comprobacin de los factores
El punto medio de una clase (o marca de clase) es el punto a la mitad
de los lmites de cada clase y es representativo de los datos de esa
clase.
La probabilidad es la posibilidad u oportunidad de que suceda un
evento particular. La probabilidad involucrada es una porcin o
fraccin cuyo valor vara entre cero y uno exclusivamente.
Observamos un evento que no tiene posibilidad de ocurrir (es decir, el
evento nulo), tiene una probabilidad de cero, mientras que un evento
que seguramente ocurrir (es decir, el evento cierto), tiene una
probabilidad de uno.
La regla ms evidente para las probabilidades es que deben variar en
valor de 0 a 1. Un evento imposible tiene una probabilidad cero de
ocurrir, y un evento cierto tiene una probabilidad uno de ocurrir. La
probabilidad simple se refiere a la probabilidad de ocurrencia de un
evento simple.
Una distribucin de probabilidad para una variable aleatoria discreta
es un listado mutuamente excluyente de todos los resultados posibles
para esa variable aleatoria, tal que una probabilidad particular de
ocurrencia est asociada con cada resultado.
En estos temas analizamos distribuciones de probabilidad aleatoria
de tipo discreto especficamente continuas.
Es importante saber cmo se comportan los sistemas con el fin de
anticiparnos a posibles problemas. Tenemos que ser precisos en
saber si los valores de sus variables de estos sistemas toman valores

enteros o valores fraccionados de ah la importancia de clasificarlos

como valores discretos o valores continuos
El primero se caracteriza por tomar valores de 0-1 en sus resultados
El hipergeometrico se concluye que es el ms crtico para analizar
porque, se tiene que tomar una decisin a corto plazo debido a que
su curva caracterstica es prolongada al principio factor, que tenemos
que disminuir rpidamente la ltima toma exclusivamente valores
enteros, y esta distribucin se encuentra en la mayora de los
sistemas.
Como

futuros

L.A.E.

el

uso

de

las

probabilidades

en

las

organizaciones ayuda a tener un pronstico y una mayor exactitud

matemtica sin lugar a duda aprender estos mtodos de clculo sern
de gran apoyo para el desempeo como profesionistas en un campo
laboral competitivo

Recomendaciones
Al aplicar cada uno de los mtodos de probabilidades hacerlo de una
manera especfica en el cual demostremos el uso y la aplicacin de
por qu se utilizara como ser de beneficio
Cuando deseamos en algn trabajo de investigacin realizar
inferencias acerca de la media o de la varianza

poblacional de

variables aleatorias continuas o discretas, y adems trabajamos con

estimadores insesgados para los parmetros poblacionales y
tamaos mustrales mayores a 30; en estos casos resulta til utilizar
el mtodo de probabilidades continuas, ya que si bien es cierto

ambos mtodos proporcionan los mismos resultados, el mtodo

mostrado en una campana de gauss se visualiza de una manera fcil
de interpretar y analizar los datos arrogados para su fcil manejo de
la informacin presentada. Si trabajamos con tamaos mustrales
menores a 30 y deseamos que la longitud del intervalo sea pequea
es mejor utilizar la estimacin Jacknife.
Para elegir cada uno de los elementos en lo que se da cada una de
las disciplinas que conlleva realizar los clculos se debe de utilizar
clculos de acuerdo a la necesidad a investigar

Fuentes de informacin
PROBABILIDAD Y ESTADSTICA SPIEGEL, MURRAY
http://bochica.udea.edu.co/~bcalderon/4_relvarianzasnormale
s.html
Cannavos G. Probabilidad y Estadstica Aplicacin y mtodos. Ed.
En espaol Mc
GRAW- HILL/INTERAMERICANA DE MEXICO.1995.
http://www.eumed.net/libros/2006a/rmss/a8.htm
Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y
Ciencias, Quinta Edicin, Thomson Learning.

 Mendenhall, W. (1998). Estadstica para Administradores, Segunda

Edicin, Grupo Editorial Iberoamrica.
Montgomery, D.C. y Runger G.C. (1996). Probabilidad y Estadstica
Aplicadas a la Ingeniera, Primera Edicin, Mc Graw Hill.
Sheaffer, R. L. y McClave, J.T. (1990). Probabilidad y Estadstica
para Ingeniera, Primera Edicin, Grupo Editorial Iberoamrica.
Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum,
Mc Graw Hill.
Walpole, R. E., Myers, R.H., y Myers, S.L. (1998). Probabilidad y
Estadstica para Ingenieros, Sexta Edicin, Prentice Hall.
Weimer, R.C. (1996). Estadstica, Segunda Edicin, CECSA