Libro Virtual de Estadística PDF

LaureateInternationalUniversities
Laestadsticacomo
culturauniversalysu
aplicacinenla
administracindelos
negocios
SemanadelasEstadsticas
Junio21al25de2010
InstitutoProfesionalAIEP,Chile
UniversidadAmericana,CostaRica
UniversidaddelasAmricas,Chile
UniversidadEuropeadeMadrid,Espaa
UniversidadLatina,CostaRica
UniversidadPeruanadeCienciasAplicadas,Per
UniversidaddelValledeMxico,Mxico
La estadstica como cultura universal y su aplicacin en la administracin de los negocios
Junio 2010
INTRODUCCIN
La Estadstica como cultura universal tiene su origen en algunos pensadores e
investigadores de la Universidad de las Amricas (UDLA) de Chile. Como objetivo, se
busca estudiar las formas de aplicacin estadstica para los negocios y su presencia en
planes de estudios universitarios.
Son notorias las dificultades que tienen los estudiantes para asimilar componentes
tericos y prcticos de los diferentes contenidos de la estadstica de manera que les
permita desarrollar las competencias necesarias para su desempeo profesional. Los
niveles de desercin y reprobacin son ms altos en esta materia que en otros cursos, lo
cual se refleja en que que ciertos cursos sean calificados por una Unidad de Calidad
como curso de alto riesgo; principalmente en el caso de la Estadstica descriptiva.
El anlisis de la situacin llev a los autores de este libro a entender que la estadstica tal
como la trabajamos en las aulas universitarias es poco accesible para el estudiante.
Igualmente los profesores carecen de mtodos y tcnicas hbiles, para hacer ms
comprensible y til la estadstica en procesos especficos del campo de los negocios.
Esta situacin gener el desarrollo de una serie de iniciativas para atender la necesidad
de formacin profesional del estudiante y de metodologas para apoyar al profesor al
impartir sus clases. Varias estrategias propuestas para aminorar el problema incluyen
estrategias para poner en prctica programas tales como capacitaciones a profesores,
cuadernos de Ctedra, pginas web, la celebracin de la semana de la estadstica,
reuniones con profesores, visitas al aula y videoconferencias internacionales, entre otros.
Este libro virtual se presenta como resultado de las ponencias presentadas durante la
Semana de las Estadsticas, evento realizado en Costa Rica durante junio del 2010.
Durante el mismo se presentaron videoconferencias de destacados catedrticos de
diferentes pases y campus universitarios de la red internacional Laureate.
ii
Junio 2010
TABLADECONTENIDOS
Herramientas Estadsticas y sus Aplicaciones en la Administracin de los Negocios Una
Necesidad de la Gestin.......................................................................................................1
La Cultura Estadstica y su Influencia en la Administracin y Toma de Decisiones .............4
Tiempos de la Cultura Estadstica ........................................................................................8
Consideraciones sobre la Enseanza y la Cultura Estadstica en Amrica Latina ............12
Modelos Estadsticos Aplicados en la Administracin de Negocios que Generan Ventajas
Competitivas .......................................................................................................................30
Desarrollo Econmico en los Pases de la OCDE y el Entorno de Aprendizaje de la
Estadstica: Un Anlisis Transversal Por Componentes Principales ..................................50
Mantenimiento Centrado en Confiabilidad (RCM) ..............................................................63
Toma de Decisiones Bajo Riesgo: Uso del Complemento PrecisionTree para Microsoft
Office Excel.........................................................................................................................82
Aplicaciones de los Fundamentos Estadsticos al Ambito de los Negocios .......................94
iii
Junio 2010
HERRAMIENTASESTADSTICASYSUSAPLICACIONESENLA
ADMINISTRACINDELOSNEGOCIOSUNANECESIDADDELA
GESTIN
Mario Olgun Scherffing1
ABSTRACT
RESUMEN
La utilizacin de herramientas estadsticas
apropiadas en la Administracin de los
Negocios, est altamente correlacionada
con las necesidades mismas de la gestin.
Esto motiva a realizar una buena seleccin
de apoyo tecnolgico, adecuado y
consecuente con el problema que se desea
resolver con tales elementos.
The use of appropriate statistical tools in

business
administration,
is
highly
correlated with the very needs of
management. This motivates them to
make a good selection of technology
support, appropriate and consistent with
the problem to be resolved with these
elements.
Hoy los softwares presentan estructuras

tradicionales y poco mviles, frente a
variaciones en los anlisis, generando
entonces informes no integrados en la
informacin.
Today, the software presents traditional

and less mobile structures, as opposed to
variations in the analysis, then generating
reports on information are not integrated.
PALABRAS CLAVE:
Estadstica; Software; Administracin;
Decisiones.
KEYWORDS:
Statistics, Software, Management,
Decisions
INTRODUCCION
Si se acepta a la Estadstica con bases suficientes para ser considerada un tipo de
Cultura Universal; entonces, las aplicaciones tecnolgicas deben adaptarse a ello, tanto
en el campo de la Administracin como en cualquier otro. Los avances seran variados,
extensos, enriquecedores y principalmente, tiles. Hoy ms que nunca se requiere de
herramientas integradoras y no sesgadas.
Esta reflexin que se muestra a continuacin, est sustentada en los fundamentos,
ideas y bases propuestas por el autor en su libro (Olgun, 2010), en el cual se entregan
los lineamientos sostenibles para esta nueva idea. En general al cambiar la orientacin en
la visin de la estadstica, esta induce a los procesos de automatizacin en las acciones
de cuantificacin, pero de manera distinta; aumentando sus proyecciones de expansin.
Una de esas expansiones est ligada entonces, a la Administracin y su Gestin.
REFLEXION
MarioOlgunScherffing,UniversidaddelasAmricas,[email protected]
OlgunScherffingHerramientasEstadsticasysusAplicacionesenlaAdministracindelosNegocios
Junio 2010
Seguramente encontraremos muchas definiciones

sobre lo que se entiende por Gestin, como as mismo,
sobre sus aplicaciones y niveles de aplicabilidad, pero en un
lenguaje simple y cotidiano, la entender aqu como el
ordenamiento de acciones varias, que persiguen una vez ya
ordenadas, cierto propsito.
La pregunta entonces es y en particular me refiero al
software-, cul es la herramienta ideal para esta gestin?..
Seguramente tambin, nacern preguntas clsicas para que orienten la eleccin
de un software, como son las siguientes:
Para qu se requiere?
Cul es la ms funcional?
Cul esta menos limitada?
Cul es la relacin costo/beneficio?
Actualmente no podemos desconocer el uso de herramientas en todos los planos

profesionales, es por ello que debemos siempre fomentar su utilizacin desde los inicios,
ya sea a nivel escolar o profesional.
Pero qu debiera tener bsicamente una herramienta estadstica? En general
dada la diversidad de aplicaciones posibles, estas debieran poseer a lo menos, mdulos
capaces de:
Describir, asociar y graficar,

Inferir,
Modelar y
Simular.
En general los softwares en su mayora, tienen involucrados indicadores propios

asociados a cada teora estadstica. Por ejemplo, si se desea realizar correlaciones,
entonces encontraremos el coeficiente de Pearson, Spearman y otros. De manera que el
usuario debe realizar la accin que necesita acudiendo a los comandos o menues
necesario para ello.
Qu ocurre en la vida real entonces, en que queremos analizar una situacin f,
en donde dependa de varias variables:
ANLISIS DE UNA SITUACIN REAL:
f( A, B, C, D, E, .)
Qu herramienta estadstica podra entregar una visin conjunta por ejemplo:

Descriptiva, inferencial, probabilstica, bayesiana y otras de la situacin? Entonces, si esto
es lo que se requiere, quin est realizando esta accin hoy?
Parece que la respuesta est centrada en el especialista que analiza la
informacin, en l recae la responsabilidad de tener los conocimientos y destrezas
suficientes, para poder obtener el mximo partido de dichas herramientas.
Lo anterior motiva la necesidad de contar con herramientas:
Junio 2010
Actualizadas ms en lo funcional que en lo tcnico.

Adaptables en trminos de mdulos combinables.
Que permitan anlisis integrados con otras reas.
Con indicadores desarrollados por equipos multidisciplinarios y,
Que posean Mens, con una visin cultural de la estadstica.
As y todo, siempre la mejor herramienta para la gestin es el

mismo investigador.
REFERENCIAS
La Estadsticaun tipo de Cultura Universal.
El Principio Integrador. Olgun Scherffig
Mario, Edicin en Chile, 2010
Junio 2010
LA CULTURA ESTADSTICA Y SU INFLUENCIA EN LA ADMINISTRACIN

Y TOMA DE DECISIONES
Mario Olgun Scherffig2
ABSTRACT
RESUMEN
La Administracin de los Negocios y la

Toma de Decisiones, est altamente
correlacionada con la idea de salud y de
bienestar en cualquier orden de cosas, es
por esto, que es necesario establecer
mecanismos de mejoramientos y de
nuevos enfoques, que aporten cambios
significativos y aprovechables. Uno de
estos enfoques, es el asociado a una
nueva idea en que se propone a la
Estadstica como una cultura Universal.
Business Administration and Decision

Making, is highly correlated with the idea of
health and welfare in any order of things,
this is why, it is necessary to establish
mechanisms for improvements and new
approaches that provide significant and
profitable changes. One of these
approaches is associated with a new idea
proposed for the statistics as a Universal
Culture.
PALABRAS CLAVE:
Estadstica; Cultura; Administracin;
Decisiones,
KEYWORDS:
Statistics, Culture, Administration,
Decisions
INTRODUCCION
Si se acepta a la Estadstica con bases suficientes para ser considerada un tipo de
Cultura Universal, entonces, los enfoques tanto en el campo de la Administracin y en
cualquier otro, son variados, extensos y enriquecedores. Hoy ms que nunca se requiere
de visiones integradoras y no sesgadas, por lo que un poderoso nexo que persigue este
propsito podra ser especficamente, la Estadstica.
Esta reflexin que se muestra a continuacin, est sustentada en los fundamentos
e ideas bases propuestas por el autor en su libro (Olgun, 2010), en el cual se entregan
los lineamientos sostenibles para esta nueva idea. En general al cambiar la orientacin en
la visin de la estadstica, esta se hace ms rica, ms til, transversal y aumentan sus
proyecciones de expansin. Una de esas expansiones est ligada entonces, a la
Administracin de los Negocios y a las toma de Decisiones.
REFLEXION
Para nadie es un misterio, que administrar negocios y/o tomar buenas decisiones,
est fuertemente correlacionado con: La calidad de vida, la continuidad de las acciones y
MarioOlgunScherffig,UniversidaddeLasAmricas,[email protected]
OlgunScherffingLaCulturaEstadsticaysuInfluenciaenlaAdministracinyTomadeDecisiones
Junio 2010
el inicio de otras, como as mismo, con la idea fundamental de salud y bienestar. De all
la importancia de velar por estos aspectos.
En un resumen muy inicial y bsico entonces, una mala decisin y/o mala
administracin en los negocios, trae consigo enfermedad y mayores consecuencias.
En la vida prctica es de inters atender a la secuencia ordenada en la que se
espera que una buena decisin traiga consigo un buen negocio. Para lo anterior hoy
existen en realidad dos grandes corrientes; una, es apoyarse en la orientacin no
cientfica llamada: la bola de cristal, que permita realizar vaticinios o pronsticos
sustentados en creencias o suposiciones personales, y la otra, es la clsica visin
estadstica.
Esta ltima visin y la ms recurrida, est fuertemente sustentada en principios
temporales, que incluso hace separar sus reas de estudios. Me refiero a la idea, de
describir y de estimar especficamente.
Por ejemplo, es muy utilizada la estrategia de obtener datos del pasado para
predecir el futuro, es decir; antes de un tiempo T cualquiera, nicamente describo, pero
en realidad se interesa proyectar hacia el futuro.
Para lo anterior y en un espritu tambin osado, se realizan modelos proyectivos,

los cuales, pueden ser comentados analizando cada variable y considerando al resto en
forma constante, como son en los modelos clsicos de regresin mltiple; a modo de
ejemplo. Sin embargo, hoy en da ya casi nada es constante y adems, los datos del
pasado casi no tienen validez en un nuevo entorno futurista.
En este pensamiento, tambin no tienen gran utilidad los anlisis posteriores que
puedan realizarse, como herramientas para la toma de decisiones. Hoy en general, el
encargado de tomar decisiones principalmente no tiene:
Datos confiables asociados a un entorno pasado, que difcilmente ocurrir de la

misma manera en el futuro.
Una lnea por donde transitar y en la cual aparecen muchos caminos todos
probables.
Opciones, ni optimismo.
Uno de los clsicos vicios en la toma de decisiones y frente a la adversidad y

temor de correr riesgos, es aceptar las decisiones estadsticas en su totalidad. No quiero
decir con esto que no haya que hacerlo, sino ms bien, en que hay que agregarle otros
aspectos necesarios. Si un gerente por ejemplo, decide comprar o vender, dado que su
modelo de proyeccin le dice que lo haga, no significa decidir, es sencillamente, Hacer lo
que hay que hacer. Decidir entonces en una idea esencial, es: analizar un conjunto
mximo de elementos e interrelacionarlos.
Junio 2010
Por lo tanto, cmo apoyara a esta accin, una visin cultural de la estadstica y
ms que un enfoque tcnico puro?
La observacin muestra que las personas -y que son en definitiva las que toman
las decisiones-, tienen arraigadas culturas llamadas Bases en mayor o menor medida,
por ejemplo, pueden poseer cierta cultura religiosa, poltica, artstica y otras. Bueno
entonces, parece que no es descartable la idea de pensar en que la estadstica podra ser
otro tipo de cultura; pero con un adicional mayor, sera la cultura integradora y trasversal a
todas ellas. Estos elementos detallados en el libro del autor, sustentan entonces, un
nuevo proceder de gestin en la toma de las decisiones.
RELIGIN
ARTE
POLTICA
OTRAS
ESTADSTICA
Para los anlisis en la toma de decisiones, el enfoque prioritario est dado por la
secuencia de informacin que se vaya obteniendo, para finalmente concluir en la decisin
misma. Esta secuencia de pensamiento, la vemos arraigada desde los inicios en la
mallas de las carreras, en los contenidos que se tratan en ellas, en los libros, etc.
1
En particular en la estadstica, es muy comn tratar tpicos en

forma aislada, es decir, indicar ejemplos y explicarlos segn el
captulo que se est desarrollando; sin embargo, si se cambia el
enfoque y en su defecto se coloca una base de datos, por ejemplo
como la siguiente, con variables: A;B;C;D; E y pedimos que se
desarrolle la respuesta, pero integrando los temas a la vez de
regresin, hiptesis, probabilidades, correlaciones u otros. Entonces
tendramos mayores posibilidades de apreciar el fenmeno en su
contexto y muy cercano al cual pudiera ser, sin visiones parciales.
A B C D E
2 3 4 6
2 5 4 6
3 4 6 6
Hoy la gran mayora de las actividades asocian elementos diversos, por lo tanto,
este enfoque se sustenta por s mismo. A la idea anterior, la he llamado: el Principio de
Junio 2010
Integracin Estadstica, el cual, es una consecuencia de considerar a la estadstica como

un tipo de Cultura Universal.
Si se aplicara este principio:
Los que toman las decisiones, pensaran integradamente.

Nuevas lneas de desarrollo en las forma de tomar las decisiones, apareceran.
Las escuelas de negocios integraran otras reas en las decisiones, basadas en
estadsticas.
Se incrementaran los grupos de trabajos multidisciplinarios, para las decisiones.
La enseanza se orientara al trabajo colaborativo.
La Funcin Integradora
El mundo cuantitativo matemtico, representa a veces al concepto de agrupacin,
adicin o cuantificacin total en cierta medida, por medio de la siguiente operacin o
procedimiento llamado Integral.
Sin embargo, lo que me permito presentar aqu y diferenciar, es una funcin

integradora del tipo conceptual y simbolizada de la siguiente manera:
Donde en su vertical aparece una letra i curva, indicando que esta funcin
integradora estadstica puede adecuarse a su entorno, el integrando Ci son las distintas
culturas involucradas en el anlisis y el lmite inferior inicia desde el nmero 2, dado que
la estadstica ya est involucrada. Esta funcin integradora, se hace ms compleja a
medida que aumenta el N, o en otras palabras, se involucran ms culturas y el autor la
ha llamado la Integral de Olguin.
En resumen, las buenas decisiones y las mejoras
negocios, podran concurrir cuando:
en la administracin de
Se considera a la estadstica, como un tipo de cultura universal.

Se aplica el principio de integracin en las decisiones.
La administracin de los negocios, est sustentada en decisiones integradas.
Se utiliza a la Funcin Integradora, como indicador de la complejidad de la
decisin.
REFERENCIAS
1: La Estadsticaun tipo de Cultura

Universal. El Principio Integrador. Olgun
Scherffig Mario, Edicin en Chile, 2010
Junio 2010
TIEMPOS DE LA CULTURA ESTADSTICA

Luis Valverde3
ABSTRACT
RESUMEN
Ante la cantidad de informacin que recibe
y comparte un individuo promedio en el
medio en que se desenvuelve, hace que se
requiera
de
conocimientos
bsicos
estadsticos para: interpretarla, comunicarla
y utilizarla. Todo esto conlleva a plantear
una cultura estadstica base necesaria. Lo
expuesto, no significa que, con los pocos
cursos que se ofrecen al profesional
promedio, se requiera hacer un aprendiz
estadstico; sino ms bien, se trata de
ofrecer los conocimientos bsicos para
realizar las tres actividades expuestas. Es
necesario enmarcar la diferencia entre
hacer, ensear y aplicar la estadstica, pues
el mtodo, los contenidos y objetivos son
diferentes.
Given the amount of information that an

average individual receives and shares in
the environment in which he/she
operates, basic statistical knowledge is
required to interpret, communicate and
use this data. All of this leads to propose
a basic statistical literacy. This does not
mean that, in a few courses that an
average professional usually takes in this
subject matter, a statistical learner will be
born, but rather, it seeks to provide basic
knowledge to perform the three activities
previously outlined. It is necessary to
clarify the difference between doing,
teaching and applying statistics since
each of them has a different method,
contents and objectives.
PALABRAS CLAVES: estadstica, cultura,

mtodo, enseanza y aplicacin
KEYWORDS: statistics, culture, methods,

statistics education, applied statistics
LA CULTURA ESTADSTICA
Interpretar la realidad y reconocer la necesidad
Tener el conocimiento estadstico como un conocimiento base en toda profesin,
no solo conlleva a capacitar para leer e interpretar la realidad expresada en datos, sino
que tambin, debe preparar para la toma de decisiones y el reconocimiento de la
necesidad de la estadstica, para resolver situaciones afines a nuestra especializacin y
justificarlas en el medio.
a. El mtodo de la estadstica
Importante citar que la estadstica (inferencial) nace con el error, minimizarlo es el
objetivo de la disciplina y su aplicacin. Al suponer , la inferencia, una incertidumbre
probabilstica, hace que dentro de los tres clsicos mtodos de razonamiento (deduccin,
LuisValverde.UniversidadAmericana,[email protected]
ValverdeTiemposdelaCulturaEstadstica
Junio 2010
induccin y analoga), sea esta disciplina, la que involucre en una forma especial el
razonamiento por analoga: relacin, muestra y poblacin. No en vano, se cita cada vez
ms en artculos especializados, al igual que razonamiento matemtico, la expresin de
razonamiento estadstico, para caracterizar una manera particular de razonar.
DIFERENCIAR ENTRE CULTURA ESTADSTICA GENERAL Y CULTURA
ESTADSTICA PROFESIONAL
La primera, establece un conocimiento base interpretativo, que permite al
ciudadano promedio (educacin general bsica), interpretar los datos del medio donde se
desenvuelve. El segundo, exige un conocimiento ms especializado para poder estar al
da en el campo profesional, leer investigaciones especializadas y poder generar y
justificar sus propias investigaciones trabajando en equipo, de ser necesario, con un
analista de datos profesional.
HACERESTADISTICA
Requierebienestablecidas,basesmatemticas:clculo,probabilidades,
matemticasdiscretasycontinasentreotras.Porende,elmtodoesel
mismodelasmatemticas,basadoenladeduccin.comorazonamiento.
APLICARLAESTADISTICA
Excelenteconocimientoeinterpretacindelaestadstica,respaldadoporun
buensustentoterico.Msinterpretacinquedesarrollo.Unmanejode
softwareespecializado.Elmtodoparaelanalista,esmuymetdico:trabajo
conmuestras.Muchoanlisisdedatosydesarrollodelolfatoestadstico.
ENSEARLAESTADISTICA
Transmitirunaculturaestadstica(generaloprofesional).Debeimplicar,una
didcticadeenseanza.Cambioennivelcultural:cadavezmscreceel
conocimientobasegeneral:correlacin,niveldeconfianza,etc.
Figura 1: Hacer estadstica, aplicar la estadstica, ensear la estadstica: tres objetivos y tres
metodologasdiferentes
El usuario de la estadstica
El profesional no especializado, requiere del conocimiento estadstico para poder
interpretar y participar de la investigacin especializada (medicina, economa,
biodiversidad, etc.), como requisito para ejercer y participar del conocimiento cientfico,
dejando el clculo e interpretacin final en manos del analista de datos. Un usuario de
la estadstica, debe tener el conocimiento y cultura suficiente, en temas como muestreo;
para no tomarlo a la ligera y dejarlo en manos del experto, dado lo que significa esto
dentro de un estudio o investigacin.
Junio 2010
ANLISIS EXPLORATORIO DE DATOS

Un nuevo enfoque de ver y presentar el anlisis de datos (Tukey-1962).
representacin o el clculo no son, en el anlisis exploratorio de datos, un fin, sino,
medio de descubrir la informacin requerida de los mismos. Es as como los grficos
sustituyen la informacin (datos), sino ms bien enriquecen el anlisis y, con ello,
genera ms propuestas y anlisis conjunto. Un ejemplo ilustra lo expuesto:
La
un
no
se
PesoenKg.
Varones
Mujeres
556470747570
604546504755
649360627080
495250465052
616062686565
524852635354
666870727271
545453555744
565656536065
676168556460
AnlisisClsicooconfirmatorio
AnlisisExploratoriodedatos(Tukey1962)
HOMBRES
HOJA
Pesosegngnero
Hombres
Mujeres
5
886554422100
542210000
0
3
40%
60%
TALLO
MUJERES
HOJA
4 4566789
5 00022223334445556667
6 000134578
7
8
9
USO Y ABUSO DE LA ESTADSTICA

Un referente que marc este sentir, fue la publicacin del clsico Cmo mentir
con Estadstica (Darrell Huff 1965), que enfatizaba el marcado inters de algunos por
maquillar la informacin, para satisfacer resultados previamente establecidos. Parte de
la cultura estadstica debe establecer claramente, el conocimiento base para discernir
situaciones en este sentido.
Los test estadsticos
A partir del auge de los test estadsticos, (Fisher, Neyman y Pearson, 1930) no
pocos investigadores consideran que se abusa del uso de dichos test en la
investigacin:
Los cientficos dedican demasiada atencin al resultado de sus contrastes,
olvidndose la magnitud de los efectos que investigan. Yates (1951)
10
Junio 2010
La combinacin de ciertos datos y un deseo doloroso de una respuesta, no

asegura que una respuesta razonable se puede extraer del cuerpo de datos dado.
J.Tukey (1986)
Fantasas de la Significancia Estadstica Carver (1978):
1. pes visto, como la probabilidad de que los resultados obtenidos se debieron a la
casualidad.
2. 1 p es considerada, como la probabilidad de obtener el mismo resultado si el
experimento se repite.
3. p es tratado, como la probabilidad de que la hiptesis nula es cierta.
Sin duda,
debemos educar a nuestros estudiantes a leer e interpretar
adecuadamente la letra menuda:
Leerlaletramenuda
Nopara
nada!!
Sufre
problemaspor
elfumado?
RESULTADO DEESTUDIO
El98%delas200personasfumadoras
entrevistadasdicen notenerproblemasconel
fumado*
* Realizado en jvenes entre15y17aos.
11
Junio 2010
CONSIDERACIONES SOBRE LA ENSEANZA Y LA CULTURA

ESTADSTICA EN AMRICA LATINA
Carlos Arajo4
ABSTRACT
RESUMEN
Mejoras en el aprendizaje de la
estadstica dependen de las estrategias
de enseanza de esta disciplina, que se
ha visto afectado por la confusin
generada por las mltiples "definiciones"
de Estadstica (algunas muy generales y
otras contradictorias). Esta confusin
hace ineficaces los esfuerzos por mejorar
la Educacin Estadstica en Amrica
Latina.
Para ilustrar esto, este documento
presenta las situaciones reales que
muestran un claro desconocimiento sobre
aspectos elementales de estadstica, no
slo por el pueblo en general, sino
tambin por las personas que trabajan en
el mbito universitario y en el mundo
poltico.
En este documento se presenta una
propuesta de caracterizacin de esta
disciplina. En base a esto, algunas
acciones que se debieran llevarse a cabo
por
asociaciones
nacionales
e
internacionales tambin se sugieren con
el fin de apoyar la mejora de la
enseanza de la Estadstica y la
enseanza de la estadstica.
PALABRAS CLAVES: anlisis de
datos, caracterizacin estadstica,

error inferencial , estadstica
descriptiva, inferencia inductiva
The improvement of Statistical Education

depends on the teaching of this discipline
which has been affected by the confusion
generated by the multiple "definitions" of
Statistic (some very general ones and
other contradictory ones). This confusion
makes inefficient the efforts to improve
the Statistical Education in Latin America.
To illustrate this, this document presents
actual situations that show a clear
ignorance about elementary aspects in
Statistic, not only by the people in
general but also by people working at the
university level and in the political world.
In this document, a proposal of
characterization of this discipline is
presented. Based on this, some actions
to be carried out by national and
international associations are also
suggested in order to support the
improvement of the teaching of Statistics
and statistical education.
KEYWORDS: data analysis,
characterization of the statistics,

inferential error, education statistics,
education statistics, inferential error,
descriptive statistics, pre-inferential
statistics, statistical inference, inductive
inference, summary information
CarlosA.ArajoAyesta,UniversidaddelasAmricas,[email protected]
ArajoConsideracionessobrelaEnseanzaylaCulturaEstadsticaenAmricaLatina
12
Junio 2010
INTRODUCCIN
Los mayores problemas que enfrenta el desarrollo estadstico de Amrica Latina y
al menos parte del Caribe (rea que en adelante llamaremos la regin), tienen su origen
en el escaso desarrollo de la Educacin Estadstica, la cual no ha logrado dar a conocer a
profesionales (estadsticos y no estadsticos), a connotados usuarios pblicos y al pblico
en general qu es o qu hace la Estadstica.
Como consecuencia de esta situacin, es fcil comprobar que en la regin,
profesionales con poco o ningn conocimiento en Estadstica asumen responsabilidades
(la mayora de buena fe), por la direccin tcnica de actividades reglamentarias o de
desarrollo estadstico tanto en dependencias de organismos internacionales, como en
organismos nacionales pblicos y privados. Similar situacin ocurre con la docencia en
Estadstica, en los distintos niveles de la educacin formal.
En cuanto al pblico en general (incluye a profesionales y connotadas autoridades
pblicas), existe una percepcin generalizada respecto a que las estadsticas mienten;
son fras y no son confiables, esto ltimo, porque siempre hay margen para un error.
Pueden las actividades estadsticas llevarse a cabo adecuadamente, si quienes
son responsables tcnicos de esta labor, tienen una errada concepcin de lo que significa
Estadstica? Siendo la Estadstica una disciplina de servicio, sta puede desarrollarse
adecuadamente si los usuarios perciben que: miente, es fra o no es confiable? Es
por ello que el mejoramiento en la educacin estadstica, a travs, de una adecuada
enseanza de la Estadstica, tiene muy alta prioridad como poltica de impulso al
desarrollo estadstico en la regin.
Conviene destacar que la situacin descrita anteriormente, es de exclusiva
responsabilidad de los estadsticos profesionales, quienes no han sabido transmitir
adecuadamente la naturaleza y objetivos de la Estadstica y consecuentemente los
propsitos de sus servicios.
Como veremos a continuacin, la falta de atencin de los profesionales
estadsticos respecto a una consensuada caracterizacin de la Estadstica es, la principal
responsable por la ineficacia de los esfuerzos realizados hasta el momento, para instaurar
o mejorar la educacin estadstica en los pases de la regin.
EDUCACIN, ENSEANZA Y EDUCACIN ESTADSTICA
De acuerdo con el Diccionario de la Lengua Espaola, en este trabajo, se entiende
por educacin, la accin de desarrollar las facultades intelectuales y por enseanza,
la accin de comunicar sistemticamente conocimientos, ideas o doctrinas. Por lo tanto,
la Enseanza es la forma como la colectividad instrumentaliza la Educacin.
Consecuentemente, la Educacin Estadstica se entender, como el desarrollo de
las facultades intelectuales que resulta de la enseanza de la Estadstica y por lo tanto, el
mejoramiento de la Educacin Estadstica, depender esencialmente del mejoramiento de
la enseanza de esta disciplina. Sobre esta premisa, se enfoca el anlisis de este
documento.
13
Junio 2010
NECESIDAD DE UNA PERCEPCIN COMN SOBRE EL SIGNIFICADO DE

ESTADSTICA
Muchos profesionales e investigadores pueden aplicar o desarrollar Estadstica sin
conocer a cabalidad los propsitos de esta disciplina, pero resulta imposible ensear
Estadstica sin transmitir explcita o implcitamente una percepcin sobre los propsitos u
objetivos de la Estadstica.
Por ello, cada persona a cargo de la enseanza de la Estadstica refleja su
particular visin sobre esta disciplina. Lamentablemente son muchos, diferentes e
incompletos los intentos por caracterizar o definir la Estadstica y esta situacin
contribuye a mantener la confusin entre quienes la ensean, la usan o la practican.
Las diferentes caracterizaciones de la Estadstica podran ser clasificadas en tres
grupos, segn los aspectos ms deficitarios que presentan:
La vaguedad
En efecto, algunas caracterizaciones son demasiado vagas. En esta categora
caen, por ejemplo, las que dicen que la Estadstica es:
la tecnologa del pensamiento cientfico

puente entre modelos matemticos y fenmenos reales
interface entre matemticas, computacin y anlisis de datos
Todas estas definiciones y muchas otras similares, tienen el inconveniente de

que no caracterizan a la Estadstica (otras disciplinas tambin cumplen con lo indicado) y
adems, no se traducen en especificaciones concretas respecto de su naturaleza y
aplicaciones.
Limitantes por compresin
El principal grupo de tales caracterizaciones est conformado por aquellas que
comienzan con la frase La Estadstica es una rama de las Matemticas .
Toda definicin que considere a la Estadstica como una rama de las Matemticas,
lleva implcito que los objetivos de la Estadstica se enmarcan dentro de los objetivos de
las matemticas, lo cual est muy lejos de ser verdad.
La Estadstica tiene objetivos propios, distintos de la Matemtica. La contribucin
de la Matemtica al desarrollo de la Estadstica se debera adaptar siempre a los objetivos
de esta ltima disciplina, tal como ocurre con la Fsica, la Astronoma, las Finanzas, la
Informtica y muchas otras ciencias o disciplinas cientficas.
Limitantes por extensin
Otro grupo de definiciones limitantes, es aqul que
mediante una descripcin de actividades que lleva a cabo. Son
Estadstica, recoge, organiza y analiza datos. Adems, de
tcnicas pueden cumplir con lo que se indica (por ejemplo:
caracterizaciones son incompletas y a veces contrapuestas.
define la Estadstica
del siguiente estilo: La
que otras disciplinas o
la Contabilidad), estas
14
Junio 2010
Una clara indicacin de la insuficiencia de las caracterizaciones presentadas en la

literatura, es que casi todos los intentos conocidos de definicin de Estadstica,
reconocen implcitamente sus falencias y son complementados mediante una descripcin
del origen y evolucin de la palabra estadstica y la presentacin de algunos ejemplos
conocidos, sacados de la realidad que se resuelven mediante el uso de mtodos
estadsticos.
La presentacin de estos ejemplos contribuye a destacar la importancia de la
Estadstica, aunque no conduce a explicitar cul es la naturaleza del trabajo estadstico
(qu tienen de comn los ejemplos presentados) y por ende, no ayuda a esclarecer qu
es y qu no es Estadstica y quienes ensean, investigan o practican Estadstica y
quienes, a pesar de lo que piensan, no lo hacen.
PROBLEMAS ORIGINADOS POR LA CONFUSIN SOBRE EL TRMINO

ESTADSTICA
La gran confusin creada por los distintos propsitos que se le adjudican a la
Estadstica es el origen, entre otros, de los problemas que se indican a continuacin en
los mbitos que se sealan y que afectan gravemente, el desarrollo de la Educacin
Estadstica y consecuentemente de la Estadstica, en la regin.
EN LA ENSEANZA DE LA ESTADSTICA ELEMENTAL

La falta de claridad sobre los propsitos de los diferentes mtodos de la
Estadstica, da origen a varias confusiones. Veamos algunas de ellas:
1) Uso de la Estadstica para ejercitar aplicaciones matemticas.
Como se indic anteriormente, la Estadstica tiene objetivos propios distintos de la
Matemtica. La importante contribucin de la Matemtica al desarrollo de la Estadstica se
debera adaptar siempre a los objetivos de esta ltima disciplina, de igual forma como
ocurre con las dems ciencias o disciplinas a las cuales la Matemtica presta su apoyo.
Sin embargo, debemos notar que esta situacin generalmente no ocurre y al
considerar la Estadstica como una rama de las matemticas, se recurre a ensear
aplicaciones de Matemtica, en vez de Estadstica. Veamos algunos ejemplos:
i) Ejemplo en Educacin Formal Secundaria
En un documento oficial preparado por destacadas universidades, en un pas
latinoamericano para sus respectivas pruebas de admisin a, como nica
interrogacin sobre Estadstica correspondiente al eje temtico: Geometra Estadstica Probabilidad, se consulta el siguiente ejercicio:
15
Junio 2010
ORIGINALENESPAOL
FREETRANSLATIONTOENGLISH
Veintenmerostienenunpromediode20;doce
delosnmerostienenpromediode8.Culesel
promediodelosotrosochonmeros?
Theaverageoftwentynumbersis20;theaverageof
twelveofthatnumbersis8.Whichistheaverageof
theothereightnumbers?
A) 12
A) 12
B) 38
B) 38
C) 62
C) 62
D) 28
D) 28
E) Ningunodelosanteriores
E) Noneofthepreviousone
Se debera convenir, en que este es un claro ejemplo de un ejercicio de

matemtica sobre sumas sucesivas de nmeros (sumatoria), que en nada evala los
conocimientos y capacidades en Estadstica del alumno examinado.
Las dos siguientes conclusiones no necesariamente se excluyen o surgen de
este ejemplo: o bien en el diseo de la prueba de admisin no participaron
estadsticos, o bien en la enseanza media, no se ensea Estadstica.
ii) Ejemplo sobre el nmero de Intervalos de Clase
En muchos textos de Estadstica Descriptiva que se refieren a Intervalos de Clase,
utilizan frmulas inspiradas en un comportamiento matemtico de las observaciones
que poco tienen que ver con el verdadero propsito de la Estadstica Descriptiva.
Un ejemplo de esta situacin est dado por la formula desarrollada por Sturges
(1926), para determinar el nmero de Intervalos de Clase a considerar, la cual est
dada por:
k 1 ENT (1 3,32193 log10 N )

Sin mencionar que este resultado est basado en el inexplicable principio, de que
el ideal de un histograma de frecuencia, es que sea aproximado por una distribucin
normal, la llamada regla de Sturges; no deja de ser un ejercicio de clculo puesto
que, en la realidad, ni el nmero ni la identificacin de cada Intervalo de Clase puede
ser determinado sin la necesaria participacin del usuario de la informacin resultante.
iii) Ejemplo de la definicin de la Media
Desde el punto de vista Matemtico, definir la Media como la suma de los valores
observados dividida por la cantidad de estos valores es equivalente a definirla como:
el valor que minimiza la suma de los cuadrados de la diferencia de dichos valores
respecto de cualquier valor constante. La primera forma de definir la Media parece
ms simpleque la segunda, por lo que la mayora de los textos recurren a la primera
alternativa.
16
Junio 2010
Sin embargo, definirla bajo la primera opcin, probablemente conducir a

interpretaciones errneas que darn origen posteriormente a descrdito en los
mtodos estadsticos: (Si Juan come dos pollos y Pedro no come, entre ambos se
comen un pollo).
2) No ensear mtodos estadsticos, porque no se conoce la base matemtica que los
soporta.
Esta es una variante del caso anterior, que se puede traducir en no ensear lo
que no es aplicacin matemtica. La necesidad de conocer Clculo Diferencial e Integral
para presentar distribuciones en el muestreo; o la de conocer al menos lgebra Lineal
para presentar mtodos estadsticos multivariados, son un ejemplo de la aplicacin de
esta norma.
Si bien es cierto que el conocimiento de tales temas de la Matemtica da mayor
seguridad en las aplicaciones de los respectivos mtodos o instrumentos de la
Estadstica, sin el conocimiento de los referidos antecedentes matemticos, an es
posible transmitir conocimientos estadsticos de forma que el estudiante pueda:
i)
reconocer en su mbito de estudio, tipos de problemas que pueden ser atendidos

por tales mtodos o instrumentos estadsticos;
ii) analizar las implicaciones de las hiptesis de los modelos e interpretar sus
resultados en el contexto de las aplicaciones y
iii) conocer las posibilidades y limitaciones de programas computacionales de uso
frecuente en la aplicacin de tales mtodos.
El cumplimiento de estos objetivos, transformara al estudiante en un futuro
usuario inteligente de servicios estadsticos en esta materia, cuya activa participacin
resulta fundamental para alcanzar un desarrollo estadstico acorde con las necesidades
de la regin.
Sin embargo, estos beneficios muchas veces son dejados de lado al vincularse la
enseanza de la Estadstica, a la enseanza de matemtica aplicada.
3) Confundir propsitos descriptivos con inferenciales.
Una de las consecuencias de la falta de claridad en los propsitos de los mtodos
estadsticos, es el tratamiento de aspectos inferenciales dentro de la Estadstica
Descriptiva o Anlisis de Datos.
Es frecuente observar en textos de Estadstica Descriptiva el concepto de
muestra y por lo tanto, explcita o implcitamente, el concepto de poblacin. Desde el
punto de vista de la Estadstica, ambos conceptos pertenecen a la Inferencia Estadstica
y las inferencias inductivas que puedan ser formuladas a base de resultados de mtodos
estadsticos descriptivos o de anlisis de datos; NO son de responsabilidad de estos
mtodos, ni de ningn otro mtodo de la Estadstica.
Suponer que la Estadstica puede formular hiptesis referidas a los distintos
campos de los cuales pueden provenir los datos, conduce a la absurda pretensin de que
17
Junio 2010
la Estadstica puede establecer conclusiones sobre las ms diversas reas sin

conocimiento cientfico de tales campos.
Al proceder de esta forma es posible:
i)
dar origen a legtimas desconfianzas por parte de los profesionales de tales reas
de aplicacin de la Estadstica, respecto de la seriedad del trabajo estadstico.
ii) promover o justificar que especialistas de las referidas reas de aplicacin

presenten conclusiones, basadas en sus particulares conocimientos y
experiencias, como si fueran inferencias estadsticas.
4) Uso del trmino muestra representativa
La confusin respecto de los propsitos de la Inferencia Estadstica hace que, a
veces por desconocimiento, o bien con la intencin de simplificar, la Inferencia Estadstica
sea presentada como una disciplina que estudia mtodos que permiten tomar muestras
representativas, en el sentido de que seran muestras en las cuales si se replica en ella el
estudio que se desea realizar en la poblacin, se obtiene resultados iguales o muy
parecidos a los que se obtendra en la poblacin.
Por supuesto que las muestras representativas de aspectos o propiedades que
se desconocen, no slo no existen sino que la hiptesis de su existencia, puede
comprometer gravemente la seriedad y eficiencia de los estudios que se lleven a cabo a
base de tal hiptesis.
En efecto aceptar la existencia de tales muestras:
i)
lleva a una contradiccin lgica al afirmar que algo es representativo de lo que no

se conoce;
ii) los principios de rplica en los que parece estar basado su uso, no son
verdaderos;
iii) muestras que se dicen representativas pueden tener un comportamiento mucho
ms ineficiente que otras no representativas;
iv) facilita la influencia de aspectos subjetivos en la seleccin de la muestra y otorga
facilidades para la manipulacin de una muestra;
v) promueve que especialistas en el rea a la cual se referirn los datos crean que
pueden definir el criterio de seleccin de la muestra. Al fin y al cabo, quin mejor
que dicho especialista, para conocer la representatividad de una muestra?
Las razones tcnicas indicadas en i), ii) y iii) y muy particularmente la posibilidad
de manejo de la muestra a las convicciones (o intereses) de quien la selecciona (iv) y v),
son motivos suficientes para recomendar que se abandone el uso del trmino muestra
representativa en las actividades de docencia, investigacin o consultora en materia
estadstica.
En otro caso adems de manifestar ignorancia en Estadstica, se favorece el uso
de malas prcticas bajo una supuesta aplicacin de la Estadstica.
18
Junio 2010
EN LOS ESTUDIOS SOBRE EDUCACIN ESTADSTICA

La indefinicin respecto del trmino Estadstica, posterga el anlisis para identificar
la esencia del mensaje educativo. De esta forma es posible contar con procedimientos
docentes modernos, completos y eficaces, pero totalmente ineficientes por estar aplicados
a la transmisin de conocimientos equivocados.
Algunas de tales posibilidades pueden ser identificadas en los puntos indicados en
el acpite anterior, titulado En la Enseanza de la Estadstica.
EN INSTITUCIONES O UNIDADES INSTITUCIONALES DE ESTADSTICA

1) Personal no idneo a cargo de direccin tcnica de instituciones de estadstica.
La vaguedad en la definicin de los propsitos de la Estadstica, se transfiere a las
funciones que corresponden a un estadstico profesional.
De esta forma se facilita que otros profesionales sin adecuada (o ninguna)
calificacin en Estadstica, participen y hasta dirijan tcnicamente (muchas veces de
buena fe) instituciones encargadas de desarrollar o normar actividades en esta materia, lo
cual tiene directa vinculacin.
Esta situacin, tiene directa vinculacin con el escaso desarrollo estadstico y mala
percepcin de la Estadstica en la regin.
2) Tenencia de Datos o Institutos de Estadsticas
Otra consecuencia de esta falta de claridad en la regin respecto de los propsitos
de la Estadstica es que, con frecuencia, se asimila el rol de las instituciones o
dependencias estadsticas al de oficinas encargadas de mantener y administrar datos.
Bajo esta concepcin del trabajo estadstico, utilizando un smil en la contabilidad, cuando
el ministro, el gerente o el investigador requieren datos para la toma de decisiones o sus
respectivos estudios, recurre a su tenedor de datos para que se los proporcione.
Un ejemplo de esta pobre interpretacin del rol de la Estadstica se observa en la
denominacin (por ley) de organismos rectores de las estadsticas oficiales, en al menos
dos pases de la Regin mediante la inclusin de la palabra Estadsticas (ntese el plural
de Estadstica), en su nombre oficial Acaso al Estado se le ocurrira crear un Instituto
Nacional de Medicinas, en vez de un Instituto Nacional de Medicina (que incluye al
anterior)?
Es cierto que sin datos u observaciones, no hay Estadstica pero stos constituyen
el insumo primario del trabajo estadstico. La labor de la Estadstica (y del estadstico)
comienza con los datos, para continuar con el apoyo al proceso de obtener conclusiones
(inferencias) y adoptar decisiones a base de los mismos.
Son muy pocos los organismos o dependencias oficiales y privadas en materia
estadstica que llevan a cabo esta labor.
19
Junio 2010
EN LAS ESTADSTICAS OFICIALES

Las llamadas Estadsticas Oficiales de la mayora de los pases de la regin,
presentan limitaciones tcnicas que contribuyen a una mala percepcin de sus
actividades y consecuentemente de la Estadstica. Algunas de estas limitaciones son:
1) Confusin entre concepto y medicin de caractersticas asociadas al concepto
Para ilustrar este punto, se presentan dos ejemplos correspondientes a los
conceptos de pobreza y ocupacin
i) En los estudios de la Pobreza
En el estudio de las distribuciones de frecuencia a lo largo del tiempo, se puede
recurrir a fijar el orden de uno o ms percentiles y analizar la evolucin de su valor o
bien se puede fijar un valor como percentil y analizar la evolucin del correspondiente
orden a lo largo del tiempo. (Alternativamente, se podra tambin fijar ms de un orden
o bien ms de un valor fijo de percentil, en cuyo caso tendramos un resumen de la
evolucin de la distribucin del ingreso.) Lo definido corresponde al mtodo conocido
como: lnea de pobreza (percentil dado), cuya aplicacin para la medicin de la
pobreza en Amrica Latina, ha sido ampliamente recomendada por organismos
internacionales con responsabilidad en el desarrollo econmico y social de pases de
la regin.
Como se puede apreciar, la metodologa estadstica corresponde a una aplicacin
simple de conocidos indicadores (percentiles) de Estadstica Descriptiva
Unidimensional, aunque estos indicadores son generalmente mal interpretados. En
efecto el orden (expresado en porcentaje) de un percentil, cuya interpretacin es muy
clara, se interpreta como el porcentaje de pobres.
La ciudadana conoce muy bien que una situacin de pobreza, no se modifica por
percibir algunas (pocas) unidades monetarias adicionales. El confundir un indicador
estadstico (percentil), con un concepto (pobreza), no es un error de la Estadstica,
sino de quienes dicen practicarla y sin embargo es la Estadstica la que recibe el
descrdito entre los polticos e investigadores sociales.
ii) En el estudio de la Ocupacin
Una foto en una revista presentaba a una mujer africana, ama de casa, de rostro
cansado, caminando por un sendero, con una gran bolsa de ropa en su cabeza; un
atado de lea a sus espaldas; un balde con agua en una mano y en la otra un nio a
su cuidado. La leyenda deca: Segn las estadsticas, esta mujer no trabaja
Es cierto que para las estadsticas, esta mujer no trabaja? Por supuesto que no.
Los conceptos y sus definiciones corresponden, al respectivo campo del cual
provienen los datos. En el caso de la ocupacin, el campo es el socioeconmico y
son profesionales de estas disciplinas quienes acuerdan definiciones especficas.
Mientras tanto, las instituciones estadsticas encargadas de realizar mediciones de
caractersticas vinculadas a conceptos, deberan referirse exclusivamente a lo que
miden y dejar que los conceptos que puedan ser derivados de estas mediciones
sean establecidos por los usuarios en la forma como lo estimen pertinente.
20
Junio 2010
2) El Error Estadstico
Algunas instituciones oficiales de estadstica utilizan en la difusin de sus
resultados oficiales el trmino error estadstico, a veces para conseguir igualdades
contables de datos obtenidos de registros que, por su mala calidad o su cobertura
incompleta, no resulta posible alcanzar, y otras veces para referirse al error de inferir
propiedades para un universo a base de observaciones de una parte del mismo
(muestra).
El uso de este trmino, slo puede obedecer a un desconocimiento de aspectos
elementales de Estadstica. Si sumas de datos de registros que deberan cuadrar no
cuadran, el error est en los registros y no en la Estadstica. Por otra parte, si el error se
refiere al de inferir de lo particular a lo general (inferencia inductiva), este es un error
inferencial inherente a este tipo de inferencias y ni la Estadstica, ni ningn otro
procedimiento podrn evitar su posible presencia.
Para los que saben Estadstica, el uso del trmino Error Estadstico revela
ignorancia en el tema; para los que no saben Estadstica, el uso de este trmino le
atribuye a esta disciplina un injusto carcter de inseguridad, que se transforma en un
elemento adicional de descrdito de la opinin pblica respecto de esta disciplina.
3) Uso arbitrario de indicadores de confiabilidad de estimaciones
El verdadero propsito del muestreo probabilstico, es estimar controlando el error
inherente a toda estimacin basada en muestras (estadstica o no estadstica). Por ello,
cuando se llevan a cabo encuestas por muestreo probabilstico, los indicadores de
confiabilidad de las estimaciones (varianza, o coeficiente de variacin u otros) deberan
acompaar a toda estimacin.
Sin embargo, es frecuente observar que tales indicadores de confiabilidad o bien
no se presentan (con lo cual el muestreo probabilstico no cumple su propsito) o bien
slo son presentados para el universo de estudio, pero no se indican para el caso de
subpoblaciones o dominios de estudio.
En este ltimo caso, se puede inducir a error al usuario que naturalmente tiende a
asociar el nico indicador de confiabilidad presentado referido al universo de estudio,
como el indicador de confiabilidad de toda otra estimacin.
Un programa computacional adecuado resolvera este problema, cuyo actual
tratamiento desvirta el propsito de las encuestas por muestreo y en algunos casos
desacredita la prctica de la Estadstica, al inducir confiabilidades mayores de las que
realmente tiene una estimacin y arriesgar de esta forma posibles descrditos de parte de
los usuarios.
EN LOS USUARIOS Y PBLICO EN GENERAL

Las deficiencias en la enseanza y aplicacin de la Estadstica, algunas de las
cuales se mencionan en los puntos anteriores, tienen consecuencias directas en la
percepcin de los potenciales usuarios y pblico en general respecto de esta disciplina,
que se reflejan en frases tales como:
21
Junio 2010
Las Estadsticas mienten

Mentir es una facultad del hombre. No miente la poltica sino, en todo caso, el
poltico; ni miente la medicina sino, el mdico. Podr entonces mentir el estadstico o
quien dice cumplir tal funcin, pero jams podra mentir la Estadstica.
Por qu entonces se repite con alarmante frecuencia que las estadsticas
mienten?. Slo la falta de Educacin Estadstica, puede explicar que se insista en
este disparate.
Las Estadsticas son fras
Con frecuencia se habla de la frialdad de las estadsticas, en el sentido de que
slo presentan indicadores (nmeros) detrs de los cuales se escondera la real
dimensin del problema que se analiza.
En realidad la frialdad de una estadstica est en directa relacin, con la
incapacidad de interpretarla. Con esta misma lgica, un lector podra catalogar de
fros a todos los libros de novelas escritos en idiomas que dicho lector desconoce.
Un mnimo de Educacin Estadstica podr mostrar a usuarios (a veces
connotados) y al pblico en general, la riqueza potencial descriptiva e inferencial que
subyace en las estadsticas.
Las estadsticas no son confiables.

El hecho de que los mtodos de Inferencia Estadstica utilicen margen de error,
niveles de confianza, probabilidades de error y otros indicadores de grados de
incertidumbre o riesgo dan la impresin entre los usuarios de que la Estadstica es
poco confiable, o que carece de seriedad o rigor cientfico, porque es incapaz de
alcanzar conclusiones ciertas.
Un conocimiento bsico de los propsitos de la Inferencia Estadstica mostrara,
que la incertidumbre tiene su origen en la inferencia inductiva a la cual presta apoyo y
que dimensionar y controlar esta incertidumbre, es precisamente el trabajo de la
Inferencia Estadstica.
Los tres ejemplos indicados, son suficientes para mostrar la pobre e injusta
reputacin que tiene la Estadstica entre posibles usuarios y pblico en general de la
regin, debido fundamentalmente a la falta (o mala) educacin estadstica.
HACIA UNA CARACTERIZACIN COMN DE LA ESTADSTICA: UNA PROPUESTA

Hemos presentado algunos de los problemas creados en la regin por las
diferentes y ambiguas caracterizaciones de la Estadstica, que han dado origen a
confusiones tanto en la enseanza de la Estadstica, como en sus aplicaciones; lo que ha
conducido a un descrdito (injusto pero generalizado) por parte de la ciudadana respecto
de esta disciplina.
22
Junio 2010
Es necesario llegar a una caracterizacin bsica comn de la Estadstica, que

cuente con el consenso de la comunidad estadstica internacional y que refleje
apropiadamente la naturaleza y propsitos del trabajo estadstico.
A base de esta caracterizacin, se podr establecer orientaciones bsicas en
materia de enseanza de la Estadstica y sus aplicaciones; y consecuentemente iniciar
polticas eficientes en materia de Educacin Estadstica en la regin.
En este acpite, se presenta una propuesta de caracterizacin de la Estadstica,
con el propsito de contribuir al inicio un trabajo por parte de la comunidad estadstica
nacional e internacional que conduzca a la referida caracterizacin consensuada de la
Estadstica, a base de la cual sea posible disear y mantener polticas eficientes en
materia de Educacin Estadstica en la regin, as como dar seguimiento y evaluacin a
las mismas.
PROPUESTA DE CARACTERIZACIN DE LA ESTADSTICA

La Estadstica es una disciplina cientfica, que tiene como propsito facilitar o
favorecer la realizacin de inferencias inductivas basadas en observaciones o datos,
mediante el resumen de la informacin contenida en las observaciones o el
dimensionamiento y de ser posible el control del error inherente a toda inferencia
inductiva.
Para cumplir este propsito, los mtodos, tcnicas y procedimientos de la
Estadstica pueden ser clasificados en:
i)
Estadstica Pre-inferencial, que corresponde a los mtodos, tcnicas y

procedimientos generales de la Estadstica Descriptiva o el Anlisis de Datos; y
que tienen como objetivo, resumir la informacin contenida en un conjunto de
datos, sin que se pierdan aspectos relevantes para las inferencias inductivas que
se puedan formular a base de tal resumen.
ii) Estadstica Inferencial o Inferencia Estadstica, que comprende los mtodos,

tcnicas y procedimientos que tienen como propsito, realizar inferencias
inductivas basadas en observaciones o datos, dimensionando o controlando el
inevitable error asociado a dichas inferencias inductivas.
ELEMENTOS CLAVES DE LA CARACTERIZACIN PROPUESTA

1) Los datos o las observaciones
La existencia de datos u observaciones es, condicin necesaria para el trabajo de
la Estadstica. Los datos u observaciones, pueden provenir de diversas reas.
La Estadstica, debe conocer la forma como fueron obtenidos estos datos u
observaciones y, en ocasiones especficas, los mtodos, tcnicas y procedimientos
estadsticos, tambin se ocupan de captarlos de manera que cumplan ciertas condiciones.
23
Junio 2010
Estos mtodos estadsticos de recoleccin de datos u observaciones se agrupan bajo el

nombre de: Organizacin y Ejecucin de Encuestas.
2) La inferencia inductiva
La presencia efectiva o potencial de la inferencia inductiva, es otra condicin
necesaria para el trabajo estadstico.
El proceso de inferir, consiste en establecer relaciones de dependencia entre
observaciones o postulados con conclusiones o deducciones. Las relaciones establecidas
de esta forma se llaman inferencias, las cuales, entre otras aplicaciones, constituyen la
base del desarrollo de las ciencias puras y aplicadas y se encuentran presentes en la
mayor parte de los procesos de toma de decisiones.
Las inferencias pueden ser catalogadas en, al menos, dos grandes grupos a
saber: Inferencias Deductivas son las que, a partir de enunciados o definiciones
conocidos, concluye en una afirmacin vinculada a los mismos. Las Inferencias Inductivas
en cambio, son las que, a partir de datos u observaciones en los cuales nos parece
encontrar alguna semejanza o propiedad, concluimos, en extender dichas propiedades o
semejanzas a un universo mayor.
Toda Inferencia Deductiva o bien es verdadera o bien es falsa. En cambio las
Inferencias Inductivas, no son necesariamente verdaderas o falsas, sino que tienen
chances o posibilidades de ser verdadera o falsa y por lo tanto, es inherente a toda
Inferencias Inductiva la posibilidad de error, comnmente conocido como: error inferencial.
Se debe notar que la Inferencia Estadstica, presta servicio a las Inferencias
Inductivas basadas en observaciones o datos mediante el control del error inferencial;
aunque, el origen de la inferencia inductiva corresponde al usuario, la Inferencia
Estadstica, formula dicha inferencia inductiva, con control del riesgo de cometer error
inherente a dicha inferencia inductiva. La formulacin de tales inferencias, es de exclusiva
responsabilidad de los usuarios de los servicios estadsticos.
3) El resumen de informacin
La palabra resumir, debe ser considerada en un sentido amplio para incluir en
ella todas las operaciones que conducen a tal resumen; como por ejemplo, organizar,
analizar, interpretar, procesar, difundir o presentar la informacin contenida, en el conjunto
de datos u observaciones, etc.
Tambin es conveniente observar que el resumen tiene como propsito, servir a
los usuarios a efectos de que puedan formular inferencias inductivas basadas en tal
resumen. Por lo tanto, la elaboracin del resumen debe ser realizada con conocimiento de
las necesidades de los usuarios.
Por otra parte, si el usuario no entiende el resumen no podr formular inferencias
inductivas y la Estadstica Descriptiva, no habr cumplido sus propsitos. Es importante
que la presentacin del resumen sea simple, clara y que incluya todos los antecedentes
requeridos para tales propsitos.
En tal sentido es necesario conocer, tanto por parte del estadstico, como del
usuario, la forma como se obtuvieron los datos u observaciones, a efectos de una
24
Junio 2010
adecuada interpretacin del alcance del resumen y consecuentemente, para una

apropiada formulacin, sus respectivas inferencias inductivas.
4) La dimensin o control del error inherente a toda inferencia inductiva
La Inferencia Estadstica, se distingue de cualquier otro procedimiento de
realizacin de inferencias inductivas, porque su propsito es dimensionar o controlar la
inevitable posibilidad de error asociado a toda inferencia inductiva (error inferencial).
De esta forma, si no existe control del error inferencial, no es un trabajo de
Inferencia Estadstica. As, por ejemplo, la estimacin de parmetros sin indicadores de
confiabilidad (coeficiente de variacin, intervalo de confianza y margen de error), no es un
trabajo estadstico, al igual que no lo es, la seleccin de una de dos hiptesis, si no se
conoce, la o las probabilidades asociadas de cometer error, frente a la particular
seleccin.
Lo importante y exclusivo de los mtodos de Inferencia Estadstica, no es la
conclusin que se alcanza con la particular inferencia inductiva basada en una muestra,
sino la medicin y control del error asociado a dicha inferencia inductiva.
VENTAJAS DE LA CARACTERIZACIN PROPUESTA

La anterior caracterizacin de la Estadstica:
1) Cubre y complementa los propsitos esenciales de las caracterizaciones ms usuales
de la Estadstica
Una revisin de los propsitos asociados a otras caracterizaciones de la
Estadstica, muestra que los mismos se encuentran directa o indirectamente incorporados
a la caracterizacin propuesta. Pero adems, la caracterizacin propuesta corrige
vaguedades y limitaciones de las otras.
En efecto, la caracterizacin propuesta, define con mayor precisin los propsitos
de la Estadstica. Por ejemplo, la Estadstica no es cualquier tecnologa del pensamiento
cientfico, sino aquella utilizada para inferencias inductivas basadas en observaciones;
tampoco es, cualquier puente entre modelos matemticos y fenmenos reales, ni
cualquier interface entre matemticas, computacin y anlisis de datos.
Por otra parte, no considera aspectos limitantes de algunas caracterizaciones. Por
ejemplo, al identificar su propio objetivo, la Estadstica no limita su desarrollo a la
aplicacin de la Matemtica ni de cualquier otra disciplina. Asimismo, las operaciones
estadsticas de resumen de informacin, deben considerar propsitos inferenciales (lo
cual la distingue de otras disciplinas o tcnicas, tales como la Contabilidad).
2) Es la que el pblico adopta cuando se refiere a una informacin estadstica
En efecto, cuando al concluir una jornada deportiva, el periodista informa sobre
los resultados obtenidos por los equipos de ftbol. Esta informacin, que es expresada en
forma cuantitativa (nmero de goles), a nadie se le ocurrira llamarla, informacin
estadstica. Su propsito es, mantener informado al pblico sobre aspectos que le
interesan. Sin embargo, esta misma informacin ofrecida como antecedentes histricos
25
Junio 2010
para pronosticar resultados de futuros partidos de ftbol, es comnmente llamada

estadstica.
Cul es la diferencia? La diferencia consiste, en el propsito para el cual se
ofrece la informacin. En el primer caso, slo da a conocer resultados; en el segundo
caso, estos mismos resultados son ofrecidos con el fin de que los interesados puedan
sacar conclusiones (realizar inferencias) y eventualmente tomar decisiones (por ejemplo
apostar).
Igualmente, una empresa lleva su contabilidad en un libros, donde registra la
informacin sobre los ingresos, gastos, y movimientos financieros. Esta informacin es de
carcter contable y no estadstica, dado que su propsito es llevar el control de las
operaciones que realiza el establecimiento. Sin embargo, esta misma informacin puede
ser estadstica, si se presenta con fines de analizar, y proyectar la marcha de dicha
empresa a lo largo del tiempo.
En la actividad del Estado, los Registros Administrativos recopilan informacin con
propsitos de registrar derechos y obligaciones (registro civil); de recolectar impuestos
(Servicio de Impuestos, Aduanas); control de ejecucin de actividades (educacin, salud).
El registro de esta informacin, no es considerada una actividad estadstica, ni la
informacin registrada se llama estadstica.
Sin embargo, esta misma informacin de los Registros, constituye la base de las
llamadas ,Estadsticas Vitales; Estadsticas Comercio Exterior; Estadsticas
Educativas; Estadsticas de Salud, etc., las cuales no son otra cosa, que la misma
informacin contenida en los respectivos registros, procesada de tal forma que permitan
formular conclusiones o tomar decisiones (inferencias inductivas).
Lo anterior muestra que el pblico ha reconocido como objetivo esencial del
servicio de la Estadstica, favorecer la formulacin de conclusiones generales a base del
procesamiento de observaciones particulares (inferencia inductiva).
3) Identifica claramente la unicidad de su servicio a las dems ciencias y a la toma de
decisiones.
Al situar a la Inferencia Estadstica, como la (nica) disciplina que permite tratar
cientficamente el proceso de inferir propiedades generales a partir de observaciones o
datos parciales; es claro que distingue sus propsitos de los de cualquier otra disciplina.
As, por ejemplo, dentro de la Matemtica, la rama de Probabilidad, es la que ms
elementos comunes presenta con la Inferencia Estadstica; por cuanto sta se vincula con
las inferencias inductivas al ofrecer una medida para la incertidumbre asociada a dichas
inferencias. Pero se debe notar que la Probabilidad no facilita la formulacin de
inferencias inductivas, ni tiene como propsito realizar inferencias controlando la
incertidumbre - Aunque la Estadstica recurre a la probabilidad a efectos de medir o
dimensionar la incertidumbre.
Otra disciplina que a veces se asimila a la Estadstica Pre-Inferencial es la
Informtica, aunque es interesante notar que la Informtica, si bien trata con los datos,
sus mtodos y procedimientos no tienen una finalidad inferencial, sino que estn
orientados al uso de seales electrnicas binarias para:
26
i)
Junio 2010
la transformacin de los datos en una combinacin estructurada de seales

binarias;
ii) la trascripcin, en un lenguaje binario, de los mtodos, tcnicas y procedimientos

definidos por otras disciplinas para el tratamiento de estos datos, mediante los
llamados programas computacionales;
iii) la transmisin de los resultados obtenidos mediante
programas indicados.
la aplicacin de los
Son muchas las disciplinas que se benefician con el uso de la Informtica. En el

caso de la Estadstica la aplicacin de la Informtica, ha permitido llevar a la prctica
mtodos estadsticos que slo podan ser tratados tericamente, como es el caso de
todos los mtodos estadsticos multivariados, entre otros. Pero estos mtodos seguirn
siendo estadsticos aunque se encuentren escritos, mediante mtodos y tcnicas
informticas, en lenguaje binario, a efectos de incrementar espectacularmente el
volumen y la velocidad de las normas y procedimientos estadsticos de procesamiento de
dichos datos.
4) Explica el motivo por el cual la Estadstica est presente en diversas reas del
conocimiento y en la toma de decisiones.
No hay caracterizacin de la Estadstica sin que mencione ejemplos de sus
aplicaciones a distintos campos, aunque no se identifica la causa de esta mltiple
capacidad de servicios. En la caracterizacin propuesta, la causa est claramente
identificada en el apoyo a las inferencias inductivas basadas en observaciones o datos.
En efecto, donde exista inters en obtener tales inferencias inductivas, existe la
posibilidad de contar con el apoyo de la Estadstica. Este inters est en todas las
ciencias, disciplinas y tcnicas de carcter aplicado y tambin est presente en la toma de
decisiones a base de informacin contenida en datos.
Es por ello que la Estadstica, est y estar al servicio de las ciencias
experimentales actuales o futuras y de la toma de decisiones con informacin en todos los
campos de aplicacin de las mismas porque es y ser inherente a estas materias la
necesidad de formular inferencias inductivas.
ALGUNAS CONSECUENCIAS DE LA CARACTERIZACIN PROPUESTA

La caracterizacin propuesta tiene consecuencias directas sobre la visin de los servicios
estadsticos y la enseanza de la Estadstica. A continuacin, se sealan algunas de
estas consecuencias en las aplicaciones de la estadstica.
1) La Estadstica debe atender las necesidades de sus usuarios
En efecto, es una disciplina de apoyo a otras reas cientficas y a la toma de
decisiones. La Estadstica presta a sus servicios a:
i)
la formulacin de inferencias inductivas por parte de los usuarios del servicio,

mediante el resumen de la informacin contenida en un conjunto de datos
(Estadstica Pre-inferencial).
27
Junio 2010
ii) la realizacin de inferencias inductivas, formuladas por usuarios, con control del
error inferencial, mediante la Inferencia Estadstica.
Es conveniente volver a destacar, especialmente en este acpite, que la
formulacin de la inferencia inductiva, es de responsabilidad del usuario. No respetar esta
norma da origen a confusiones sobre los roles del estadstico y los del especialista en el
rea de la cual provienen los datos, las cuales casi siempre resultan en una mala
aplicacin de la Estadstica.
2) Los usuarios de los servicios estadsticos, deben entender el alcance y limitaciones de
los resultados estadsticos de tal forma que permita una correcta interpretacin por
parte del usuario.
La correcta atencin al inters del usuario es el objetivo principal del servicio
estadstico. Por lo tanto, la aplicacin de los mtodos y procedimientos estadsticos deben
atender directamente este inters y la entrega de los resultados debe facilitar la correcta
interpretacin de los mismos, por parte del usuario.
Por ejemplo, en lo que se refiere a la Estadstica Pre-Inferencial, no tienen cabida
frmulas generales para obtener nmero y amplitud de intervalos de clase, cuando stos
deben satisfacer las particulares necesidades de anlisis de los usuarios, ni frmulas para
clculo de una moda mediante intervalos de clase, imposible de interpretar ni siquiera por
el estadstico.
En lo que respecta a la Inferencia Estadstica el usuario debe, por ejemplo,
interpretar correctamente los indicadores de control del error inferencial, aspecto que
muchas veces es olvidado (ver punto siguiente).
3) Toda inferencia inductiva que no controla el error inferencial, no es inferencia
estadstica
De acuerdo con la propuesta presentada, el objetivo bsico de la Inferencia
Estadstica es, controlar el error inferencial. Esto significa, que no se est aplicando
mtodos de Inferencia Estadstica si, por ejemplo, se realizan estimaciones sin analizar un
indicador de confiabilidad del estimador utilizado, o bien se aceptan hiptesis nulas sin
indicar las respectivas funciones de potencia.
4) El servicio estadstico oficial
Desde el punto de vista de los usuarios, el servicio estadstico oficial es un caso
especial porque adems de prestar servicio a las instituciones pblicas y privadas, tiene
como usuario al pblico en general, que a diferencia de otros usuarios, no cuenta con
canales apropiados para explicitar su inters. Por lo tanto, ser el propio servicio
estadstico quien debe encontrar mecanismos que permitan identificar la demanda de
informacin estadstica pblica por parte de la ciudadana.
En esta tarea de identificacin de necesidades de informacin de la ciudadana, se
encuentra en juego el efectivo ejercicio de los principios democrticos. En tal sentido, las
estadsticas oficiales, no son slo el resultado de trabajo tcnico, sino una importante
tarea de significacin poltica, puesto que contribuye a conformar una sociedad mejor
informada y por ende, con mejor capacidad de participacin.
28
Junio 2010
En tal sentido, los Sistemas Estadsticos Nacionales de los pases tienen la

ineludible responsabilidad de garantizar el acceso expedito a la informacin estadstica y
que esta informacin, atienda escrupulosamente los requerimientos de calidad, oportunidad,
de fcil comprensin y credibilidad poltica.
Un aspecto particular que fortalece la credibilidad poltica se refiere, a que las
estadsticas oficiales difundan exactamente lo que miden sin comprometerse con los
conceptos que puedan ser derivados de estas mediciones; los cuales, como se indic
anteriormente, no pertenecen a la Estadstica, sino que son de responsabilidad de cada
usuario de las estadsticas pblicas.
Se debe notar que, en adicin a los requerimientos generales de confiabilidad;
oportunidad y tica profesional comn a todo usuario de informacin, el ciudadano, como
usuario de informacin estadstica pblica, presenta caractersticas propias tanto en relacin
con aspectos temticos (los que no slo deberan referirse a los temas que son de inters
para el Poder Ejecutivo), como en los instrumentos de divulgacin (donde la prensa
adquiere especial importancia).
29
Junio 2010
MODELOS ESTADSTICOS APLICADOS EN LA ADMINISTRACIN DE

NEGOCIOS QUE GENERAN VENTAJAS COMPETITIVAS
Porfirio Rafael Prez Cisneros5
RESUMEN
ABSTRACT
El uso de modelos matemticos derivados

de informacin estadstica es una
herramienta
valiossima
para
tomar
decisiones, generando ahorros
en las
empresas que las utilizan, dando una
ventaja estratgica que al final del da
generan ventajas competitivas y en nuestro
tiempo, es esencial para sobrevivir en el
mundo globalizado actual. Este trabajo
tiene un claro objetivo, que es el relacionar
la estadstica terica, masificada, pesada,
con una herramienta de trabajo vigorosa,
gil, prctica y sobre todo til en la
administracin de negocios. Se presentan
los modelos estadsticos como anlisis de
regresin lineal, y no lineal y modelos de
pronsticos, con un enfoque prctico y de
utilizacin en los negocios, mostrando la
parte matemtica y la parte de aplicacin.
The use of mathematical models

derived from statistical information is a
very valuable decisin-making tool,
generating savings for the companies
that use them, and giving businesses a
strategic advantage
essential to
survive in todays global environment.
This document has one clear objective:
to relate statistical theory to a strong,
agile, and practical tool useful for
business administration.
Statistical
models, such as linear and non-linear
regression and forecast models are
presented with a focus on the
practicality of their use for business,
showing both the mathemathics and the
practical application.
INTRODUCCION
Es muy comn que la estadstica se considera una materia ms de nuestra
preparacin universitaria, siendo su aprendizaje de manera masificada, pesada, y no la
consideramos como una herramienta de trabajo vigorosa, gil, prctica y sobre todo til
en la administracin de negocios. Cuando entendemos y utilizamos la estadstica a los
negocios, esto nos da una visin clara de la adquisicin de ventajas competitivas, que al
aplicarla sobre problemas reales, y mediante el uso de modelos estadsticos, nos
proporciona ventajas estratgicas sobre quienes no los utilizan y adems, nos muestra
que su aplicacin no se limita a unas pocas areas del conocimiento, sino que tienen usos
en cualquier disciplina, por lo que son herramientas de aplicacin universal.
Existen herramientas estadsticas que en base a mi experiencia son bastante
importantes, los modelos de regresin y los modelos de pronsticos, por lo que en este
trabajo explicaremos de manera clara, sencilla y vigorosa su fundamento y su aplicacin a
problemas comunes en el mundo de los negocios.
PorfirioRafaelPerez,UniversidaddelValledeMxico,[email protected]
PrezCisnerosModelosEstadsticosAplicadosenlaAdministracindeNegociosqueGeneranVentajasCompetitivas
30
Junio 2010
Se presenta el modelo, su fundamento y su aplicacin, se muestra tambin el

comportamiento grfico del modelo contra el comportamiento real de los datos de los
ejercicios.
MODELO MATEMATICO
Modelo matemtico, es una representacin mental de la realidad, utilizando
conceptos e ideas que definen un evento fsico. En la administracin de los negocios, el
uso de estos modelos debe de ser herramienta comn, pero falta mayor aplicacin.
Como ejemplo de la gran utilidad de los modelos matemticos planteamos lo
siguiente:
Requerimos pintar una superficie de 3m base por 8 m de
altura. Si un bote de pintura cubre 4 m2, cuntos botes de
pintura compramos?
Seguro que contestaramos casi en forma reactiva, que compramos 6 botes de
pintura. Usted ya tomo una decisin, que puede ser acertada o no para su empresa.
Analizamos ms de cerca. Para tomar la decisin, se tom un modelo matemtico
denominado RECTANGULO, que solo es un concepto mental creado para representar la
realidad, y usted lo adapt al problema, sin revisar si cumpla o no con los requisitos de
este concepto.
Un rectngulo es un polgono de 4 lados (una figura plana
de lados rectos) en donde cada ngulo es un ngulo recto
(90). Tambin los lados opuestos son paralelos y de igual
longitud.
Conclusin
Se usa un modelo matemtico y se da por asentado su idoneidad a la realidad.
Pero realmente, se adapta al problema real? Suponemos que si y lo usamos.
Por lo que concluimos, en problemas reales requerimos dos cosas:
a) El uso de modelos matemticos
b) Su verificacin de su aplicacin
Si el problema es ms complicado,
negocios lo es, qu hacemos?
y generalmente en la administracin de
La estadstica para este tipo de situaciones es universal y robusta solo hay que
conocer su aplicacin y validacin de los Modelos estadsticos existentes y aplicarla a la
administracin de los negocios, este es el objetivo de este trabajo, exponer los principios
sobre los que se basan los modelos estadsticos y como se interpretan y adecuan a la
realidad, utilizando modelos de uso comn, demostrando la universalidad de la
estadstica para la administracin de los negocios.
31
Junio 2010
Se presentarn, aplicarn e interpretarn 2 modelos estadsticos, que por su gran

aplicacin en la administracin de los negocios son muy importantes:
1. Modelo Lineal y no lineal, aplicado a correlacin de dos o ms variables aplicado a
publicidad
2. Modelo suavizamiento exponencial aplicado a pronsticos
MODELO DE CORRELACION LINEAL Y NO LINEAL

Aplicacin: PUBLICIDAD
Cuando en la administracin de los negocios, existen dos o ms variables que
pueden estar relacionadas entre s; como pudiera ser la publicidad y las ventas, nos
interesa conocer si se relacionan (correlacin), como se relacionan (mtrica), y como en
base a un modelo estadstico se puede pronosticar el efecto de una sobre la otra, en este
caso de la publicidad sobre las ventas (pronstico).
Iniciemos la idea:
Considerar que puede existir relacin entre la inversin en publicidad de un
producto y los beneficios de las ventas de este, si se pudiera determinar cmo se
relacionan, podemos entonces decidir si aumentamos los costos de publicidad, los
reducimos o los eliminamos.
Se parte del siguiente modelo:
Y = f(x)= ax + b
Esta relacin entre f(x) y x se conoce como relacin lineal o como funcin de
primer grado.
Esta relacin matemtica se puede representar en forma grfica, mediante los ejes
X,Y, y lo ms importante, con datos reales, por lo que el comportamiento de las dos
variables, que en este caso son la publicidad y las ventas, se ve claramente.
Como ejemplo de comportamiento de una funcin de este tipo, podemos
considerar:
Ejemplo: Y = 2 X + 4
32
Junio 2010
Grficamente:
Grafica de primer orden
14
12
10
8
6
4
2
0
-3
-2
-1
Donde:
b= interseccin eje, cuando x=0
a= pendiente de la recta
Si a= 1 Angulo =45
Al modificar a la inclinacin de la recta disminuye o aumenta

Al modificar b el cruce con el eje y disminuye o aumenta
Si suponemos que este modelo se aplica a los gastos en publicidad y el total de ventas,
entonces:
b= Ventas que se realizan, con o sin publicidad (en X=0)
a= Si es Positiva aumenta publicidad, aumenta ventas
Si es Negativa aumenta publicidad, disminuye ventas
Entonces todo se resume a preguntarnos:

1) Se relacionan publicidad y ventas?
33
Junio 2010
2) Cunto vale a y b?
3) Como pronosticar ventas con gasto de publicidad
Cualquier respuesta a estas tiles preguntas tiene un origen en comn: datos
estadsticos.
DATOS ESTADISTICOS
Estos datos son informacin disponible en el mbito de la administracin de las empresas,
por lo que no hay problema para obtenerlas. Ejemplos de datos estadsticos:
Publicidad
Ventas
65
71
79
85
93
100
75
84
85
90
94
102
Con solo datos estadsticos se elabora la grfica de dispersin:
Grfica de Dispersin
110
VENTAS
105
100
95
90
85
80
75
70
60
70
80
90
100
110
PUBLICIDAD
34
Junio 2010
Agregando lnea de tendencia:
Grfica de Dispersin
110
VENTAS
105
100
95
90
85
80
75
70
60
70
80
90
100
110
PUBLICIDAD
En el contexto del anlisis matemtico se desprende lo siguiente:
Coeficiente de correlacin
Definido por:
r = SC(xy) / SC(x).SC(y)
Su significado es muy interesante:
Si se correlacionan; r tiene valor cercano a +/- 1.
Si NO se correlacionan; r tiene valor cercano a 0.
35
Junio 2010
Adems se define:
a = SC(xy) / SC(x)
b = (Y- (m. X ))/n
Esto es muy importante, ya que con slo datos se puede conocer la pendiente de
la recta y la interseccin con el eje Y.
Aplicando a un problema:
Si solicitamos informacin histrica sobre los gastos en publicidad y las ventas
obtenidas en ese mismo perodo tendramos algo como lo siguiente.
Publicidad
Ventas
X2
Y2
X.Y
65
71
79
85
93
100
75
84
85
90
94
102
493.0
530.0
4225
5041
6241
7225
8649
10000
0
41381.0
5625
7056
7225
8100
8836
10404
0
47246.0
4875
5964
6715
7650
8742
10200
0
44146.0
Se efectan las operaciones indicadas en cada columna.

Para realizar clculos con estos datos, definimos las sumas de cuadrados de x, y, x2, y2,
xy como:
SC(x) = x2- (( x )2/ n )
SC(y) = y2- (( y )2/ n )
SC( x.y ) = ( x.y )- (( x )( xy)/ n )
Sustituyendo los valores obtenidos tenemos:
SC(x) = 872.83
SC(y) =429.33
SC( x.y ) =597.67
Estos resultados estadsticos nos sirven para calcular :
r = SC(xy) / SC(x).SC(y)
36
Junio 2010
a = SC(xy) / SC(x)
b = (Y- (m. X ))/n
Resultados:
r = 0.9763
R2 = 0.953
a = 0.68
b = 32.07
Porcentaje de datos que siguen el modelo lineal:
r = 0.9763
97.63 % por lo que si hay correlacin
Porcentaje de ajuste del pronstico:

R2 = 0.953
95.3 %
Cambio en la publicidad por cambio en las ventas 0.68, es positivo por lo que al
incrementar la publicidad se incrementa las ventas
a = 0.68
Interseccin de la recta con el eje de las ventas a publicidad
Cero, es decir ventas sin publicidad
b = 32.07
$32.07 (Miles)
Ventas = 0.68. Publicidad + 32.07

En base a esta informacin estadstica concluimos:
S hay una correlacin positiva, entre publicidad y ventas.
Si no realizamos publicidad, tendramos ventas por $32.07.
Se puede realizar pronsticos o evaluar errores del modelo.
Ejemplo de pronstico:
Si gastamos de publicidad $90.00 esperamos ventas
pronosticadas de $ 93.70 (La seguridad en esta afirmacin
es del 95.3%). Si
gastamos de publicidad $85.00
esperamos ventas pronosticadas de:
= $ 90.2734 (valor pronosticado)
De acuerdo a la informacin, se puede ver que la
Publicidad
X
65
71
79
85
93
100
75
84
85
90
94
102
Ventas
37
Junio 2010
diferencia entre el valor de ventas cuando se gastan $85 en publicidad y el de ventas real
contra el calculado, es de 0.2734.
ERRORES DEL MODELO
Se puede calcular el error del modelo mediante los siguientes clculos:
76.58
80.69
86.16
90.27
95.75
100.54
530.0
e2
ei ei1
(ei ei1)2
1.5786
-3.3130
1.1650
0.2734
1.7514
-1.4554
0.0
2.4919
10.9757
1.3572
0.0748
3.0673
2.1182
20.1
-4.892
4.478
-0.892
1.478
-3.207
-3.0
23.927
20.052
0.795
2.184
10.284
57.2
Definiendo:
Error de pronstico = Valor real- Valor pronosticado
Se definen:
MAD que es promedio de la desviacin absoluta
MSE promedio del cuadrado del error
Cuando se tienen resultados de MAD y MSE de dos o ms pronsticos, se elige el

que tenga el menor valor del parmetro. Se deja como ejercicio, el clculo de estos dos
indicadores del error del modelo.
CORRELACION NO-LINEAL
Pero, Cmo trabajar cuando consideramos ms de una variable? Para hacerlo
ms interesante en base a los datos, suponemos que la relacin no es relacin lineal, y
que sigue el modelo matemtico:
38
Y = f(x)= a x12 + b x1+ c

A este modelo se le conoce como modelo no lineal o modelo de segundo
orden. Los nuevos datos son vistos en la tabla.
Elaborando la grfica de dispersin se observa:
Junio 2010
DATOS
Yi
Xi
2
3
3
10
8
30
7
50
9
40
8
20
4
55
Datos reales
10.0
9.0
8.0
7.0
6.0
5.0
4.0
3.0
2.0
1.0
0.0
0.0
10.0
20.0
30.0
40.0
50.0
60.0
$ de Publicidad
Agregando lnea de tendencia:
Datos reales
10.0
9.0
8.0
7.0
6.0
5.0
4.0
3.0
2.0
1.0
0.0
0.0
10.0
20.0
30.0
40.0
50.0
60.0
$ de Publicidad
39
Junio 2010
MODELO NO LINEAL
De acuerdo al comportamiento demostrado en la grfica, se desprende que el
modelo puede ser uno de segundo orden, cuya frmula general est dada por:
y=f(x)=ax2 +bx + c
Para simular este comportamiento real, usamos un modelo matemtico de este
orden para ver su comportamiento:
y = f(x) = -2 X 2 + 9 X 1 + 1
Ejemplo:
Grficamente:
15
2.0, 11 2.5, 11
10
1.5, 10
3.0, 10
1.0, 8
3.5, 8
0.5, 5
4.0, 5
0, 1
0
0
Como se puede apreciar el comportamiento es muy similar al del comportamiento real.
APLICACIN DEL MODELO

Si consideramos, basndonos en el diagrama de dispersin de los datos reales,
que las ventas son funcin de la publicidad al cuadrado, es decir, una funcin de segundo
grado, que representa una curva.
40
Junio 2010
Tendramos:
y=f(x)= 0 + 1 x1 + 2 x12
MODELO
Interpretacin de los parmetros:

0 = Interseccin con eje y de la curva
1 = Interseccin con eje horizontal en 0
2 = Positivo la curva tiene un mnimo, negativo mximo
y = f(x) = 1 X 2 + 3 X 1 + 5
Ejemplo:
Graficando:
30
25
20
15
10
0
-4
-3
-2
-1
El modelo es entonces:
Y = 0 + 1 x1 + 2 x12
Cambio a lineal:
Y = 0 + 1 x1 + 2 x2
x2 = x12
Donde:
MODELO:
Y = 0 + 1 x1 + 2 x2
Nos queda un sistema de 3 x 3 con 3 incgnitas:
0 n + 1 x1 + 2 x2 = y
0 x1 + 1 x21 + 2 x1 .x2 = x1 .y
0 x2 + 1 x1 .x2 + 2 x22 = x2 .y
41
Junio 2010
Calculando los parmetros en forma similar con el modelo anterior, usando la informacin
real:
Sustituyendo sumas de datos:
0 7 + 1 208 + 2 8534 = 41
0 208 + 1 8534 + 2 391402 = 1366
0 8534 + 1 391402 + 2 18940706 = 54718
Resolviendo el sistema:
Calculo de Determinante
7
41
0 =
208
8534
2 =
8534
208
208
8534
8534 391402
7669956000
-3000136200
-0.391
4260521540
0.555
-64532380
-0.008
0
208
8534
1366 8534
391402
54718 391402 18940706
1 =
208
208 8534
391402
8534 391402 18940706
41
208
1366
8534
54718 391402
1
41
1366
54718
8534
391402
18940706
41
208
1366
8534 54718
2
208
208 8534
8534 391402
41
1366
54718
208
208
8534
8534 391402
42
Junio 2010
Los resultados son:

0 = -0.3912
1 = 0.5555
2 = -0.0084
Por lo que el modelo estadstico que representa estos datos es:
= -0.391 + 0.555 x1 + -0.008 x2
Donde: x2 = x12
Clculo de la bondad de ajuste

Yi
2.0
3.0
8.0
7.0
9.0
8.0
4.0
Xi
3.0
10.0
30.0
50.0
40.0
20.0
55.0
SCR
( - )2
5.9
5.9
5.9
5.9
5.9
5.9
5.9
1.20
4.32
8.70
6.35
8.37
7.35
4.71
21.7
2.4
8.1
0.2
6.3
2.2
1.3
SCE
( Yi -)2
0.64
1.75
0.49
0.42
0.40
0.42
0.50
42.2
4.63
Calculo del coeficiente de determinacin multiple( R ):

% de datos que se ajustan a este modelo matemtico:
SC total
46.9
0.90124076
90.12%
Conclusiones del modelo matemtico

En base a los anlisis presentados se puede afirmar que:
Este modelo es un modelo fcil de usar, interpretar y aplicar a problemas reales.
Visualizar el comportamiento de la variable, es fcil y por tanto el pronosticar sus

valores tambin.
Es una herramienta estadstica muy prctica y poderosa y se puede aplicar a

cualquier disciplina, por lo que es universal.
Conocer el comportamiento de los modelos lineales y no lineales, son

fundamentales para los problemas aplicados en administracin de negocios, mejorando
notablemente el entendimiento del comportamiento de las variables y generando ventajas
competitivas para quien los usa.
43
Junio 2010
MODELO SUAVIZAMIENTO EXPONENCIAL

Aplicacin: PRONOSTICOS
Cuando en la administracin de los negocios existe necesidad de realizar
pronsticos de variables, un mtodo muy utilizado es el de suavizamiento exponencial.
Iniciemos la idea:
Considerar que el valor de un perodo en una serie de tiempo depende, del valor
anterior y de un factor.
Se parte del siguiente modelo:
y1 = Y1
(donde el valor inicial pronosticado, es el valor inicial de serie)
Frmula recursiva:
yi+1 = Yi+1 . + (1- )yi ( siguiente valor pronosticado )
Como ejemplo, consideramos la siguiente serie de tiempo:

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Yt
71
70
69
68
64
65
72
78
75
75
75
70
75
75
74
78
86
82
75
73
72
73
72
77
83
81
81
85
85
84
44
Junio 2010
Grfica de los datos contra el tiempo:
Calculando los valores con el modelo, usando el coeficiente de suavizamiento de 0.1 en el

primer clculo y de 0.5 en el segundo:
Suaviza miento e xponencial
Constante de
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
St
Yt
71
70
69
68
64
65
72
78
75
75
75
70
75
75
74
78
86
82
75
73
72
73
72
77
83
81
81
85
85
84
Constante de
0.1
71.0
70.9
70.7
70.4
69.8
69.3
69.6
70.4
70.9
71.3
71.7
71.5
71.8
72.2
72.3
72.9
74.2
75.0
75.0
74.8
74.5
74.4
74.1
74.4
75.3
75.8
76.4
77.2
78.0
78.6
St
0.5
71
70.5
69.8
68.9
66.4
65.7
68.9
73.4
74.2
74.6
74.8
72.4
73.7
74.4
74.2
76.1
81.0
81.5
78.3
75.6
73.8
73.4
72.7
74.9
78.9
80.0
80.5
82.7
83.9
83.9
45
Junio 2010
Graficando estos resultados:
Graficando los dos clculos contra los datos reales:
46
Junio 2010
Conclusiones del modelo matemtico:
Se observa, que con el coeficiente de 0.5 da una aproximacin mejor a los datos
reales, por lo que se utiliza para realizar el pronstico del siguiente perodo
Si queremos una mejor aproximacin, se tendr que utilizar un modelo que incluya
varios factores adicionales, y de acuerdo a la curva, podra ser comportamientos
senoidales, cosenoidales y alguna otra funcin.
Esto nos lleva a modelos estadsticos economtricos
MODELOS ECONOMETRICOS
Son modelos estadsticos de la forma:
Y= a0+a1X1+a2X2+...akXk
Donde cada a k coeficiente se debe de especificar de acuerdo al comportamiento de la

variable y cada Xk es una funcin que caracteriza la grfica de datos reales, pudiendo ser
graficas lineales, no lineales, exponenciales, senoidales, etc.
Tenemos las grficas
Y = A Seno [ ( 2 / B ) ( x - C ) ] + D
15.00
10.00
5.00
0.00
-5.00
-10.00
-15.00
-15
-10
-5
10
15
47
Como ejemplo:
Junio 2010
y las funciones:
Modelo Senoidal
Periodo de ciclo
=
Trmino independiente =
X1 =
10
68.85
Coeficiente variable X1
0.43
-3.23
-0.21
0.01
Valor de
3.142
(
X3 = Sen (
X4 = t Cos (
X5 = t Sen (
X2 =
Cos
2 t / 10 )
2 t / 10 )
2 t / 10 )
2 t / 10 )
Siendo el modelo:
t =68.85 + 0.43 t + 8 Cos ( 2 t / 10 ) + -3.2 Sen ( 2 t / 10 ) + -0.2 t Cos ( 2 t /

10 ) + 0.01 t Sen ( 2 t / 10 )
Clculos para el modelo:

Tiempo
Valor
Valores
del
ciclo
observado
Valor
Error de
prediccin
prediccin
Error de
prediccin 2
2
Yt
Cos
Sen
t Cos
t Sen
Yt-t
(Yt-t)
1
2
3
4
5
6
71
70
69
68
64
65
0.81
0.31
-0.31
-0.81
-1.00
-0.81
0.59
0.95
0.95
0.59
0.00
-0.59
0.81
0.62
-0.93
-3.24
-5.00
-4.85
0.59
1.90
2.85
2.35
0.00
-3.53
73.69
69.00
64.82
62.90
64.05
67.84
-2.69
1.00
4.18
5.10
-0.05
-2.84
7.23
1.00
17.48
25.99
0.0025
8.07
72
-0.31
-0.95
-2.16
-6.66
72.85
-0.85
0.72
78
0.31
-0.95
2.47
-7.61
77.24
0.76
0.58
75
0.81
-0.59
7.28
-5.29
79.51
-4.51
20.33
10
11
75
75
1.00
0.81
0.00
0.59
10.00
8.90
0.00
6.47
79.05
76.35
-4.05
-1.35
16.40
1.82
12
70
0.31
0.95
3.71
11.41
72.75
-2.75
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
FIN
75
75
74
78
86
82
75
73
72
73
72
77
83
81
81
85
85
84
-0.31
-0.81
-1.00
-0.81
-0.31
0.31
0.81
1.00
0.81
0.31
-0.31
-0.81
-1.00
-0.81
-0.31
0.31
0.81
1.00
0.95
0.59
0.00
-0.59
-0.95
-0.95
-0.59
0.00
0.59
0.95
0.95
0.59
0.00
-0.59
-0.95
-0.95
-0.59
0.00
-4.02
-11.33
-15.00
-12.94
-5.25
5.56
15.37
20.00
16.99
6.80
-7.11
-19.42
-25.00
-21.03
-8.34
8.65
23.46
30.00
12.36
8.23
0.00
-9.40
-16.17
-17.12
-11.17
0.00
12.34
20.92
21.87
14.11
0.00
-15.28
-25.68
-26.63
-17.05
0.00
69.86
68.96
70.45
73.78
77.70
80.79
82.05
81.25
79.01
76.49
74.91
75.02
76.85
79.72
82.56
84.35
84.59
83.45
5.14
6.04
3.55
4.22
8.30
1.21
-7.05
-8.25
-7.01
-3.49
-2.91
1.98
6.15
1.28
-1.56
0.65
0.41
0.55
SCE =
7.54
26.39
36.48
12.60
17.80
68.87
1.45
49.72
68.06
49.13
12.19
8.45
3.93
37.82
1.64
2.42
0.42
0.17
0.30
505.00
48
Junio 2010
Conclusiones del modelo matemtico:

En base a los anlisis presentados se puede afirmar que:
Este modelo es un modelo que requiere definir el coeficiente de suavizamiento,

pero es fcil de usar y aplicar a problemas reales.
Es un modelo aproximado, por lo que el comportamiento de la variable es algo

diferente a la real, pero se usa con excelentes resultados en pronosticar sus
valores.
Es una herramienta estadstica muy prctica y poderosa y se puede aplicar a

cualquier disciplina, por lo que es universal.
Los modelos estadsticos aplicados en administracin de negocios, mejoran

notablemente el entendimiento del comportamiento de las variables, generando ventajas
competitivas para quienes los usen.
49
Junio 2010
DESARROLLO ECONMICO EN LOS PASES DE LA OCDE Y EL

ENTORNO DE APRENDIZAJE DE LA ESTADSTICA: UN ANLISIS
TRANSVERSAL POR COMPONENTES PRINCIPALES
Ma. Antonieta Prez-Nova, Ma. de la Luz Rovalo Sandoval, Roberto Caldern Jurez6
ABSTRACT
RESUMEN
A
travs
de
una
investigacin
retrospectiva, transversal, descriptiva y
comparativa y a travs de un Anlisis de
Componentes Principales (ACP), se
analiza la relacin que tienen diversos
marcadores macroeconmicos con los
resultados de educacin del estudio
PISA 2003. A partir de estos resultados
se enfatiza la importancia de fortalecer el
uso de elementos estadsticos en todo
proceso de control de calidad y en todo
centro de enseanza, pues las
matemticas potencian el desarrollo
econmico de los pases, en tanto que la
estadstica provee tcnicas que permite
manejar
grandes
cantidades
de
informacin y formas de resumirla,
cualidad importante en la administracin
de riesgos y de negocios.
Through a retrospective, transversal,

descriptive, comparative study and
through Principal Component Analysis
(ACP) analyzes the relationship they have
different macroeconomic markers with the
results of PISA 2003 education. From
these results emphasize the importance of
strengthening the use of statistical
elements in any process of quality control
and in any school mathematics as
enhance the economic development of
countries and given that provides
statistical techniques can handle large
amounts of information and abstract form,
important quality in risk management and
business.
PALABRAS CLAVE: Anlisis de

Componentes Principales, Estadstica y
manejo de bases de datos, OCDE,
Desarrollo Econmico y Educacin.
KEYWORDS: Principal Component

Analysis, Statistics and Database
Management, OECD, Economic
Development and Education.
INTRODUCCIN
Algunas de las preguntas que actualmente ocupan a planeadores de programas
institucionales en cualquier nivel son las de: Cmo aprovechar, a mediano y corto plazos,
las potencialidades (recursos naturales, humanos y tecnolgicos) de una regin?; Cmo
desarrollar estructuras horizontales de trabajo que motiven la productividad orientada a
Ma. Antonieta PrezNova ([email protected]), Ma. de la Luz Rovalo Sandoval

([email protected]), Roberto Caldern Jurez ([email protected]), Universidad del Valle de
Mxico
PrezNova,Rovalo&CaldernDesarrolloEconmicoenlosPasesdelaOCDEyelEntornodeAprendizajedelaEstadstica
50
Junio 2010
resultados y qu factores transformarn en competitiva a una regin?; Qu se necesitar

para mantener esta competitividad?; Qu habilidades y capacidades sern requeridas? y
por ltimo, Quines sern responsables de brindar la capacitacin y el entrenamiento
necesario? (Manpower, 2006, OCDE, 2000). Estas preguntas no pueden estar desligadas
de la rpida transformacin de los sistemas educativos (sustentadas en un enfoque de
tipo cientfico) y de la incorporacin de las denominadas soft skills (que pretenden
promover una cultura de valores y responsabilidades), sin embargo, Latinoamrica
(LATAM, Mxico includo) todava no resuelve el problema de la calidad de la educacin
bsica (Manpower, 2006, OCDE, 2000), ni ha incorporado la visin de la misma, como
potenciadora del desarrollo econmico.
LATAM an no ha incorporado las Soft skills people skills, o habilidades para la
relacin con la gente lo que implica no involucrar la suma de caractersticas de la
personalidad, desenvoltura social, habilidades en el lenguaje, camaradera y optimismo
que nos identifica y que son elementos que pueden potenciar la competitividad y la
productividad de la gente (sobre todo las citadas habilidades en el lenguaje, como
tambin podr verse concluido en este trabajo), (Prez-Nova, et, al, 2010). Es importante
puntualizar que en la actualidad se maneja que las soft skills, son necesarias para el
desempeo adecuado de las funciones, (Paajanen, 1992 y Giusti, 2008). En este trabajo
se considera que el abandono de estas habilidades y el no considerar la interaccin de las
variables macroeconmicas, con las variables educativas (por falta de entendimiento),
tiene como consecuencia una falta de visin en los programas a largo plazo y de talento
en mercadotecnia y en reas cientfico-tecnolgicas y de las de ingeniera que
probablemente se agudizar durante la prxima dcada, si no se toman las medidas
pertinentes.
Por otra parte, la mencionada transformacin del sistema educativo abre una
brecha entre los pases (desarrollados y no desarrollados), sobre todo porque las
tendencias se ven aceleradas por el creciente uso de las Nuevas Tecnologas de la
Informacin y Comunicacin (NTIC), como elementos fundamentales de todas las
acciones de la produccin y como sustrato de todas las transacciones. Es por ello que la
capacitacin tecnolgica, es un factor inminente en toda integracin curricular debido a la
manera en que las NTIC estn definiendo los procesos de trabajo (Manpower, 2006,
OCDE, 2000). Para formar un marco comn internacional en los resultados de los
sistemas educativos, medidos en funcin de los logros alcanzados por los alumnos, en
1997, se resuelve implementar el examen PISA (Program for International Student
Assessment), que representa un esfuerzo colectivo que aglutina el conocimiento cientfico
de los pases participantes (miembros de la Organizacin para la Cooperacin y
Desarrollo Econmico, OCDE) y es dirigido conjuntamente por sus respectivos gobiernos,
cuyo inters comn, es la de extraer consecuencias para sus polticas (OECD/UNESCOUIS. 2010, pgina oficial en lnea).
A travs del examen PISA, y definido por un grupo de expertos, se establece el
nexo entre los objetivos polticos y los conocimientos tcnicos en el mbito de la
evaluacin comparativa a escala internacional para garantizar (a los pases participantes),
que los instrumentos de evaluacin tienen validez internacional dado que consideran el
contexto cultural y curricular de los pases miembros de la OCDE, de esta manera se
constituyen poderosas herramientas de medicin que establecen formas de autenticidad
y validez educativa. As, poltica y conocimiento promueven una Nueva Responsabilidad
Social, basada en el cambio de modelo que va del problema de la produccin y
51
Junio 2010
redistribucin de las riquezas entre las clases sociales, al modelo de sociedad basada en
la prevencin de riesgos para todas las clases sociales (Beck, 2005 y 2006) para fomentar
la nueva realpolitik cosmopolita (Beck, 2006).
Dentro de esta nueva realidad, se establece que Hoy en da, todos los adultos
necesitan una base slida de matemticas para alcanzar sus metas Esta es una
conclusin que se discute en el reporte PISA 2003, pero Cmo generar un concepto de
competencia matemtica vinculado a la vida diaria?; Cmo involucrar rutinariamente
diversos elementos estadsticos en el desarrollo de procesos?; slo a travs de la
cooperacin internacional. En este sentido, los gobiernos vinculados a la OCDE
pretenden fomentar la capacidad de los alumnos de analizar, razonar y comunicarse
eficazmente cuando formulan, resuelven e interpretan problemas matemticos en
diversas situaciones, es por esto, que los exmenes propuestos por PISA incluyen
conceptos matemticos cuantitativos, espaciales, probabilsticos o de otro tipo (The Pisa
2003 Assessment Framework: Mathematics, Reading, Science and Problem Solving
Knowledge and Skills, OCDE, 2003e; Marco de evaluacin PISA 2003: Conocimientos y
habilidades en matemticas, lectura, ciencias y solucin de problemas), que en su
conjunto permiten evaluar tanto los principios bsicos que manejan los alumnos, como el
rendimiento en matemticas entre los pases participantes.
Buscar un marco referencial sobre aptitudes y actitudes matemticas
(competencias), incide en la forma en que los jvenes son preparados para la vida
Pero qu son las competencias? Entendemos por competencia al establecimiento de
resultados asociados a la demostracin de la habilidad de la que se habla y que se asocia
con criterios de evaluacin que permiten medir, holsticamente, el xito en la formacin
curricular. Las competencias hablan de la capacidad para realizar actividades y del
cumplimiento de las funciones tcnicas: el aprendizaje, por tanto, se orienta a la prctica
(Kozulin, 2000 y Oppenseminar 2.0, 2009). Dado que las competencias son declaratorias
que refieren a situaciones reales, los programas tienden a reproducir las mismas y/o
poner al alumno directamente en contacto con la realidad, en la produccin o los servicios
(Ramrez Palacio, et al., 2006 y RICS, 2009).
En este sentido de realidad, la OCDE definir por competencia matemtica como,
...una capacidad del individuo para identificar y entender la funcin que desempean las
matemticas en el mundo, emitir juicios bien fundados y utilizar y relacionarse con las
matemticas de forma que se puedan satisfacer las necesidades de la vida de estos
individuos como ciudadanos constructivos, responsables y reflexivos (OCDE, 2003e).
Ante este panorama los centros de enseanza no deben limitarse a instruir a
los alumnos, sino que tambin deben intervenir sobre la manera en que stos afrontan su
aprendizaje (OCDE, 2003e), he aqu los motivos de la presente investigacin.
El Programa para la Evaluacin Internacional de Alumnos de la OCDE, PISA, tiene
por objeto, evaluar hasta qu punto los alumnos cercanos al final de la educacin
obligatoria han adquirido algunos de los conocimientos y habilidades necesarios para la
participacin plena en la sociedad del saber. PISA saca a relucir aquellos pases que han
alcanzado un buen rendimiento y, al mismo tiempo, un reparto equitativo de
oportunidades de aprendizaje, ayudando as a establecer metas ambiciosas para otros
pases. Las pruebas de PISA, son aplicadas cada tres aos y examinan el rendimiento de
alumnos de 15 aos en reas temticas clave y estudian igualmente una gama amplia de
resultados educativos, entre los que se encuentran: la motivacin de los alumnos por
52
Junio 2010
aprender, la concepcin que stos tienen sobre s mismos y sus estrategias de

aprendizaje. Todas las evaluaciones pasadas de PISA se ha centrado en un rea
temtica concreta: la lectura (en 2000), las matemticas (en 2003) y las ciencias (en
2006); siendo la resolucin de problemas, un rea temtica especial en PISA 2003.
De acuerdo con el reporte PISA 2006, el programa utiliza:
i)
mecanismos muy rigurosos de control de calidad de la traduccin, el muestreo y la

administracin de las pruebas;
ii) medidas para conseguir la mxima amplitud cultural y lingstica en los materiales de
evaluacin, objetivo que se alcanza fundamentalmente mediante la implicacin de los
pases en el proceso de elaboracin y revisin de los ejercicios;
iii) la aplicacin de las tecnologas y metodologas ms avanzadas para el proceso de
datos. Mediante la conjuncin de todas estas medidas se obtienen unas herramientas
de gran calidad, as como unos resultados con un alto grado de validez y fiabilidad,
que permiten comprender mejor el funcionamiento de los sistemas educativos y los
conocimientos, las habilidades y actitudes de los alumnos, PISA, 2006.
Finalmente PISA, se basa en un modelo dinmico de aprendizaje en el que los
nuevos conocimientos y las habilidades necesarias para adaptarse con xito a un mundo
cambiante, se adquieren de forma continuada a lo largo de toda la vida. PISA se centra en
todo aquello que los jvenes de 15 aos necesitarn en el futuro y se propone evaluar
qu son capaces de hacer con lo que han aprendido. La evaluacin toma en
consideracin el comn denominador de los currculos nacionales, pero no se circunscribe
a l (PISA, 2006).
Como podemos ver, la configuracin de la sociedad contempornea parte de la
nueva realpolitik, que pretende ser comunicada de acuerdo a criterios que disminuyan el
riego o, en trminos equivalentes, necesita criterios que disminuyan la probabilidad de
cometer error en el desarrollo de procesos o en la implementacin de resultados por lo
que traera como consecuencia anlisis o discusiones ms certeras. Esta Teora
Estadstica, no puede ser ignorada por ningn programa ni por ningn pas.
QUE OCURRE EN MEXICO DENTRO DEL PANORAMA EDUCATIVO?

La inmersin de Mxico en la economa global a partir del Tratado de libre
comercio (1994), ha generado que la economa mexicana se haya vuelto netamente
exportadora y que compita con el resto del mundo por acceso de sus productos a
mercados como el norteamericano y el europeo. A pesar del crecimiento promedio de la
economa de 2.8 % entre 2002 y 2006, la economa no ha crecido con el dinamismo de la
India y China de 10.1 y 7.8% respectivamente en el mismo perodo (Haussman, Lozoya &
Mia, 2009). De acuerdo al estudio Global Competitiveness Report (GCR) realizado
anualmente por el World Economic Forum, se sabe que dos de los pilares de
competitividad son la educacin y la innovacin. El GCR de 2008-2009 evala a Mxico,
en el rea de educacin primaria, en el lugar 55 (de 134 pases), ocupando el lugar 65 en
salud y el 90 en innovacin (Schwab, 2009).
53
Junio 2010
BENCHMARKING EN EDUCACION Y COMPETITIVIDAD

La entrada de Mxico como miembro a la Organizacin de Cooperacin y
Desarrollo Econmico, OCDE, en 1994 ha permitido comparar el desempeo de nuestra
sociedad, con el resto de los pases miembros del organismo. En 2006 Mxico, tuvo un
promedio de desempeo educativo en Matemticas de 394 puntos contra la media de 500
puntos. Espaa tuvo 492 y Corea 537 (Examen Pisa, 2006). En la tabla 1 podemos
comparar el desempeo matemtico para algunos pases, entre ellos Mxico.
Tabla 1. Desempeo educativo en Matemticas en jvenes del nivel terciario con ms de 625 puntos en el examen
PISA 2003. (Haussman, Lozoya & Mia, 2009).
Pas
Jvenes con nivel avanzado

en matemticas
Jvenes
examinados
Mxico
3,493
1,204,632
0.29%
India
95,659
11,503,427
0.83%
Corea
124,020
681,426
18.20%
Estados Unidos
239,718
3,676,652
6.52%
La literatura confirma de manera emprica, la importancia de la educacin en el

crecimiento econmico. Se sabe que la educacin incrementa la productividad, facilita
tanto la adopcin de tecnologa, la creacin de nueva tecnologa y los efectos en cascada
el nuevo conocimiento, ayuda tambin a reducir la inequidad del ingreso, entre otros. A
partir de estos elementos se define que la competitividad, es la habilidad de un pas para
la creacin de valor agregado e incrementar la riqueza (Keller 2006). De acuerdo con
Keller (2006), una economa ms competitiva tiene una mayor productividad, y con ello
debera tener un mayor ingreso per cpita, una mayor tasa de retorno a inversiones y un
crecimiento sostenido (Wong, 2008).
EDUCACION, CONOCIMIENTO Y DESARROLLO

De acuerdo con diversos autores, el conocimiento es el nico activo estratgico y
este se encuentra referido a las tcnicas de administracin, habilidades en el trabajo,
mtodos de produccin, tecnologa de innovacin, experiencia tcnica, investigacin y
desarrollo de capacidades (Keller, 2006, Manpower, 2006 y Wong, 2008). En el campo la
transferencia de tecnologa, ocurre a travs de transportadores de conocimiento,
gerentes, ingenieros, operadores, contadores y trabajadores operativos que se mueven
de una organizacin a otra, llevando con ellos informacin y conocimientos especializados
(know-how) adquiridos en industrias o en diversas instituciones (bidem). El conocimiento
es observado o descubierto en la investigacin o en la ingeniera, tambin puede ser
aprendido por experiencia personal o puede ser obtenido a travs de, asociaciones
estratgicas licencias en donde los gobiernos son las clave para desarrollar una
estrategia de desarrollo tenaz, de largo plazo para dar continuidad y gua necesaria para
54
Junio 2010
ligar eficientemente diversos incentivos de inversin con la industria local y la educacin,

elementos necesarios que fomentan el conocimiento base para el desarrollo econmico
(Salberg, 2006).
En las economas basadas en el conocimiento se observa, en las dos ltimas
dcadas, un crecimiento sostenido en las expectativas de la educacin; especialmente se
ha enfocado en la calidad y en la capacitacin de la gente. Los lderes polticos y
educadores estn buscando soluciones para mejorar la competitividad de las naciones,
generando reformas al sistema educativo. Los gobiernos asumen que la educacin
mejorar el desempeo de las economas de mercado, abriendo puertas a la competencia
y a la eleccin. Como resultado de esto, la estandarizacin y consecuentemente la
responsabilidad en el desempeo educativo han sido propuestas como soluciones en el
mundo, para mejorar la calidad y la efectividad de la enseanza y el aprendizaje
(Hanushek Eric and Wmann Ludger, 2007).
TEMA DE LA INVESTIGACION
El mundo globalizado pretende generar y organizar informacin muy variada,
Cmo obtenerla y bajo qu criterios debe ser organizada?; Cmo enfatizar la
relevancia del uso de NTICs, en mltiples procesos administrativos?; Cmo hablar de la
particular tendencia de la modernidad a resolver problemas a travs, del anlisis
estadstico e interpretacin de los resultados para su pronta incorporacin rutinaria?
(Barrero, 2005; Collins et al., 2003; Martin-Sanchez et al., 2004; Maojo et al., 2004;
Guttmacher et al., 2003). Estos y otros elementos son discutidos a partir de un Anlisis de
Componentes Principales, en el que se muestra cmo diversos marcadores de desarrollo
macroeconmico se encuentran relacionados y cmo la estadstica plantea el reto de
utilizar enormes conjuntos de datos de origen heterogneo para reforzar la generacin de
conocimiento mediante el desarrollo y aplicacin de grandes plataformas informticas que
asumen las funciones de sistemas de gestin de datos y bases de datos de conocimiento
(Barrero, 2005; Collins et al., 2003; Martin-Sanchez et al., 2004; Maojo et al., 2004;
Guttmacher et al., 2003); discutimos que la globalizacin as planteada, fomenta que las
empresas respondan cambiando la forma en que operan al utilizar metodologas con
mayor enfoque cientfico.
OBJETIVOS
En este trabajo, pretendemos establecer cientficamente el posible impacto que tiene el
nivel de educacin en un pas, medido con las puntuaciones obtenidas en la prueba PISA
reportadas por el suplemento 1 de OECD in Figures 2006-2007 para las reas de
matemticas, lectura y ciencias en la productividad y crecimiento-desarrollo econmico.
Tambin pretendemos mostrar, que las matemticas potencian el desarrollo econmico
de los pases y que la estadstica provee de tcnicas que nos permite manejar grandes
cantidades de informacin as como formas de resumir y presentar la misma, cualidad
importante en la administracin de riesgos y de negocios.
METODOLOGIA
La investigacin propuesta es retrospectiva, transversal, observacional y comparativa con
informacin histrica de PIB en la que se analizan datos sobre desempeo econmico de
19 pases de la OCDE, Inversin en educacin pblica y privada, investigadores, patentes
55
Junio 2010
y resultados de educacin en Matemticas, Espaol y Ciencias. Toda esta informacin fue

obtenida del suplemento 1 de OECD in Figures 2006-2007.
Para lograr lo anterior, aplicamos un Anlisis de Componentes Principales (ACP).
ACP es un anlisis multivariante, que nos permite tener un mejor entendimiento del
fenmeno estudiado (Grim and Yarnold, 1994; Martnez Arias, 2000). En nuestro estudio,
las interrelaciones de las variantes econmicas y acadmicas o matemticas que
permiten estudiar los ACP, fueron explicadas a partir de un menor nmero de variables
denominadas componentes principales (CP). Los CP permiten construir varios ndices o
constructos numricos que definen la situacin particular del problema (Hair, et, al.,
1999; Afifi, 1996). En nuestro caso, decidimos que era necesario encontrar los elementos
econmicos o de otra ndole que podan predecir mejor el desempeo acadmico en
matemticas.
RESULTADOS
Los pases fueron clasificados en 4 cuartiles en funcin del Producto Interno Bruto
(GDP) y las variables analizadas con un alfa=0.05 fueron: Pas, cuartil, PIB por pas (GDP
per country), Educacin (gasto), Investigacin y Desarrollo como % del PIB (R&D as
%GDP), Gasto en Educacin como % PIB (Expense in Education as % of GDP EiE as
&GDP) subdividido en 3 grupos (Pblico, Privado y Total), PIB per cpita (GDP per
capita), Patentes (nmero por ao), Media de puntaje para Matemticas, lectura y
ciencias en estudiantes de 15 aos 3 meses y 16 aos 2 meses.
La Prueba de esfericidad de Bartlett con 78 grados de libertad y alfa = 0.05 reporta
un Chi-cuadrado (valor observado) = 430.775 y un p-value unilateral< 0.0001. Al umbral
de significacin Alfa=0.050 se puede rechazar la hiptesis nula de ausencia de correlacin
significativa entre las variables. Dicho de otro modo, la correlacin entre las variables es
significativa.
Al analizar todas las variables encontramos que los primeros cuatro Componentes
Principales (Fi) tenan una variabilidad acumulada del 89% (grfica 1). Por otra parte, la
matriz de correlaciones (tabla 2), muestra las variables correlacionadas significativamente.
Grfica 1. Valores propios y porcentaje de variabilidad acumulada
56
Junio 2010
Tabla 2. Matriz de correlacin (slo se observan algunas variables)
Quartils
Quartils
R&D_
%_GDP
M_read
M_math
Mean scient
0.558
0.471
0.453
0.313
Researchers
0.504
0.764
0.551
0.628
0.454
Education
0.721
0.580
0.377
0.315
0.155
R&D_ %_GDP
0.558
0.490
0.603
0.477
GDP per capita
0.941
0.619
0.492
0.418
0.274
Mean reading
0.471
0.490
0.888
0.853
Mean
mathematical
0.453
0.603
0.888
0.888
Mean scientific
0.313
0.477
0.853
0.888
Se enfatizan valores significativos (fuera diagonal) al umbral alfa=0.050 (prueba bilateral)
En la tabla 3 se muestran las Coordenadas de las variables para los cuatro Componentes
Principales (F1 a F4).
Tabla 3. Coordenadas de las variables para los 4 Componentes Principales (Fi)
Variable
F1
F2
F3
F4
Researchers
0.822
0.319
-0.148
0.164
R&D_ %_GDP
0.849
0.034
-0.103
0.260
EiE_GDP_Public
0.279
0.729
-0.572
-0.121
EiE_GDP_Priv
0.081
0.102
-0.101
0.861
GDP per capita
0.837
-0.143
-0.162
-0.411
Mean reading
0.734
0.256
0.518
0.042
Mean mathematical
0.738
0.311
0.554
0.077
Mean scientific
0.613
0.065
0.729
0.211
57
Junio 2010
La grfica 2 muestra la distribucin de todas las variables analizadas para los dos
primeros Componentes Principales, en tanto que la grfica 3 muestra los centroides para
las cuatro clases econmicas consideradas.
Grfica 2. Distribucin de varibles
F1 (GDP per capita) vs F2 (Expense in Education as % of GDP Public)
Grfica 3. Centroides por grupo econmico
F1 (GDP per capita) vs F2 (Expense in Education as % of GDP Public)
58
Junio 2010
Grfica 4. Distribucin de variables por pas para F1 vs F2.
ANALISIS
Como paso previo a la aplicacin del mtodo de componentes principales a los
diferentes elementos del estudio, fue necesario analizar la idoneidad estadstica utilizando
para ello la prueba de esfericidad de Bartlett; esta prueba permite contrastar la hiptesis
nula de que la matriz de correlaciones es una matriz de identidad, cuya aceptacin
implicara el replanteamiento de la utilizacin del anlisis de componentes principales. En
nuestro caso encontramos que el ACP, era una tcnica adecuada para modelar nuestros
constructos dado que el p value encontrado fue menor a 0.0001, (pvalue<0.0001,
).
Con el ACP decidimos retener 4 Componentes Principales (Fi), ya que representan
un 89% de variabilidad acumulada (grfica 1). En la tabla 3, se muestran las coordenadas
de las variables que especifican el peso de las variables en la explicacin de los
componentes Fi. El Componente F1 es explicado por Investigacin y Desarrollo como
porcentaje del PIB con un peso de .849, en este mismo nivel, el nmero de investigadores
tambin resulta significativo y el gasto per cpita, lo cual es concordante porque mientras
ms rico es un pas, ms gasta en su poblacin, con un poco menos de importancia,
aparecen los puntajes en matemticas y habilidades lectoras (ambos con un peso de casi
0.738).
El componente principal 2, F2, es explicado por gasto en Educacin Pblica lo que
indica que posiblemente, el desarrollo econmico de un pas es definido en primer lugar
por el desarrollo tecnolgico aunado con el desempeo acadmico en matemticas y
habilidades lectoras y, en segundo lugar de importancia, el desarrollo de los pases se ve
determinado por el gasto en educacin bsica como porcentaje del Producto Interno
Bruto. El componente tres, F3, es explicado por el desempeo acadmico en ciencias,
59
Junio 2010
matemticas y lectura en tanto que el ltimo componente F4, es explicado por el gasto en
Educacin Privada.
La grfica 2, muestra cmo se arreglan todas las variables analizadas en funcin
de F1 vs F2 encontrando que los lugares mejores posicionados son: Investigacin y
desarrollo, nmero de investigadores y desempeo en matemticas. F1 y F2 tienen un
porcentaje de varianza acumulada respectiva del 42% y 23%.
Las Medias por clase o por bloque econmico donde 1 indica el nivel ms bajo en
la economa de los pases analizados (y donde se ubica a Mxico) y 4 el ms alto (donde
se encuentra Luxemburgo), son representadas en la grfica de los centroides por pas,
grfica 3. Los centroides representan la media de la clase. En este anlisis que no se
muestra por falta de espacio encontramos que entre ms recursos econmicos tenga el
pas y entre ms gasto per cpita tenga, mejor desempeo en Matemticas tiene, adems
de que cuenta con mejor educacin y ms investigadores. En la tabla 2 tambin puede
observarse esta tendencia, por ejemplo en la columna de cuartiles, encontramos una
correlacin significativa para nmero de Investigadores, Gasto en Educacin,
Investigacin y Desarrollo como porcentaje del PIB y (lo que nos importa mucho),
desempeo en Matemticas y habilidades lectoras. Lo anterior habla por s slo, a mayor
nmero de investigadores y a mayor inversin en Investigacin y Desarrollo, mejor
desempeo en el rea de Matemticas y mejor bienestar econmica para la poblacin.
Combinando los elementos anteriores, podemos esperar para Mxico que sea uno
de los pases con menor desarrollo e investigacin por lo que se espera y se confirma con
el ACP, que sea uno de los pases de la OCDE con menor desempeo en Matemticas,
ciencias y actividades lectoras, tal y como puede corroborarse en la Grfica 4, siendo
Estados Unidos, Japn y Alemania algunos de los pases mejores posicionados en este
rubro. La tabla 3, nos muestra las variables que ms pesan en los componentes
principales 1 y 2 de todas las grficas, a saber, gasto en educacin y PIB por habitante.
SINERGIA EN EL DESARROLLO ECONOMICO
Encontramos una relacin sinrgica entre el desarrollo econmico, nmero de
investigadores, nmero de patentes, ingreso per cpita y gasto pblico por pas con el
nivel educativo (aprovechamiento en ciencias, matemticas y actividades lectoras) lo que
genera (o es impulsado?) innovacin en productos y mayor crecimiento econmico,
razn por la que los gobiernos deben pensar en fortalecer el rea acadmica y su
desarrollo cientfico lo que conlleva a ampliar las Fronteras de Posibilidades de
Produccin (FPP) a mediano y largo plazos.
CONCLUSIONES
1. Encontramos una correlacin sinrgica entre el desarrollo econmico, nmero de
investigadores, nmero de patentes, ingreso per cpita y gasto pblico por pas con el
nivel educativo (aprovechamiento en ciencias, matemticas y actividades lectoras).
2. El alto desempeo acadmico en matemticas genera (o impulsa?) innovacin en
productos tecnolgicos y por ende mayor crecimiento econmico.
3. El desarrollo tecnolgico ampla las Fronteras de Posibilidades de Produccin, y con
esto, el potencial econmico tambin se incrementa, razn por la que los gobiernos
deben pensar en fortalecer el rea acadmica y su desarrollo cientfico.
60
Junio 2010
4. Con este tipo de anlisis podemos describir el desempeo acadmico de Mxico,

encontrando que es uno de los pases que ms gasta en educacin pblica pero,
contradictoriamente, es uno de los pases que tiene bajo desempeo en habilidades
matemticas, lectoras y cientficas.
5. Las tcnicas de estadstica avanzada nos permiten analizar gran cantidad de
informacin para presentarla de manera sencilla y clara.
6. Las estadsticas juegan un rol importante en la tendencia actual del uso de sistemas
de data warehousing y data mining permitiendo el fcil manejo de los depsitos
masivos de informacin para formular hiptesis, estudiar y descubrir relaciones y para
abrir paso al establecimiento de parmetros de representacin de la realidad
haciendo de la realidad, aquello de lo que ella se representa.
7. Algunas de las ventajas que observan las empresas, industrias o centros de
investigacin, al utilizar NTICs y distintos elementos estadsticos son:
lograr una ventaja competitiva.

reaccionar rpidamente ante cambios del mercado.
descubrir problemas y oportunidades que pueden tornar a su compaa o industria
ms rentable y competitiva.
generar proyectos estratgicos multidisciplinarios encaminados a la innovacin
tecnolgica al servicio de la humanidad.
REFERENCIAS
Afifi, A.A. and Clark, V. (1996). ComputerAided Multivariate Analysis. Third Edition.
Texts in Statistical Science. Chapman
and Hall.
Beck, Ullrich, (2005). Poder y contrapoder en
la era global. Paids, Barcelona, 440pp.
Beck, Ullrich, (1986 y 2006). La Sociedad del
Riesgo. Paids, Barcelona, 440pp.
OCDE. (2005 y 2006). Country profiles
OCDE, (en lnea). Disponible en:
http://www.oecd.org/dataoecd/ (diciembre
8,2009).
Organizacin de Cooperacin y Desarrollo
Econmico. (2003). Database - PISA
2003, (en lnea). Disponible en:
http://www.oecd.org/dataoecd/53/32/4420
3966.pdf (diciembre 8,2009).
Giusti, Giuseppe (2008). Soft Skills for
Lawyers, (en lnea). Chelsea Publishing,
NJ.
Disponible
en:
http://www.asktbs.com/ei/EI_ReportNews
letter.pdf
Gonzalez-Brambila C., Lever, J. and Veloso
F. (2007). Mexicos innovation Cha
Cha: the country has taken some
encouraging steps toward strengthening
its science and technology capacity, but it
retreats when it comes to providing

adequate resources and following
through on implementation. Issues of
Science and Technology, (septiembre de
2007), University of Texas, Disponible en:
http://www.accessmylibrary.com/article1G1-170817607/mexico-innovation-chacha.html (octubre 2009).
Grim, L. and Yarnold, P.R. (1994). Reading
and understanding multivariate statistics.
American
Psycological
Association.
Washington D.C.
Hair, J., Anderson, R., Tatham R. and Black,
W. (1999). Anlisis Multivariante. 5
Edicin. Mxico: Prentice Hall.
Hanson
Mark,
(2008).
Economic
Development,
Education
and
Transnational Corporations. Routledge
Studies in Development Economics.
USA. (en lnea). Disponible en:
http://books.google.com.mx/books?id=Ye
PUmH5HBOoC&printsec=frontcover&dq=
Economic+Development,+Education,+an
d+Transnational+Corporations++Rutledg
e&source=bl&ots=_kazHVhDeA&sig=IFu
dAuzsnWM_Uvg8bISuXaHTJ3U&hl=es&
ei=pXl_S4_MIoqusgO_-
61
rmOBA&sa=X&oi=book_result&ct=result
&resnum=6&ved=0CCcQ6AEwBQ#v=on
epage&q=&f=false . (septiembre 2009).
Hanushek E. and Wmann L. (2007).
Education quality in economic growth.
The International Bank for Reconstruction
and Development / The World Bank
Washington
DC.
Disponible
en:
http://www.mp.gov.rs/resursi/dokumenti/d
ok101-engEdu_Quality_Economic_Growth.pdf.
(octubre 2009).
Haussman, R. Lozoya E. & Mia, I. (2009).
The Mexico Competitiveness Report
2009. World Economic Forum, Harvard,
128 pp. (en lnea). Disponible en
http://www.weforum.org/pdf/Mexico/MCR
_2009.pdf. (11 de diciembre de 2009).
Keller K. (2006). Investment in primary,
secondary and
higher
education.
Contemporary Economic Policy. 24,
Num. 1:18-34.
Kozulin, A. (2000), Instrumentos psicolgicos:
La educacin desde una perspectiva
sociocultural, caps. 1-3, Barcelona:
Paids.
Manpower. (2006). El Futuro del Trabajo en
Amrica Latina, (en lnea). Mxico.
Disponible en: www.manpower.com.mx
(27 de julio)
Martnez Arias, R. (2000). El Anlisis
Multivariante
en
la
Investigacin
Cientfica. Cuadernos de Estadstica.
Editorial La Muralla.
OCDE. (2000). School Factors related to
quality and equity, Results from PISA,
2000,
(en
lnea).
Disponible
en:
http://www.oecd.org/document/35/0,3343,
en_32252351_32236159_34669667_1_1
_1_1,00.html (5 de abril de 2010).
OECD/UNESCO-UIS.
Program
for
International Student Assessment, (en
lnea). Pgina oficial. Disponible en:
http://www.pisa.oecd.org
OECD/UNESCO-UIS.
Program
for
International Student Assessment, 20002003, (en lnea). Disponible en:
Junio 2010
http://www.pisa.oecd.org (19 de marzo de

2010).
Openseminar 2.0 Blog Universidad Tcnica
Particular de Loja (2009): De la
informacin al conocimiento innovador
(en lnea): http://openseminar.flacso.
edu.mx/loja/?p=147. (abril de 2009).
Paajanen, George (1992). Employment
Inventory Reports, (en lnea). Technology
Based Solutions/Personnel Decisions,
Inc.
Disponible
en:
http://www.asktbs.com/ei/EI_ReportNews
letter.pdf
Programa para la Evaluacin Internacional de
Alumnos, Pisa. (2006). Marco de la
Evaluacin: Conocimientos y habilidades
en Ciencias, Matemticas y Lectura, (en
lnea).
OCDE.
Disponible
en:
http://www.pisa.oecd.org/dataoecd/59/2/3
9732471.pdf (15 de mayo 2010).
Ramrez Palacio, et al., (2006), Qu es la
intervencin psicopedaggica: Definicin,
principios y componentes, en El gora
USB Medelln-Colombia, Vol. 6, Nm. 2,
pgs. 215-226, Julio Diciembre.
RICS, European housing buffeted by the
global storm, (2009), localizado en la
pgina:
http://www.joinricsineurope.eu/es/articles/
view/.
Salberg P H (2006) Education reform for
global competitiveness World Bank
Journal of educational change
Wong, S. (2008). Educacin Como factor de
Competitividad:
Experiencias
Comparadas Entre Asia y Amrica
Latina. Centro de Estudios Asia-Pacfico
(CEAP) Ecuador. Red de Amrica
Latina y el Caribe de Centros de Estudios
de
Asia-Pacfico
(REDEALAP).
Universidad de Colombia, Bogot,
Colombia. (En lnea). Disponible en:
http://www.iadb.org/intal/aplicaciones/upl
oads/ponencias/e_Foro_REDEALAP_20
08_08_01_wong.pdf.
(noviembre
de
2009).
62
Junio 2010
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (RCM)

Jorge Acua7
ABSTRACT
RESUMEN
La toma de decisiones basada en datos
confiables es cada da ms un
requerimiento ineludible, puesto que las
decisiones tomadas sobre una base
cientfica son ms acertadas que las
decisiones basadas en intuicin o con
base solo en la experiencia. De este
requerimiento no se escapan las
decisiones sobre mantenimiento de
equipos y sistemas basado en un estudio
estadstico de datos que refleje el
comportamiento histrico de las fallas.
Este es un medio para identificar patrones
que pueden ayudar a predecir mejor la
ocurrencia futura de eventos y por ende
establecer planes de accin para atacar
esas fallas antes de que ocurran. La
organizacin de las actividades de
mantenimiento sobre la base de datos de
falla, es una forma de disminuir los costos
asociados a las operaciones de
reparacin y de hacer ms efectiva la
gestin administrativa del mantenimiento
sobre la base de un mantenimiento ms
proactivo, lo que debe ser un objetivo
fundamental de cualquier empresa. En
este artculo se presentan las bases de la
teora de la confiabilidad y su aplicacin al
mantenimiento como un medio cientfico
de anlisis de datos que permita anticipar
la ocurrencia de fallas.
Decision making based on data is one of

the most important requirements of today
industries given that made decisions on
scientific basis are less risky than
decisions based exclusively on intuition or
experience. Maintenance decisions are
part of the current view of management
and therefore equipment and systems
maintenance activities based on statistical
analysis of data is a very good help to
understand the historical behavior of
failures. This is a means to identify failure
paths that may predict the future
occurrence of events and thus helping
establishing action plans to attack failures
before occurrence.
PALABRAS CLAVE: Administracin del

mantenimiento, confiabilidad, correctivo,
estimacin
matemtica,
estimacin
experimental,
estimacin
estadstica,
exponencial, fallas, funcin de falla,
lognormal,
mantenimiento,
normal,
patrones de falla, preventivo, proyectivo,
vida til, weibull.
KEY WORDS: Corrective, experimental

estimation, failure paths, exponential,
failures,
lognormal,
maintenance,
maintenance management, mathematical
estimation, normal, preventive, projective,
reliability, statistical estimation, useful life,
weibull.
The organization of maintenance activities

based on failure data is a way of
decreasing cost rates associated with
repair operations and a means of making
maintenance management more effective
since it is more proactive which must be a
fundamental issue for any enterprise.
This paper presents the basis of reliability
theory and its application to maintenance
activities in a scientific way based on data
analysis able to anticipate failure
occurrence.
JorgeAcua,UniversidadLatinaCampusSanPedro
AcuaMantenimientocentradoenConfiabilidad
63
Junio 2010
INTRODUCCIN
El mantenimiento es una de las funciones esenciales en cualquier proceso
productivo, pues es el medio de conservar en funcionamiento equipos y maquinaria sin
que los paros frecuentes o peridicos debido a fallas, afecten la productividad del sistema
de manera integral. La Figura 1, muestra las interrelaciones entre las funciones de
calidad, produccin y mantenimiento, en un sistema productivo en donde se nota que el
mantenimiento es una funcin primaria lo que es obvio, pues si la maquinaria no opera no
hay produccin. Por otro lado, se enfatiza en la importancia de la calidad de las
condiciones de funcionamiento y disponibilidad de equipos y mquinas, como un medio
de lograr los niveles de produccin requeridos.
Insumos
Energa
Informacin
Entrada para
su Funcin
Primaria
Confiabilidad
Mquinas
Bienes y
Servicios
Calidad de la produccin y de
los servicios
Funcin
primaria de
mantenimiento
Mantenibilidad
Salida de su
Funcin
Primaria
Produccin
Calidad
Funcin
secundaria de
produccin
Productos
Calidad de las condiciones,

caractersticas, funcionalidad
y disponibilidad de los equipos
Mantenimiento
Figura 1. Ubicacin del mantenimiento en el ciclo productivo

Fuente: (Pzydek, 2003)
Por otro lado, se seala el papel crucial que juegan la confiabilidad (probabilidad
de no falla) y la mantenabilidad (capacidad de los equipos de mantenerse en operacin)
como elementos esenciales en el logro de las metas de productividad. Se ha hablado de
mantenimiento y de su administracin, pero an no se han definido. Una definicin clsica
dice que el mantenimiento es, una operacin mediante la cual los sistemas estn
sometidos a rutinas de revisin, reparacin y reemplazo con el fin de repararlos o
sustituirlos cuando fallan o prevenir fallas cambiando partes o lubricando los mecanismos
de accin. Las operaciones de mantenimiento se dirigen esencialmente a sistemas
reparables, sea aquellos susceptibles de ser reparados cuando fallan. En los sistemas no
reparables, los productos o sus partes simplemente se sustituyen por otros nuevos una
vez que fallan.
La administracin del mantenimiento es, la aplicacin de todas las fases del
proceso administrativo a las actividades de mantenimiento. En otras palabras, es la
aplicacin del ciclo administrativo (planeacin, organizacin, ejecucin, control), a la
gestin de mantenimiento cuya meta clara es, lograr una operacin efectiva de los
equipos al menor costo posible. Como medio de prolongar la vida til de repuestos y
mecanismos se aplican rutinas de mantenimiento, las cuales pueden ser realizadas sobre
un enfoque correctivo, preventivo, predictivo o basado en confiabilidad.
64
Junio 2010
El mantenimiento correctivo es la accin mediante la cual se retorna un sistema

que ha fallado a su posicin de operacin o estado de disponible con la meta de
maximizar la eficacia, la eficiencia, la efectividad y la productividad de los activos. La
forma de lograrlo es mediante la pronta reparacin de la falla, con personal de
mantenimiento idneo. Se busca la rpida reaccin de la reparacin mediante el uso
eficaz de los recursos humanos asignados, las herramientas, los repuestos y los
elementos de transporte.
El mantenimiento preventivo es el medio que busca mantener el sistema en
operacin o en estado de disponible, por medio de acciones que anticipen las fallas. Las
labores que se ejecutan incluyen entre otras cosas: limpieza, lubricacin, e inspeccin de
partes crticas y su reposicin si es necesario. La eficacia de este tipo de mantenimiento
se mide con base en el tiempo que duran las actividades de prevencin y su frecuencia.
Es por esto, que las inspecciones peridicas son programadas sobre los equipos e
infraestructura para detectar condiciones o estados inadecuados de esos elementos, las
cuales pueden ocasionar paros en la produccin o deterioro grave de mquinas, equipos
o instalaciones de una manera espontnea o paulatina. La principal meta es evitar tales
condiciones mediante la ejecucin de ajustes o reparaciones, mientras las fallas
potenciales estn an en estado inicial de desarrollo (Acua, 2003).
El mantenimiento predictivo consiste esencialmente de un programa peridico de
monitoreo del sistema o maquinaria, con el fin de determinar sus condiciones de
operacin idneas y predecir problemas. El programa peridico de monitoreo de producto
o sistema se hace con el fin, de determinar sus condiciones de operacin y predecir
problemas. Mediante instrumentacin especializada se analizan mediciones de variables
fsicas que muestran comportamientos adversos, tal es el caso de vibracin excesiva,
ruidosa o extraa, fluctuaciones peligrosas de corriente elctrica, temperatura y presin
extremas o fuera de lo normal y comportamientos mediante patrones diferentes a los
esperados y fijados por las especificaciones originales planteadas en los manuales. Se
busca la prediccin del comportamiento de los parmetros de funcionamiento por medio
de las matemticas. Es importante recalcar, que este tipo de mantenimiento raras veces
altera el funcionamiento normal de la planta mientras se est aplicando (Garca Garrido,
2010).
El mantenimiento centrado en confiabilidad (RCM), es un proceso sistemtico que
se usa para determinar lo que debe hacerse para asegurar que un elemento fsico
continua desempeando las funciones deseadas en su contexto operacional presente con
base en el estudio cientfico de las fallas (Dhillon, 2007).
MANTENIMIENTO CENTRADO EN CONFIABILIDAD
La aplicacin de este tipo de mantenimiento se basa en, un cambio de enfoque requerido
por el avance tecnolgico de la actualidad que se caracteriza por:
a. Un aumento importante en el nivel de mecanizacin y automatizacin con
equipos cuyas fallas son ms difciles de atacar y de resolver en el corto tiempo,
pero que son capaces de guardar informacin valiosa sobre las causas de falla.
b. Una mayor complejidad tecnolgica de la maquinaria y el equipo que hace que
los componentes sean ms caros y sofisticados.
65
Junio 2010
c. Un enfoque que se basa en darle mayor importancia a la seguridad y al medio

ambiente.
d. Dar una mayor importancia a la relacin mantenimiento y calidad de producto.
e. Tener una mayor necesidad de lograr altas disponibilidades de maquinaria pues,
el costo de los paros es cada da ms alto.
Es una realidad que la tarea fundamental del RCM es, reconocer que el
mantenimiento no puede hacer ms que asegurar que los elementos fsicos continan
consiguiendo su capacidad instalada. Mediante un proceso sistemtico, se determina lo
que debe hacerse para asegurar que un elemento fsico contina desempeando las
funciones deseadas en su contexto operacional presente. Para ello, el RCM se centra en
la relacin entre la organizacin y los elementos fsicos que la componen. Para su
aplicacin se requiere de un registro completo de todos los equipos sealados como
crticos en los procesos.
Segn Prez, 2003, para el desarrollo de un adecuado sistema de mantenimiento basado
en confiabilidad, se deben contestar siete preguntas bsicas para cada elemento fsico,
las cuales son:
1. Cules son sus funciones y estndares de funcionamiento?
2. De qu forma puede fallar?
3. Qu es lo que causa que falle?
4. Qu sucede al momento de la falla?
5. Qu ocurre si falla?
6. Qu se puede hacer para prevenir las fallas?
7. Qu sucede si no pueden prevenirse las fallas?
Lo esencial en el RCM es la determinacin de las causas de falla y para ello se
identifican los modos de falla como medio de establecer el plan de prevencin, se buscan
las causas, raz u origen, sin malgastar el tiempo en sntomas o efectos. Se estudia a
fondo el deterioro o desgaste y los problemas de diseo del equipo o de los procesos
donde estos estn inmersos. Se identifican posibles errores humanos, debidos a falta de
entrenamiento.
Por otro lado, se analizan los efectos de las fallas viendo lo que ocurre
inmediatamente despus de la falla. En el estudio se debe contemplar: (Lewis, 1995)
Evidencia de que la falla ocurri, cundo ocurri?, cmo ocurri?, cules son
sus consecuencias?
Amenaza para la seguridad o el medio ambiente
Grado en que afecta la produccin o las operaciones
Grado en que se provocan daos fsicos
66
Junio 2010
Grado en que se provocan daos a personas y propiedades

Acciones inmediatas para reparar la falla
Todo este anlisis trae como resultado la identificacin de grandes oportunidades
de mejora, que pueden ser consideradas en un plan de mantenimiento basado en
confiabilidad, para lo que deben concentrarse esfuerzos y recursos en equipos vitales
asignando prioridades que permitan identificar el impacto de falla y la optimizacin en el
uso de recursos de mantenimiento. Se deben conocer las consecuencias de las fallas, las
opciones de una flexibilidad operacional, el impacto que se tiene en seguridad-ambiente y
en los costos de reparacin. Es especialmente relevante, trazar la ruta a seguir.
Tradicionalmente el mantenimiento se ha llevado a cabo por intuicin o por
experiencia, pues no se analizan datos. En otras palabras, se acta ms empricamente
que cientficamente. En algunos casos, se analizan datos de manera puntual, lo cual
sabemos que desde el punto de vista estadstico predice poco sobre eventuales
situaciones adversas y no permite observar tendencias o patrones extraos. La intencin
es, cambiar esta prctica de manera que el mantenimiento se pueda cuantificar a travs
del tiempo medio de reparacin y de la funcin de falla.
Este tiempo de reparacin incluye tres componentes bsicos:
Tiempo de preparacin conformado por la asignacin de personal especializado,
los tiempos de traslado y la bsqueda y seleccin de herramientas para iniciar las
operaciones de mantenimiento.
Tiempo activo de mantenimiento, que es el tiempo en que se ejecuta la labor de
reparacin; incluyendo tiempo de estudio de diagramas, inspeccin y desarrollo
de reportes.
Tiempo de retraso, que incluye el tiempo de espera por repuestos o de mano de
obra.
La funcin de falla, es la representacin matemtica del comportamiento de una
falla en el tiempo; la misma se explicar a continuacin.
CONFIABILIDAD
La confiabilidad denotada por R(t), por ser una funcin del tiempo, es la
probabilidad de que un repuesto o mquina se desempee satisfactoriamente cumpliendo
con su funcin durante un perodo de tiempo dado y bajo condiciones previamente
especificadas (Acua, 2003). En esta definicin se usa la palabra probabilidad; con lo que
queda claro que se trata de un valor cuantificable comprendido entre 0 y 1. Por otro lado,
se indica que es en un tiempo dado, con lo que se afirma que el valor que se determina
no es para siempre y que es por ello que la garanta es limitada. Se dice que es bajo
condiciones fijadas, con lo que es claro que se debe cumplir con las normas de uso y de
funcionamiento.
Bajo la anterior definicin el complemento de la confiabilidad es, la funcin
acumulada de la falla; entendiendo falla, como el momento en que una unidad de
producto termina su funcin u operacin debido a un cambio paulatino o abrupto de su
funcionamiento. La funcin de falla se denota matemticamente como f(t). Un trmino
67
Junio 2010
directamente asociado a la confiabilidad es el tiempo medio entre fallas (MTBF); que es el

tiempo medio entre fallas sucesivas de un producto reparable. La Figura 2, muestra la
forma en que se determina este valor del tiempo medio de fallas.
n
T
B
F
MTBF
TBF2
TBF1
t0
t1
TBF
i 1
TBF6
n
TBF4
TBF3
t2 t3
t4
TBF5
t5
t6
Figura 2. Forma de determinar el tiempo medio de falla
En el estudio de fallas es de especial importancia conocer los patrones de falla

que estos siguen. Segn Prez, 2003, en un estudio realizado por la industria aeronutica
en los Estados Unidos, se estudi el patrn de falla seguido por algunos sistemas. Se ha
determinado que el 4% de los sistemas siguen una conducta de curva de la baera. La
Figura 3, muestra este patrn, en donde se nota que tanto en el perodo de juventud,
como de senectud de un producto, la probabilidad de falla es alta y que existe un perodo
de falla constante.
Figura 3. Curva de la baera
El 2% de los sistemas, siguen un patrn de inicio constante con un fin en zona de

desgaste tal como lo muestra la Figura 4.
Figura 4.Patrn de falla constante al inicio e incremental al final

68
Junio 2010
El 5% de los sistemas presenta una probabilidad de falla incremental con la edad y

con el desgaste, que no es claramente definida tal y como se muestra en la Figura 5.
Figura 5. Probabilidad de falla incremental en el tiempo.
El 7% de los sistemas tienen un patrn de falla que tiene una probabilidad de falla
baja nuevo y luego constante, tal y como se muestra en la Figura 6.
Figura 6. Probabilidad de falla baja con producto nuevo y luego constante y aleatoria.
El 14% de los sistemas, siguen un patrn de falla constante tal y como lo muestra
la Figura 7.
Figura 7. Patrn de falla constante
El 68% de los sistemas tienen un comportamiento que presenta una mortalidad

infantil alta, luego falla constante tal y como se muestra en la Figura 8.
69
Junio 2010
Figura 8. Patrn de falla alto al inicio y luego constante.
La identificacin del patrn de falla que sigue un equipo o repuesto es esencial

para trazar el plan de mantenimiento basado en confiabilidad. Si se identifica el patrn se
pueden establecer polticas para lograr un mantenimiento efectivo.
Estimacin matemtica de la confiabilidad

La confiabilidad puede ser definida de manera cualitativa, como la necesidad de
que un equipo o maquinaria no falle durante un tiempo determinado. No obstante, esta
definicin sirve de poco en la toma de decisiones y an menos en los programas de
mejora para los cuales es necesario saber el estado actual, para trazar un estado futuro
deseado. Por ello, es necesario que la confiabilidad sea cuantificada de manera numrica
haciendo uso de los principios matemticos (Dhillon, 2007). Por ello, la definimos de la
siguiente forma:
Sea R(t0)=P(t>t0)= Probabilidad de que un sistema (producto o mquina), opere sin
falla por un perodo de tiempo t0.
Si F(t0) = P(t t0) entonces: R(t0)=1 F(t0)
La Figura 9 muestra la representacin de la funcin acumulada de falla F(t) y su

complemento la confiabilidad R(t), donde es evidente que para hacer cualquier estimacin
de confiabilidad, es necesario conocer la funcin densidad de falla f(t).
Figura 9. Representacin grfica de las funciones de falla y de confiabilidad

70
Junio 2010
La funcin de falla f(t) puede ser determinada mediante mtodos numricos o

utilizando modelos de regresin curvilnea, trigonomtrica, exponencial, logartmica o
cualquier modelo que represente a la variable y en funcin del tiempo t (DeVore, 2008).
Una vez conocida esta funcin de falla es posible por medio del clculo integral,
determinar la funcin acumulada de falla y por ende, la confiabilidad usando la siguiente
expresin:
t0
R (t0 ) 1 F (t0 ) f (t ) dt
0
Ejemplo:
La funcin densidad del tiempo de vida de un aparato est dada por:
f(t) = 0.25 t e 0.5t
t0
t est dado en aos
a. Cul es la probabilidad de falla en el primer ao?

b. Cul es la confiabilidad del aparato a los 5 aos?
Solucin:
a.
t
F (t ) f (t ) d (t ) .25te .5t d (t ) 1 (1 .5t )e .5t

si t=1 entonces:
F(1) =
1 (1 + .5(1)) e .5(1) = .0902
La probabilidad de falla en el 1er ao es de .0902.

b. R(t) = 1 F(t) = (1 + .5t) e .5t
si t=5 entonces:
R(5) = (1 + 0.5(5)) e .5(5) = .2873
Este valor obtenido de confiabilidad a los 5 aos, se compara con la poltica

deseada y se ejercen las acciones que sean necesarias.
ESTIMACION DE CONFIABILIDAD
Si se tienen a mano datos de tiempos de falla de los equipos, (es posible mediante
pruebas de bondad de ajuste), determinar si estos tiempos siguen el patrn de una
71
Junio 2010
distribucin de probabilidad conocida tal como: normal, weibull, exponencial, lognormal,

gamma, etc. (Acua, 2003). El lograr ajustar datos de tiempos de falla a distribuciones de
probabilidad tericas constituye una gran ventaja y el anlisis se vuelve menos complejo,
pues se hace uso de toda teora desarrollada alrededor de la distribucin ajustada. Hay
dos formas bsicas de hacer estimaciones estadsticas de confiabilidad: estimacin no
paramtrica y estimacin paramtrica.
La estimacin usando mtodos no paramtricos es limitada, pues la confiabilidad
solamente puede ser estimada por interpolacin. En otras palabras, las estimaciones de
confiabilidad solo pueden darse entre los datos mayor y menor de los tiempos de falla con
lo que la inferencia, aunque se puede realizar, tiene poca confianza estadstica.
La utilizacin de mtodos paramtricos permite ajustar un conjunto de datos de
tiempos de falla a una distribucin terica de probabilidad, conocida con lo que la
inferencia no est limitada al intervalo que comprende los datos de tiempos recolectados.
Aqu se usan mtodos estadsticos para buscar el mejor ajuste, siendo los ms usados;
los mtodos grficos y los mtodos analticos.
Los mtodos analticos usan pruebas de bondad de ajuste como: Kolmogorov,
Anderson, Shapiro-Wilks o Chi-cuadrado. Para ello, se usa software estadstico como
MINITAB, SAS o STATGRAHICS. Por ejemplo, si se usa MINITAB para determinar si
un conjunto de datos sigue una distribucin exponencial de la forma que muestra la Figura
10, la conclusin es: que este ajuste no es adecuado pues los datos no siguen el patrn
de lnea recta esperado y adems el valor del p-value es menor que .003 que demuestra
un ajuste muy pobre al 95% de confianza.
Figura 10. Grfico de probabilidad exponencial (Fuente: MINITAB 16.0)
Por otro lado, si otro conjunto de datos de tiempos de falla se comporta de la

forma que se muestra en la Figura 11, es evidente que el ajuste a la distribucin normal
es altamente confiable, pues los puntos graficados siguen el patrn de lnea recta
esperado y adems el valor del p-value es 0.589, con lo que se puede afirmar con 95% de
confianza que estos datos siguen el patrn de una distribucin normal.
72
Junio 2010
Figura 11. Grfico de probabilidad normal (Fuente: MINITAB 16.0)
Una vez que se ha determinado que distribucin de probabilidad siguen los datos
de tiempos de falla, se procede a hacer las estimaciones de confiabilidad usando la
expresin correspondiente a la distribucin de probabilidad ajustada.
En el caso de la distribucin exponencial, la confiabilidad se calcula usando la
siguiente expresin:
R (t ) 1 F (t ) 1 (1 e t ) e t
Ejemplo:
Un producto industrial tiene una razn de falla constante de .0007 fallas por hora, lo que
hace un comportamiento exponencial. Cul es la confiabilidad en 300 horas de
operacin?
Solucin:
a. R(t) = e-t = e-0.0007*300 = .8106
La confiabilidad en 300 horas de operacin es de .8106. Que significa que si se adquieren
100 de estos productos, se espera que a las 300 horas de operacin, an estn
funcionando 81 de ellos, o sea que ya han fallado 19 de ellos.
En el caso de la distribucin normal, la confiabilidad se calcula usando la siguiente

expresin:
t
R (t ) 1 F (t ) 1 N
Ejemplo:
Los tiempos de falla de un producto electrnico que se ha introducido en el mercado se
describen mediante, una distribucin normal con promedio de tres aos y desviacin
estndar de .2 aos. Cul es el valor de la confiabilidad a los 2.85 aos?
73
Junio 2010
Solucin:
Usando una tabla de distribucin normal se tiene el valor de F(2.85).
R(2.85)=1 F(2.85)
F(2.85)=N((2.85-3)/.2)=N(-0.75)=.2266
R(2.85)= 1- .2266= .7734
Sea que existe una probabilidad de .7734, de que el aparato funcione correctamente a
los 2.85 aos.
En el caso de la distribucin lognormal, la confiabilidad se calcula usando la

siguiente expresin:
1
t
R (t ) 1 F (t ) N * ln
t0
s
Ejemplo:
Una celda de manufactura tiene dos centros de mquina, que son alimentados por un
robot cuyo brazo tiene una vida de fatiga que se distribuye por lognormal con y0 = 1.82 *
107 ciclos y s=1.98. A qu valor debe ser diseada la vida til del brazo si se desea que
la confiabilidad sea mayor a .985?
Solucin:
F(y)= 1- R(y)= 1-.985=.015
F(y) = .015 = N [(1/1.98) * ln [y/(1.82* 107)]]
Z .015 = -2.17 (De Tabla normal)
-2.17 = (1/1.98) * ln [y/(1.82* 107)]
y = (1.82 * 107 ) * e(-2.17*1.98) = 247789 ciclos
La vida til del brazo debe ser de 247789 ciclos, para que se de una confiabilidad mayor
que .985.
En el caso de la distribucin Weibull, la confiabilidad se calcula usando la siguiente

expresin:
R (t ) 1 F (t ) 1 e
74
Junio 2010
Ejemplo:
Los tiempos de falla de un componente mecnico se comportan segn una distribucin
Weibull con =1000 horas y m=2, Cul es la confiabilidad a los 200 horas de operacin?
Solucin:
R (200) 1 F (200) e
R (200) .9608
200
1000
La confiabilidad a las 200 horas de operacin es de .9608.
ESTIMACION EXPERIMENTAL DE LA CONFIABILIDAD

En la estimacin estadstica de la confiabilidad, el uso de la distribucin de
probabilidad ms apropiada facilita el clculo; sin embargo, la pregunta a realizar es: de
donde provienen los parmetros de la distribucin? Bueno la respuesta es: a travs de la
estimacin experimental en la que se obtienen datos de tiempos falla y por mtodos
grficos o analticos se determinan los parmetros. Los mtodos analticos usan el mismo
procedimiento de la estadstica descriptiva, para determinar los valores deseados, para lo
que se deben determinar muestras de tamao adecuado.
Los mtodos grficos se basan en la graficacin de los datos, en un papel
perteneciente a una distribucin conocida (normal, exponencial, lognormal o Weibull). Si
al graficar los datos de tiempos de falla, stos se distribuyen en lnea aproximadamente
recta sobre el papel usado, se concluye, que estos datos se asignan segn la distribucin
a la que pertenece el papel usado para construir el grfico (Acua, 2003). Este mtodo se
usa cuando se requiere de decisiones rpidas.
En su aplicacin se usa el siguiente procedimiento:
1. Recolectar la informacin de tiempos de falla en datos no agrupados para las N
unidades seleccionadas para la prueba.
2. Calcular F(ti)=i/(N+1)
3. Graficar en todos los papeles iniciando con exponencial. Si no hay tendencia, se
dice que la razn de falla es constante, lo cual es una caracterstica de la distribucin
exponencial. Si hay tendencia, se debe graficar en los otros papeles hasta lograr el mejor
ajuste a una lnea recta.
4. Determinar los parmetros de la distribucin de mejor ajuste a una lnea recta.
Para el caso de la distribucin exponencial, se grafican los datos en el papel
exponencial y se determina el valor de 1/ en el eje x para un valor de F(ti)= .632, valor
que se obtiene de la siguiente forma:
R(t) = e -t
ln R = -t
75
Junio 2010
ln(1/R) = t
ln (1/(1-F)) = t
Si t=1, entonces 1-F=e-1
de donde F=.632
Ejemplo:
Los siguientes tiempos, pertenecen a tiempos de falla en horas de ocho circuitos
de control: 90, 144, 198, 250, 340, 460, 610 y 900. Cul es la confiabilidad a las 200
horas de operacin?
Solucin:
Para determinar la confiabilidad a las 200 horas de operacin, se requiere primero,
determinar los parmetros de la distribucin exponencial, sea el valor de . Luego, se usa
la expresin de R(t). El Cuadro 1, muestra los clculos de F(ti) basados en N=8. La
Figura 12, muestra el grfico correspondiente en el que se puede ver que el ajuste de
lnea recta parece ser adecuado.
Cuadro 1. Valores de F(ti)
ti
90
144
F(ti)
198
250
340
460
610
900
.111 .222 .333
.444
.555
.666
.777
.888
Figura 12. Grfico de distribucin exponencial
76
Junio 2010
Dado que 1/ es aproximadamente igual a 430 horas, segn la Figura 13, para
F=.632, entonces, la confiabilidad en t=200 es .628, obtenida de la siguiente expresin:
R(200) e
1
)*200
430
.628
Si al realizar el anlisis de los datos se presenta una curvatura en su

comportamiento, se procede a graficarlos en un papel normal. Si en ese papel el
comportamiento se asemeja a una lnea recta, la distribucin a ajustar es la distribucin
normal. As, se deben estimar y . El valor de , se obtiene del grfico para F(ti)=.5,
como es lgico, dada la simetra de esta distribucin. El valor de , se obtiene restando al
valor de F(ti)=.84 ( valor de + 1) el valor de F(ti)=.5.
La estimacin de confiabilidad se realiza as:
R(t) = 1 F(t) donde F(t) = N ((t - )/)
Ejemplo:
Un ingeniero est llevando un control de desgaste de herramientas en un centro
de maquinado, pues en el pasado no se saba en qu momento cambiar la herramienta;
por lo que en ocasiones se cambiaba una herramienta que todava poda dar algn
rendimiento o se cambiaba muy tarde, generando problemas en la calidad de las piezas
que se cortaban. Para ello, recolecta los siguientes datos, que pertenecen a tiempos de
desgaste en minutos de una herramienta de corte de una fresadora: 21.8, 25.2, 40.9,
26.3, 37.1, 33.1, 12.5 y 48.1.
a. Cul es la confiabilidad de la herramienta a los 18 minutos de operacin?
b. Si se desea una confiabilidad no menor a 30%, Cundo se debe cambiar la
herramienta?
Solucin:
Se procede a calcular los valores de F(ti), para luego graficarlos. El Cuadro 2,
muestra estos valores y la Figura 13 su graficacin.
ti
12.5 21.8 25.2
26.3
33.1
37.1
40.9
48.1
F(ti)
.111 .222 .333
.444
.555
.666
.777
.888
77
Junio 2010
Figura 13. Grfico de distribucin normal
Observando la Figura 13, es evidente que los datos de tiempos de falla siguen el patrn
de una distribucin normal cuya media es aproximadamente, 31.2, para F=0.5 y t es
aproximadamente igual a 46.0, para F=0.84, por lo que es, aproximadamente igual a
14.8, Con ello, la confiabilidad en t=18 minutos es .8133, pues:
R(18)=1F(18)
F(18)=N((18-)/)=N(1831.2/14.8)=N(-.89)=.1867
R(18)=1.1867=.8133
b. Si R>.3 entonces, F<0.7
Z 0.7 =(t31.2)/14.8 de Tablas Z .7 =.525
t=.525*14.8+31.2=38.97 minutos
La herramienta debe cambiarse a los 39 minutos, para lograr una confiabilidad no menor
a .3.
78
Junio 2010
Ejemplo:
Los siguientes tiempos, pertenecen a tiempos de falla en horas de cinco circuitos
de control: 8.7, 40, 100, 195 y 390. Cul es la confiabilidad a las 180 horas de
operacin?
Si se grafica en papel exponencial en el cual, es evidente que existe una curvatura en el
comportamiento de los datos, por lo que no sera estadsticamente confiable afirmar, que
los datos siguen una distribucin exponencial (ver Figura 14.). Para ello, es necesario
determinar los valores de F(ti), de la forma que se muestra en el Cuadro 2.
ti
8.7
F(ti)
2
40
100
195
390
.1667 .3333 .5000 .6667 .8333
Figura 14. Ajuste de una distribucin exponencial
Por tanto, se ajusta la distribucin Weibull, para la cual se determinarn sus parmetros.
Luego, se usa la expresin de R(t), para calcular la confiabilidad pedida. El Cuadro 2
muestra los clculos de F(ti), basados en N=5. La Figura 15, muestra el grfico en el que
se ve que el ajuste de lnea recta, parece ser adecuado.
79
Junio 2010
Figura 15. Ajuste de una distribucin weibull
El valor de es, aproximadamente igual a 160, para F=.632 y m es, aproximadamente

igual a .7. Entonces, la confiabilidad en t=180 es: de .32, pues:
1
1
ln ln
ln ln
1 .5
1 F
m
.632
ln 90 ln 160
ln t ln
R(t ) e
160
R(180) e
.64
180
160
.64
.32
CONCLUSIONES
Las aplicaciones de la estadstica a los negocios son cada vez ms amplia y en
este artculo se logra demostrar la importancia, de que las decisiones de mantenimiento
se puedan tomar sobre la base de datos cientficos, que combinados con experiencia van
a llevar a decisiones ms acertadas.
El empleo de los conceptos de confiabilidad a las operaciones de mantenimiento,
es un medio de hacer que la gestin del mantenimiento sea ms efectiva y para
convencer a la direccin, de que el trabajo que se realiza es serio y se basa en el anlisis
detallado de datos y no en intuicin.
Es importante que cada da, ms profesionales dedicados al mantenimiento,
ahonden ms en estos conocimientos, para que su gestin sea realmente efectiva y los
costos asociados, tiendan a cifras que sean manejables para los negocios.
80
Junio 2010
REFERENCIAS
Lewis, E.E. (1995). Introduction to Reliability
Engineering. New York: John Wiley and
Sons.
Prez,
Carlos.
(2003).
Mantenimiento
centrado en confiabilidad: Aplicacin e
impacto.
http://www.noria.com/sp/cmcm/2k3/carlos
m.pdf.
Pyzdek, Thomas. Berger, Roger. (2003).
Quality Engineering Handbook.
New
York:
Marcel
Dekker
INC.
Acua, Jorge.
(2003).
Ingeniera de
Confiabilidad.
Cartago:
Editorial
Tecnolgica de Costa Rica.
DeVore, Jay. (2008).
Probabilidad y
Estadstica para Ingeniera y Ciencias.
Mxico: International Thomson Editores.
Dhillon, Balbir. (2007).
Quality Control,
Reliability, and Engineering Design. New
York: Marcel Dekker INC, New York.
Garca Garrido, Santiago. (2010, 12 de junio).
Plan de mantenimiento basado en RCM.
http://mantenimientoindustrial.wikispaces.
com.
81
Junio 2010
TOMA DE DECISIONES BAJO RIESGO: USO DEL COMPLEMENTO

PRECISIONTREE PARA MICROSOFT OFFICE EXCEL
Marcos Moya Navarro8
ABSTRACT
RESUMEN
When a decision-making process is carried

out, it is common for decision makers to apply
decision-making tools that are purely
deterministic. It is also assumed that all model
parameters are known and certain. However,
this is not common in real life problems. The
first objective of this work is to show how to
select the best course of action in a process of
making short-term decisions to determine the
amount of product that a company must buy
from a supplier in order to maximize profits.
The analysis procedure used combines a
deterministic mathematical model with the
concept of expected monetary value, which is
a probabilistic concept. The Second objective
is to show how to combine a deterministic
sensitivity analysis with a probability sensitivity
analysis to select the best course of action in
order to take a long-term strategic decision. In
both cases The Precision Tree add-in was
used. This software works as an add-in from
Microsoft Office Excel.
Cuando se lleva a cabo un proceso de toma de

decisiones, es comn que los tomadores de
decisiones se apoyen en herramientas de
toma de decisiones meramentedeterministas ,
y asumen que todos los parmetros del modelo
son conocidos y son ciertos. Sin embargo,
esto no es frecuente en los problemas de la
vida real. El objetivo de este trabajo en
primera instancia, es mostrar cmo se
selecciona el mejor curso de accin, en un
proceso de toma de decisiones de corto plazo,
para determinar la cantidad de producto que
una empresa debe adquirir de un proveedor,
con el objetivo de maximizar sus ganancias. El
procedimiento de anlisis, combina un modelo
matemtico determinista con el concepto de
valor monetario esperado, el cual, es un
concepto probabilista. En segunda instancia,
el objetivo es, mostrar cmo se combina un
anlisis de sensibilidad determinista, con uno
probabilstico, para seleccionar el mejor curso
de accin y para tomar una decisin
estratgica de largo plazo. Para resolver el
problema de toma de decisiones se utiliz el
programa Precision Tree, el cual trabaja como
un complemento en la plataforma de Microsoft,
Office Excel
PALABRAS CLAVE
KEY WORDS
Ingeniera, Investigacin de Operaciones,

Ciencias de la Administracin, Anlisis
Cuantitativo.
Engineering, Operations Research,

Management Sciences, Quantitative Analysis
NOTA: PrecisionTree,esunamarcaregistradadePalisadeCorporation.Seinstalacomoun
complemento de Microsoft, Office Excel. Microsoft Office es una marca registrada de
MicrosoftCorporation.
INTRODUCCION
Mucho del xito o el fracaso que las empresas y personas enfrentan en la vida,
dependen de las decisiones que stas tomen. Por ello, el anlisis de la toma de
Marcos Moya Navarro, Universidad Latina, [email protected].
MoyaNavarroTomadedecisionesbajoRiesgo
82
Junio 2010
decisiones bajo riesgo es importante.

El Anlisis de Decisiones, es un procedimiento
analtico y sistemtico para estudiar la toma de decisiones. Se considera un buen
anlisis aquel que est basado en la lgica, toma en cuenta todos los datos disponibles,
todos los posibles estados de la naturaleza, y aplica un procedimiento cuantitativo.
El anlisis de la toma de decisiones, utiliza un procedimiento que incluye los
siguientes pasos: 1. Definir el problema claramente, 2. Listar todas las posibles
alternativas, 3. Listar todos los posibles estados de la naturaleza, 4. Listar las medidas de
desempeo de cada uno de los cursos de accin disponibles, 5. Seleccionar uno de los
modelos cuantitativos de la toma de decisiones y 6. Aplicar el modelo y tomar la decisin.
El proceso de toma de decisiones que enfrenta cualquier persona, empresa o
institucin pblica o privada, puede estar en uno de tres estados. Estos estados son: 1.
Toma de Decisiones Bajo Certidumbre, 2. Toma de Decisiones Bajo Riesgo, y 3. Toma
de Decisiones Bajo Incertidumbre. En el estado de toma de decisiones bajo certidumbre,
el tomador de decisiones, conoce con certeza la consecuencia de cada curso de accin a
tomar. Como es obvio, seleccionar la alternativa que maximizar la utilidad esperada o
bien minimizar el costo esperado de los cursos de accin analizados. En el estado de
toma de decisiones bajo riesgo, hay varios posibles estados de la naturaleza para cada
curso de accin, y el tomador de decisiones, puede estimar la probabilidad de ocurrencia
de todos y cada uno de los estados de la naturaleza posibles. En el estado de toma de
decisiones bajo incertidumbre, hay varios posibles estados de la naturaleza para cada
curso de accin, y el tomador de decisiones, no puede estimar la probabilidad de
ocurrencia de varios de los estados de la naturaleza posibles.
El anlisis de decisiones se define como, una metodologa basada en un conjunto
de marcos de referencia probabilsticas, los cuales facilitan discusiones lgicas de una alta
calidad, con tendencia a que el tomador de decisiones, emprenda acciones claras y
obligatorias y obtenga un conocimiento, a partir de un gran volumen de datos. En la
teora de las decisiones se debe pensar en el riesgo. La incertidumbre solo se puede
estudiar formalmente, a travs de la teora de la probabilidad.
TOMA DE DECISIONES BAJO RIESGO
Para comprender el concepto de toma de decisiones bajo riesgo, considrese el
siguiente ejemplo:
Sistema de Inventarios con descuentos por volumen

Una empresa debe decidir cuantas unidades de inventario de un
producto que se compra para revender, se deben ordenar para el
prximo perodo. El proveedor establece, que solo se deben hacer
pedidos en lotes de 1000 unidades. Si la empresa ordena 1000
unidades, el costo es de $100 por unidad. Si ordena 2000 unidades, su
costo es de $90 por unidad y si pide 3000 unidades o ms, su costo es
de $85. El precio de venta es de $120, pero si algunas unidades se
quedan sin vender al final del perodo, stas deben de venderse a mitad
de precio. Los pronsticos de la demanda estiman que se pueden
vender 1000, 1500 2000 unidades. Si se queda corto hay una prdida
83
Junio 2010
de buen nombre de $0.50, por cada unidad que una persona desee
comprar, pero que no pueda hacerlo, por no tenerla en el almacn.
Con los datos histricos disponibles, la compaa ha estimado que la

probabilidad de que la demanda sea de 1000 unidades es de 0.45, de
que sea de 1500 unidades es de 0.36, y de que sea de 2000 unidades
es de 0.19. Adems, se debe colocar el pedido ahora, para recibirlo a
tiempo para la venta del prximo perodo.
La matriz de decisiones que se muestra a continuacin, presenta los cursos de

accin o estrategias que la compaa desea evaluar y los posibles estados de la
naturaleza. Los coeficientes Cij representan las consecuencias asociadas a cada par de
curso de accin-estado de la naturaleza, y estn medidas en trminos de ganancia, esto
es utilidad expresada en trminos monetarios.
Matriz de Decisiones
El modelo matemtico para medir la utilidad o consecuencia de la decisin, est

dado por la ecuacindeterminista:
D(120 C ) (C 60)( S D) si D S
Cij
S (120 C ) 0.50( D S )
si D S
Del modelo matemtico anterior, se obtiene la siguiente matriz de decisiones:
84
Junio 2010
Matriz de Decisiones
Por el principio de dominacin, no es posible eliminar del anlisis ninguno de los

cursos de accin.
DIAGRAMAS DE INFLUENCIA
Los diagramas de influencia, proveen en forma grfica una idea del problema.
Muestran las relaciones relevantes entre los componentes del problema de decisiones y
facilitan el dilogo entre los miembros del equipo de toma de decisiones, con diferentes
formaciones e intereses. Tambin, proveen un mecanismo para la comparacin entre
alternativas. Los crculos representan eventos inciertos, los cuadrados representan
decisiones que deben ser tomadas y los rombos muestran los resultados finales, que se
obtienen del modelo.
La figura #1, muestra la relacin entre los nodos del diagrama de influencia del
problema de inventarios con descuentos por volumen.
Figura #1: Relacin entre los nodos en el diagrama de influencia del problema de inventarios con
descuentos por volumen.
85
Junio 2010
La figura #2, muestra el diagrama de influencia del problema de inventarios con

descuentos por volumen, construido con el programa computacional PrecisionTree,
perteneciente a la plataforma de toma de decisiones: Decision Tools Suite9. Esta figura
indica que el valor monetario esperado de la mejor decisin a tomar es, de 23400
unidades monetarias. Sin embargo, este diagrama, no indica a primera vista cual es el
mejor curso de accin a tomar. Una herramienta como los arboles de decisin, si
permiten a primera vista ver cul es el mejor curso de accin a tomar.
Figura #2: Diagrama de influencia del problema de inventarios con descuentos por volumen.
Existen 5 tipos de influencia, entre los componentes del proceso de toma de

decisiones:
i)
Influencia probabilstica: Este tipo de influencia afecta de manera considerable

el xito de una decisin. Por ejemplo: el presupuesto asignado a la publicidad
y promocin de un producto, puede afectar de manera significativa el xito en
el volumen de ventas esperado del producto.
ii)
Influencia de valor: Este tipo de influencia, afecta las metas de una empresa
dependiendo de la decisin que se tome. Por ejemplo, las polticas de una
organizacin pueden afectar las utilidades globales de la compaa.
iii)
Influencia estructural: Este tipo de influencia se origina, porque la decisin de

que hacer, se define antes de decidir cundo implementarla.
Decisin Tools Suite es una marca registrada de Palisade Corporation.
86
Junio 2010
EVALUACION DE LA DECISIN
En la toma de decisiones bajo certidumbre, una buena decisin conduce a un
buen resultado y una mala decisin conduce a un mal resultado. En la toma de decisiones
bajo incertidumbre y bajo riesgo, una buena decisin una mala decisin pueden
conducir a un buen mal resultado. Todas las decisiones involucran algn grado de
incertidumbre, mientras que algunas decisiones son rutinarias y pueden tener
consecuencias significativas insignificantes.
Una herramienta valiosa para la evaluacin de las alternativas de decisin son los
rboles de decisin. Un rbol de decisin se define, como un diagrama que muestra la
estructura lgica de un problema de decisiones. Se compone bsicamente de dos tipos
de nodos: nodos de decisin y nodos de probabilidad. Los nodos de decisin, indican
todos los cursos de accin posibles para el tomador de decisiones. Los nodos de
probabilidad, muestran los eventos o estados de la naturaleza que intervienen en la
decisin y todos sus posibles resultados. Existe una diferencia significativa entre los
cursos de accin y las consecuencias. Las consecuencias son el efecto, en trminos
monetarios, de la implementacin de cursos de accin cuando un estado de la naturaleza
en particular ocurre. Los cursos de accin son, la suma esperada de las posibles
consecuencias. El tomador de decisiones solo puede seleccionar los cursos de accin,
no las consecuencias. Estas pueden ocurrir con una probabilidad de ocurrencia asignada.
El primer paso en el anlisis de los cursos de accin consiste, en especificar un
criterio de decisin bajo el cual se va a seleccionar el mejor curso de accin. El criterio
seleccionado puede ser cualquier medida de desempeo que le permita al tomador de
decisiones, evaluar el curso de accin de manera cuantitativa, no cualitativa. La medida
de desempeo que regularmente se utiliza para evaluar los cursos de accin, es el valor
monetario esperado (VME). Esta medida evala el riesgo de forma consistente. Esta
medida, es un promedio ponderado basado en las probabilidades de ocurrencia de los
posibles estados de la naturaleza a los que se enfrentan los cursos de accin evaluados.
Es importante aclarar que la toma de decisiones, est relacionada con el clculo correcto
de cosas que no han ocurrido.
La figura #3, muestra el rbol de decisiones para el problema de los inventarios
con descuentos por volumen, e indica que el mejor curso de accin a seleccionar es pedir
3000 unidades de producto. Se esperara, que este curso de accin genere un valor
monetario esperado de la ganancia de 23400 unidades monetarias, el cual es el valor
monetario esperado ms alto comparado con el valor monetario de las otras dos
alternativas. Se puede observar, en este rbol de decisin que la mayor demanda
esperada es de 2000 unidades. Sin embargo, el mejor curso de accin indica que deben
de pedirse 3000 unidades de producto, y an as, la utilidad esperada es mayor que en
los otros dos cursos de accin. Este hecho es posible, debido a los descuentos por
volumen que ofrece el proveedor. El rbol de decisin de la figura #3, lo construy
automticamente el programa PrecisionTree, a partir del diagrama de influencia que se
present en la figura #2.
87
Junio 2010
El tomador de decisiones debe distinguir entre buenas decisiones y buenos

resultados. Se dice que las buenas decisiones equilibran las probabilidades de un buen
resultado y un mal resultado.
Figura #3: rbol de decisiones del problema de inventarios con descuentos por volumen.
En la toma de decisiones hay dos enfoques distintos de la probabilidad: la

probabilidad estadstica, basada en el concepto de que la frecuencia relativa de un evento
tiende a la probabilidad matemtica a medida que el nmero de repeticiones de un
experimento aumenta, y la probabilidad subjetiva o bayesiana. La probabilidad estadstica
se puede estimar bien si se dispone de datos suficientes. Si no se dispone de datos
porque un evento nunca ha ocurrido, solo queda trabajar con la probabilidad subjetiva o
bayesiana. La probabilidad bayesiana, se puede estimar con base en la experiencia,
creencias, conocimiento y datos de los tomadores de decisiones. La probabilidad es la
manera correcta de cuantificar el nivel de incertidumbre de un estado de la naturaleza,
futuro.
OBTENCION DE CONOCIMIENTO
El procedimiento para extraer conocimiento de los cursos de accin tiene tres
pasos. El primer paso consiste, en hacer un anlisis de sensibilidad por medio de una
evaluacin determinante del problema. Es la manera como la mayora de los tomadores
de decisiones hacen sus evaluaciones, sin embargo, no aporta conocimiento sobre el
riesgo asociado con cualquier curso de accin. El anlisis de sensibilidad, ayuda al
tomador de decisiones a determinar los factores ms importantes que afectan el curso de
accin a seleccionar.
88
Junio 2010
Ejemplo:
El proveedor de la compaa del sistema de inventarios de un solo perodo, ha
desarrollado un nuevo producto y piensa que el producto tiene un gran potencial, pero no
sabe si este nuevo producto producir ganancias si lo fabrica e introduce al mercado. La
empresa desea analizar tres posibles cursos de accin:
1. Fabricar el producto y ponerlo en el mercado
2. No fabricar y vender la marca de este producto a otra compaa
3. Alquilar la marca para que otros lo fabriquen y lo introduzcan al mercado.
La tasa de inters que el proveedor usa para este proyecto es del 12%, la vida til del
proyecto es de 10 aos, el precio de venta unitario del producto es de 8 unidades
monetarias y la tasa de impuestos se estima en 30%. Si se vende la marca, se estima
que el valor presente neto que el comprador estara dispuesto a pagar equivale a un
milln ciento cincuenta mil unidades monetarias. Si se alquila la marca, el valor presente
neto del alquiler, se estima en dos millones cien mil unidades monetarias.
La informacin relativa a las variables que podran afectar el producto, se muestra en la
siguiente tabla:
La decisin que el proveedor debe tomar es, si fabrica e introduce el producto al mercado,
o vende o alquila la marca para que otros lo fabriquen y lo comercialicen. El proveedor
estima que hay una probabilidad de 35% de que el tamao del mercado sea pequeo, un
50% de que sea mediano y un 15% de que sea grande y estara dispuesto a fabricar e
introducir el producto al mercado si estuviera seguro que tiene una probabilidad de ms
de 30% de obtener ganancias.
PROCEDIMIENTO PARA REALIZAR UN ANALISIS DE SENSIBILIDAD
DETERMINISTICO
Paso #1: Construir el modelo determinista, el cual utiliza las
incertidumbres y los clculos de acuerdo con los criterios de
decisin.
89
Junio 2010
Paso #2: Seleccionar los valores: Pesimista, Ms Probable y

Optimista para cada evento incierto.
Paso #3: Correr el modelo con todas las incertidumbres
establecidas en sus valores ms probables.
Paso #4: Correr el modelo intercambiando cada variable
calculada con su valor pesimista y con su valor optimista.
La figura #4, muestra el anlisis de sensibilidad determinista, para el proveedor de
la compaa del sistema de inventarios de un solo periodo. Este anlisis fue realizado
mediante una macro, programado para tal efecto utilizando el Microsoft, Office Excel.
Figura #4: Anlisis de Sensibilidad Determinista.

El anlisis de sensibilidad determinista, indica que la variable tamao del
mercado, es la variable que ms est influyendo significativamente en el valor presente
neto de la ganancia que se obtendra por poner el nuevo producto en el mercado.
ANALISIS DE SENSIBILIDAD PROBABILISTICO
El anlisis de sensibilidad probabilstico, al igual que el anlisis de sensibilidad
determinista, se concentra en identificar las variables que podran cambiar el curso de
accin a seleccionar.
Como la probabilidad bayesiana o subjetiva incorpora el conocimiento disponible
de los expertos, sus creencias, y su experiencia, y adems se asume que las
90
Junio 2010
probabilidades estadsticas u objetivas se determinan a partir de datos representativos

provenientes de fuentes de datos confiables, es necesario ahora conocer que tan sensible
son los cursos de accin, a las probabilidades de los estados de la naturaleza
particulares.
La figura #5, muestra el rbol de decisiones de la variable: Incertidumbre del
Tamao del Mercado. Esta figura, indica: que la mejor decisin es fabricar el producto e
introducir el producto al mercado.
Figura #5: rbol de decisiones del Problema del Proveedor.

El valor monetario esperado del valor presente neto de la decisin de producir e
introducir el producto al mercado, se estima en tres millones ochocientos cincuenta y un
mil ochocientos veintisiete unidades monetarias, el cual es un valor muy superior a los
valores presentes netos estimados de las otras decisiones posibles. Consecuentemente,
el anlisis de sensibilidad probabilstico, recomienda que se deba producir el nuevo
producto.
VALOR DE LA INFORMACION
Uno de los factores importantes en la toma de decisiones consiste, en determinar
cunto cuesta obtener informacin adicional para reducir la incertidumbre en la toma de
decisiones, antes de gastar el dinero o el tiempo obteniendo esa informacin. Un
problema comn es, que las empresas gastan ms dinero obteniendo esa informacin
que lo que la informacin misma vale. El concepto de valor de la informacin perfecta,
determina el valor mximo de la inversin que se debera hacer por obtener informacin
que reduzca el riesgo o la incertidumbre en el curso de accin que se va a seleccionar, y
que adems, no siempre es informacin de buena calidad para apoyar el proceso de toma
de decisiones.
CLCULO DEL VALOR DE LA INFORMACIN PERFECTA
Si el tamao del mercado fuera pequeo, el valor monetario esperado obtenido por
el anlisis de sensibilidad determinista, se estim en 1 038 228.48 unidades monetarias.
Si se compara este valor, con el valor presente neto estimado si se vende la marca, que
es de 1 150 000 unidades monetarias, la mejor decisin sera vender la marca. El anlisis
determinista tambin indic, que si el tamao del mercado para el producto fuera
91
Junio 2010
mediano, el valor presente neto de las ganancias estimado es de 4 360 559.62 unidades,
el cual es considerablemente mayor que los 2 100 000 unidades monetarias que se
obtendran por alquilar la marca. En consecuencia, a partir de este tamao del mercado,
la mejor decisin es fabricar el producto y comercializarlo.
La figura #6, muestra el rbol de decisiones del proveedor, pero ahora con
informacin perfecta, esto es incorporando la informacin anterior al rbol de decisiones.
Figura #6: rbol de decisiones del Problema del Proveedor, informacin perfecta.
Por lo tanto, el valor monetario esperado de la informacin perfecta (VMEIP),

indica que lo mximo que se debe pagar por obtener informacin adicional para reducir la
incertidumbre es de:
VMEIP = 3 851 827.66 3 801 037.69
VMEIP = 50 789.97
En consecuencia, lo mximo que el proveedor de este nuevo producto debe pagar
por obtener informacin adicional para reducir la incertidumbre y el riesgo en la toma de
decisiones, es de cincuenta mil setecientos ochenta y nueve unidades monetarias.
En este trabajo, no se incluye un refinamiento del valor monetario esperado de la
informacin perfecta, incluyendo la precisin con la que los estudios de mercado predicen
buenos resultados ante los distintos estados de la naturaleza. Sin embargo, este
refinamiento es conveniente hacerlo, para afinar ms el valor de la inversin que debe
hacerse a la hora de pagar por estudios de mercado.
Para concluir, es importante resaltar que mediante el anlisis de decisiones se
extrae gran conocimiento del valor de todas las alternativas y ayuda a crear nuevas
alternativas. El anlisis de sensibilidad, es importante para identificar los factores clave
que afectan las decisiones y la sensibilidad de la probabilidad, ayuda a identificar la
variabilidad que podra causar cambiar la decisin. Finalmente, la cantidad de dinero a
pagar por obtener informacin adicional para reducir el riesgo o la incertidumbre, se
puede calcular antes de obtener esa informacin.
92
Junio 2010
BIBLIOGRAFIA
Hillier, F. Lieberman, G. Introduccin a la
Investigacin de Operaciones. Mxico,
Editorial Mc Graw Hill.
Marks , R. Decision Analysis: Games Against
Nature.
www.agsm.edu.au/bobm/teaching/MDM/
dlect01.pdf
Moskowitz, H. Wright, G. Investigacin de

Operaciones. Mxico, Editorial Prentice
Hall.
Moya, M. Robles, N.
Probabilidad y
Estadstica: Un Enfoque Terico y
Prctico.
Cartago,
Editorial
Tecnolgica.
Render, B. Stair, R. Hanna, M. Quantitative
Analysis for Management. Prentice Hall
93
Junio 2010
APLICACIONESDELOSFUNDAMENTOSESTADSTICOSALMBITO
DELOSNEGOCIOS
Juan Carlos Salazar10, Mara Eleftheriou y Eva Romero11
RESUMEN
ABSTRACT
Aunque los fundamentos tericos de

la
estadstica
fueron
inicialmente
concebidos como base de un anlisis
matemtico de los juegos de azar, su
aplicacin al anlisis de fenmenos
sociales es actualmente, un ingrediente
central de la estadstica moderna. Poca
duda cabe de que su favorable posicin
dentro del anlisis cientfico social se debe,
en buena medida, a su utilidad en la
reduccin de la incertidumbre sobre el
curso de los eventos de la vida en
sociedad.
Although the theoretical foundations of

statistics were initially conceived as the basis
for a mathematical analysis of gambling, its
application to analysis of social phenomena
is now a central ingredient of modern
statistics. There is little doubt that its
favorable position in the scientific social
analysis is due in large part to their
usefulness in reducing uncertainty about the
course of events of life in society.
INTRODUCCION
Aunque los fundamentos tericos de la estadstica fueron inicialmente
concebidos como base de un anlisis matemtico de los juegos de azar, su
aplicacin al anlisis de fenmenos sociales es actualmente, un ingrediente central de
la estadstica moderna. Poca duda cabe de que su favorable posicin dentro del anlisis
cientfico social se debe, en buena medida, a su utilidad en la reduccin de la
incertidumbre sobre el curso de los eventos de la vida en sociedad.
El servicio que prestan las herramientas estadsticas, es particularmente valioso en
el mundo de la empresa y los negocios. Las decisiones de inversin en actividades
productivas, de las que depende la evolucin econmica de la sociedad, son un
resultado de la visin futurista de un conjunto de empresarios.
El xito empresarial puede explicarse, en este sentido, como la capacidad del
empresario de hacer pronsticos correctos sobre asuntos como, la calidad que obtendr
como resultado de la contratacin de un conjunto de factores productivos, el
precio y la cantidad de produccin con los que obtendr unos beneficios aceptables, etc.
10
11
Juan Carlos Salazar, Universidad Autnoma de Madrid, ([email protected])

Maria Eleftheriou, Eva Romero, Universidad Europea de Madrid
Salazar,Eleftheriou&RomeroAplicacionesdelosFundamentosEstadsticosalAmbitodelosNegocios
94
Junio 2010
En este contexto de incertidumbre, la estadstica puede brindar rutinas tiles que podran
transformar procesos histricos regulares, en afirmaciones probabilsticas concretas.
Describiremos en esta presentacin, de manera sucinta, la relacin entre
"regularidad histrica" de los datos y reduccin de la incertidumbre, a partir de dos pilares
fundamentales de la estadstica, como son el proceso de Bernoulli y rl teorema central del
lmite. Acompaaremos la exposicin, de ilustraciones simples del uso de estas
herramientas en mbito de los negocios.
El propsito de este texto, no es suplir la revisin de manuales estadsticos, en los
que se encontrarn estos temas desarrollados con mayor detalle, sino acercar los
procedimientos estadsticos bsicos a aquellos interesados en introducirse en el anlisis
estadstico de fenmenos sociales, como la coordinacin econmica.
INCERTIDUMBRE Y PROBABILIDAD
La estadstica moderna es resultado de la combinacin de dos disciplinas que
surgieron de manera independiente, una de la otra: la descripcin de datos sobre
asuntos sociales y el anlisis matemtico de los juegos de azar. Aunque sus primeras
aplicaciones son en el campo de la fsica y la astronoma, la obra de Darwin, abri nuevos
campos de aplicacin en la bsqueda de rasgos caractersticos
dentro
de
poblaciones. Francis Galton, primo de Darwin, introdujo el problema de la
dependencia estadstica, analizando la herencia humana. La influencia de Galton,
sobre Pearson y Fisher marcara el nacimiento de la estadstica moderna, unificando
la descripcin estadstica con la modelizacin de
los datos descritos a partir de
funciones matemticas (notablemente, el esfuerzo pionero de Pearson por brindar una
familia de funciones de densidad. que pudiera ajustarse a la distribucin, una
gran variedad de datos observados).
El tema central de la estadstica es el estudio de la incertidumbre. Aunque la
estadstica no es el nico esfuerzo humano en la reduccin de la incertidumbre sobre el
curso de los eventos en nuestro entorno, su rasgo caracterstico son los intentos por brindar
una medicin de la incertidumbre: la probabilidad.
Existen al menos dos significados del concepto de probabilidad: aquel que
expresa juicios de valor subjetivos, y aquel que involucra un tipo de conocimiento asociado
al conteo de casos (Shackle, 1972:15-18). Aunque no podemos decir que la acepcin
subjetiva del concepto de probabilidad est ausente en la estadstica moderna, buena parte
de su aparicin en dicho cuerpo de conocimiento es a travs de la segunda acepcin, es
decir, a travs del conteo de casos. Veamos un sencillo ejemplo, sobre la construccin
de esta idea de probabilidad.
Imagine una urna que contiene 50 bolas blancas y 50 bolas negras. Entonces
diremos, que la probabilidad de extraer una bola blanca (sin observar el contenido de la
urna) es 0,5. Esta probabilidad, no es simplemente del ratio de bolas blancas entre
el total, sino que es, a la vez, la conclusin de un fenmeno empricamente
observable: si repetimos indefinidamente el juego de extraer una bola de una urna con 50
bolas blancas y 50 bolas negras, la proporcin de ocasiones en las que se obtiene
una bola blanca, dentro del total de juegos, comenzar a rondar el valor de 0,5 en la
medida en que el nmero de juegos aumente. En este mismo sentido, en el juego de
observar una cara concreta en el lanzamiento de una moneda en numerosas ocasiones,
95
Junio 2010
volver a aparecer este constante, de la misma forma que aparecer el valor 1/6 en el
juego de observar el nmero 3, en sucesivos lanzamientos de un dado de seis caras.
En el caso en el que no se cuenta con la posibilidad de contar casos, la situacin es
ms complicada. No obstante, es posible imaginar un mundo en el que los individuos
deciden con base en probabilidades subjetivas. Ese es el papel de la teora de la
probabilidad subjetiva, que intenta explicar la conducta humana, a partir de clculos
probabilsticos. Ofrecemos a un individuo la posibilidad de jugar dos juegos:
Recibir la cantidad 100 si gana la carrera el caballo nmero 3.

Recibir la cantidad 100 si cae cara en el lanzamiento de una moneda.
Asumiendo que a nuestro hipottico agente, solamente le interesa ganar ms

dinero, si elige jugar el primer juego, entonces sabremos que asigna al caballo 3, una
probabilidad de victoria mayor que 0,5. Ese es el enfoque adoptado por Savage
(1954) y Ascombe y Aumann (1963).
El problema es, que la teora de la probabilidad subjetiva es ms descriptiva que
normativa, en el sentido de que intenta explicar la conducta humana a partir de
unos ciertos postulados (en concreto, busca racionalizar la conducta observada con un
conjunto de probabilidades), y no intenta proveer una base para la decisin. En este
sentido, cuando hablamos de la estadstica como herramienta en la reduccin de la
incertidumbre, debemos concentrarnos en los favores que esta brinda a partir del
conocimiento adquirido sobre la frecuencia de aparicin de fenmenos, es decir, del
conteo de casos. La estadstica como instrumento auxiliar en la toma de decisin, debe
concentrarse en el anlisis de clases de fenmenos, y no de eventos aislados. Esto se debe
a que el conocimiento susceptible de ser utilizado en el anlisis estadstico es la frecuencia.
Y, aunque es posible usar otro tipo de conocimiento, la ambigedad podra minar los
intentos por reducir la incertidumbre.
ESTADISTICA Y NEGOCIOS
La principal motivacin del uso de la estadstica en el campo de los negocios, es la
reduccin de la incertidumbre en la toma de decisin. Para hacerse una idea del papel que
la reduccin de la incertidumbre juega en el concierto econmico mundial, basta saber que
la gran mayora de las transacciones de bienes de consumo final que se efectan en el
mundo, se llevan a cabo sin que exista un acuerdo previo de aprovisionamiento entre
proveedor y consumidor. En este sentido, no es exagerado decir que la mano
invisible que equilibra los mercados, oculta bajo la manga una incesante lucha en la
que innumerables empresarios intentan vencer sus dudas sobre los eventos
futuros,
para desencadenar el proceso productivo y, con ello, dar vida al sistema
econmico. Por tal motivo, la reduccin de la incertidumbre acta en favor del
florecimiento de negocios y, por tanto, del crecimiento econmico.
El uso de la estadstica para la toma de decisiones en el mbito de los negocios,
cobra sentido cuando el problema al que se enfrenta el decisor se relaciona con
incertidumbre sobre clases de eventos, y no sobre eventos aislados. En este sentido,
aunque la estadstica puede ser muy til en el proceso de decisin en el rea de los
negocios, existe un mbito de aplicacin delimitado en el uso de sus herramientas.
Existen eventos cuya ocurrencia es incierta para el empresario, pero que en ningn sentido
pueden considerarse como integrantes de una clase de eventos. Tal es el caso de
96
Junio 2010
fenmenos como el xito de un nuevo producto, el precio del petrleo dentro de diez aos,
el inicio de una guerra entre dos pases, el ganador de la medalla de oro en 100 metros
planos en los prximos Juegos Olmpicos, etc.
No obstante, existe una gran variedad de fenmenos que pueden ser prototpicos, a
partir de las herramientas estadsticas actuales. Algunos ejemplos son la frecuencia de xito
de una cierta tcnica de venta personalizada, el tiempo de dedicacin al cliente en un
centro de atencin, la frecuencia de defectos de ciertos sistemas productivos, etc.12 . A
continuacin, estudiaremos cmo algunos fundamentos bsicos de la estadstica, pueden
aplicarse a la toma de decisiones en el mbito de los negocios. Veremos cmo podemos
utilizar los datos observados, para construir modelos matemticos que intentan
describir cmo se distribuye la probabilidad de ocurrencia de los fenmenos que queremos
analizar.
BERNOULLI PARA EMPRESARIOS
Un concepto fundamental en estadstica es el de variable aleatoria. Esta variable es
el resultado de un experimento estadstico y, aunque dicho resultado es incierto,
debe ser posible asignar a cada resultado una probabilidad de ocurrencia. Por
ejemplo, definamos el experimento estadstico, de contar el nmero de veces que
aparece el nmero 2 al lanzar un dado. La variable sera:
1, si cae 2
X
0, en caso contrario
Mientras que las probabilidades de ocurrencia seran:
Pr X 11 6
Pr X 0 5 6
Pr X 0 X 11
Pr X 0 y X 10
La asignacin de probabilidades, obedece a un hecho natural del experimento
propuesto: al lanzar muchas veces el dado, la proporcin de veces que aparece el nmero 2
tender a 1/6.
En buena parte de los modelos estadsticos modernos, se asume que la realidad se
comporta como un experimento de esta naturaleza. Imagine, que desea estudiar
ciertos hbitos de consumo en los hogares espaoles. Por ejemplo, su gasto anual en
cerveza. No cabe duda que existir un valor verdadero (que podemos llamar p), para
la proporcin de hogares que destinan a este consumo, ms de 200 euros. Entonces, si
elegimos muchos hogares espaoles al azar, mientras ms hogares contenga
nuestra muestra, ms cerca de p estar la proporcin de hogares con dicha
12PuedenconsultarsemuchosdeestosejemplosenPea(2000).
97
Junio 2010
caracterstica, ya que si nuestra muestra estuviera formada por toda la poblacin (es
decir, todos los hogares), esta proporcin seria exactamente p.
Otro supuesto fundamental en gran parte de la estadstica moderna es, asumir que
la probabilidad de ocurrencia de un cierto resultado en un experimento estadstico no
depende del resultado de experimentos anteriores (o posteriores). En nuestro ejemplo del
dado, la probabilidad de obtener cara en un segundo lanzamiento
es
1/6,
independientemente del resultado en el lanzamiento anterior. De esta forma, es
importante considerar, en la construccin de la muestra que, en la eleccin de cada
elemento, la probabilidad de que tenga la caracterstica en cuestin, (por ejemplo, un hogar
que gaste ms de 200 euros en cerveza) debe mantenerse constante. Esto es lo que
se conoce como, muestreo con reemplazamiento. Si dos eventos son independientes, en
el sentido descrito, la probabilidad de que ocurran ambos es igual al producto de sus
probabilidades. As, la probabilidad de obtener dos caras en dos lanzamientos de moneda,
es igual a 0,25.
Asumiremos que existe un fenmeno (que llamaremos Q), en el que solamente
puede haber dos resultados posibles que llamaremos, respectivamente, xito (E) y fracaso
(F). Definiremos una variable dicotmica, X, asociada al resultado del fenmeno Q. Por
ejemplo:
Si Q resulta E X 0
Si Q resulta FX 1
El paso siguiente, que debe considerarse como el salto mortal del fenmeno real al
proceso estadstico, es la asignacin de probabilidades a cada fenmeno posible:
Pr X 1 p
Pr X 0 1 p
La probabilidad p debe ser entendida, como la frecuencia relativa con la que el
fenmeno Q resulta en F. Ahora podemos decir que nuestra variable X, es una variable
aleatoria de Bernoulli.
Si el problema al que nos enfrentamos es un juego de azar, la definicin de
dichas probabilidades, no constituye un problema emprico complejo. No obstante,
pese a las posibles similitudes entre el problema del empresario y los juegos de azar, la
realidad empresarial es sensiblemente ms compleja. La frecuencia estimada de
aparicin de un evento (por ejemplo, xito o fracaso) en un cierto fenmeno, depender
del volumen de experiencia que sobre dicho fenmeno se tenga. Un nivel de
conocimiento razonable sobre la ocurrencia de un evento, es aquel en el que nueva
experiencia sobre el fenmeno en cuestin no aporta informacin adicional sobre su
frecuencia de aparicin.
En la Figura 1,
hogares a la muestra
de hogares espaoles
situacin nos permite
se puede ver el caso en el que la sucesiva incorporacin de ms

de datos, parece no producir grandes cambios en el porcentaje
con un gasto anual en cerveza superior a los 200 euros. Esta
decir, que si seleccionamos un hogar espaol al azar (en el ao
98
Junio 2010
de la encuesta), la probabilidad de que dicho hogar gaste al ao ms de 200 euros en

cerveza es p=21,67.
Figura 1
Hogares que gastan ms de 200 euros en cerveza
40
21.67
1000
2000
3179
Hogares
Fuente: Elaboracin propia con datos de la Encuesta Continua de Presupuestos Familiares (INE,
Espaa, 2004).
Como sealamos anteriormente, un aspecto muy importante a tener en cuenta es el

supuesto de que, en sucesivos experimentos, las probabilidades de ocurrencia de
los resultados posibles se mantienen constantes y son independientes de los resultados
obtenidos en experimentos anteriores. En el caso del proceso de Bernoulli, imaginemos
que realizamos N experimentos. Si la probabilidad de tener el resultado X=1 es igual
en todos ellos, entonces podremos confiar en los resultados del modelo. Una forma
intuitiva de pensar en las implicaciones del supuesto de independencia, es asumir
que se tiene una urna con todos los datos de la poblacin.
Una vez definidas las probabilidades de ocurrencia en la variable de Bernoulli,
podemos hacernos preguntas sobre la probabilidad de ocurrencia de eventos ms
complejos. En concreto, es posible responder a preguntas como Cul es la probabilidad de
que al observar n veces el fenmeno Q, se tengan al menos yn fracasos? La forma de
responder a esta pregunta es, a travs de la construccin de la variable aleatoria binomial
(Y), que no es otra cosa que la sumatoria de variables de Bernoulli.
Y X 1 X 2 ... X n
Pr X i 1p, para i 1, 2,...n

La funcin de cuanta binomial, para clculos de probabilidad puntuales, tiene
99
Junio 2010
la forma:
n
ny
Pr Y y p y 1 p
Y para clculos de probabilidad acumulada:

y
Pr Y y p j 1 p
j 0 j
n j
La esperanza y varianza de la variable aleatoria de Bernoulli son respectivamente:
E Y np
Var y np 1 p
La funcin de cuanta
binomial es altamente intuitiva sobre el proceso que
n y
y
puede entenderse como Probabilidad de que los primeros y
refleja. El trmino p 1 -p
fenmenos, sean fracasos, y los restantes n-y, sean xitos. Por otra parte,
generalmente lo que interesa conocer es, la probabilidad de tener y fracasos y n-y
xitos, sin importar en qu orden ocurren. Ese es el papel del trmino que indica el
nmero de permutaciones posibles de y dentro de nn .
Ejemplo 1. Las preferencias del consumidor. Los datos muestran que la probabilidad
(medida en tanto por uno) de que un hogar espaol gaste ms de 200 euros anuales en
cerveza es: 0,2167. Si elegimos al azar diez hogares espaoles Cul es la
probabilidad de que 4 o ms hogares, gasten ms de mil euros al ao en cerveza?
En la Figura 2, se muestra la funcin de cuanta binomial, para el caso del
ejemplo 1. Puede verse ah, la probabilidad de que dentro de diez hogares elegidos
al azar, se tengan X nmero de hogares que gasten ms de 200 euros al ao en cerveza.
La probabilidad de que 4 o ms hogares gasten ms de 200 euros al ao
en cerveza es:
10
10 j
10 j
p 1 p
Pr Y 4

j 4 j
Pr Y 4 0.152
100
Junio 2010
Figura 2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
10
Hogares
Funcin de cuanta binomial para el caso del ejemplo 1.
Ejemplo 2. El control de calidad. Los datos obtenidos de un cierto proceso

productivo, muestran que la probabilidad de obtener una pieza defectuosa es 0,16.
Cada stock de produccin contiene 15 unidades. Cul es la probabilidad de que en el
prximo stock aparezcan unidades defectuosas? En la Figura 3, se muestra la funcin de
cuanta binomial para el caso del ejemplo 1. Puede verse ah, la probabilidad de que se
tengan X piezas defectuosas.
La probabilidad de que se tenga al menos una pieza defectuosa es:
10
10
Pr Y 11 p 0 1 p

0
Pr Y 10.927
EL TEOREMA CENTRAL DEL LIMITE

En el modelo expuesto arriba, se considera que la variabilidad en los resultados
obtenidos de la variable aleatoria Y, es una consecuencia de innumerable
circunstancias que operan independientemente unas de otras. En este sentido, los
resultados obtenidos de muchos experimentos con la variable Y, seguirn un patrn muy
especfico de distribucin en torno al valor esperado E(Y): la funcin de densidad
normal. Esta es la esencia del celebrado: Teorema Central del Lmite.
101
Junio 2010
Figura 3
0.35
0.3
0.25
0.2
0.15
0.1
0.05
10
11
12
13
14
15
Hogares
Funcin de cuanta binomial para el caso del ejemplo 2.
De esta manera, se asume que la variable aleatoria Y, se puede descomponer en

dos partes: una parte sistemtica y un error. La estadstica puede permitirnos saber si
nuestras
hiptesis sobre la parte sistemtica tienen fundamento emprico, a partir del
anlisis matemtico y prototpico del error.
Figura 4
0.4
0.3
0.2
0.1
0
5
10
15
21.67
30
35
40
Hogares
102
Junio 2010
En la construccin de la Figura 4, hemos tomado 10 mil muestras distintas de 100

hogares cada una, y para cada muestra hemos calculado el nmero de hogares que
gastan ms de 200 euros al ao en cerveza. En la Figura se muestra, el histograma de
frecuencias relativas de las 10 mil realizaciones de la variable binomial Y. Puede verse, la
distribucin en torno al valor esperado en cada muestra.
El Teorema Central del Lmite, (en sus distintas presentaciones) es crucial en
el anlisis estadstico. Podemos utilizar la informacin de que la variable aleatoria Y sigue
una distribucin normal, con media np y varianza np(1-p), para someter a prueba ciertas
hiptesis sobre la poblacin que queremos estudiar. Por ejemplo, sabremos que, con
una probabilidad del 95,5%, los valores estarn acotados en un intervalo concreto.
Ejemplo 3. Tenemos una muestra de 100 hogares espaoles, dentro de los cuales
20 de ellos consumen ms de 200 euros al ao en cerveza. Podremos aceptar la hiptesis
de que el 30% de todos los hogares espaoles, consumen ms de 200 euros al ao en
cerveza?
Nuestra esperanza y varianza estimadas son, respectivamente:
20
4, 04
Por tanto, al seguir la esperanza una distribucin normal, podemos esperar que
el verdadero valor, , este contenido en el intervalo:
2 2
11.93 28.07
Si nuestra hiptesis sobre el verdadero valor de es 30, debemos rechazarla con un
95,5% de confianza.
Por otra parte, podemos someter a prueba nuestra hiptesis de que los datos
observados siguen una cierta distribucin de probabilidades. Existen formas simples,
para saber si la distribucin de unos datos se comportan de manera consistente con
una funcin de densidad concreta, (por ejemplo, el test de normalidad de JarqueBera).
Si tenemos elementos para creer que nuestro datos podran explicarse como
generados por una funcin de densidad normal, podemos hallar dicha funcin, maximizando
la probabilidad de que nuestra muestra provenga de dicha funcin. Esto es lo que se
conoce como funcin de verosimilitud. Pero ese es un tema que no podremos cubrir aqu.
REFERENCIAS
Anscombe, F. y Aumann, R. (1963), A
Definition of Subjective Probability, The
Annals of Mathematical Statistics, Vol. 34, No.
1, pp. 199-205.
Pea, Daniel (1999), Estadstica modelos y
mtodos, Alianza Editorial, Madrid.
Savage, L. (1954), The Foundations of
Statistics, Wiley, Nueva York.

Shackle, G.L.S. (1972), Epistemics and
economics. A critique of economic
doctrines,
Cambridge University Press.
103

Libro Virtual de Estadística PDF

Cargado por

Copyright:

Formatos disponibles

Libro Virtual de Estadística PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Virtual de Estadística PDF

Cargado por

Copyright:

Formatos disponibles

LaureateInternationalUniversities

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

The use of appropriate statistical tools in

Hoy los softwares presentan estructuras

Today, the software presents traditional

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

Seguramente encontraremos muchas definiciones

Actualmente no podemos desconocer el uso de herramientas en todos los planos

Describir, asociar y graficar,

En general los softwares en su mayora, tienen involucrados indicadores propios

Qu herramienta estadstica podra entregar una visin conjunta por ejemplo:

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

Actualizadas ms en lo funcional que en lo tcnico.

As y todo, siempre la mejor herramienta para la gestin es el

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

LA CULTURA ESTADSTICA Y SU INFLUENCIA EN LA ADMINISTRACIN

La Administracin de los Negocios y la

Business Administration and Decision

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

Para lo anterior y en un espritu tambin osado, se realizan modelos proyectivos,

Datos confiables asociados a un entorno pasado, que difcilmente ocurrir de la

Uno de los clsicos vicios en la toma de decisiones y frente a la adversidad y

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

En particular en la estadstica, es muy comn tratar tpicos en

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

Integracin Estadstica, el cual, es una consecuencia de considerar a la estadstica como

Los que toman las decisiones, pensaran integradamente.

Sin embargo, lo que me permito presentar aqu y diferenciar, es una funcin

Se considera a la estadstica, como un tipo de cultura universal.

1: La Estadsticaun tipo de Cultura

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

TIEMPOS DE LA CULTURA ESTADSTICA

Given the amount of information that an

PALABRAS CLAVES: estadstica, cultura,

KEYWORDS: statistics, culture, methods,

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

ANLISIS EXPLORATORIO DE DATOS

USO Y ABUSO DE LA ESTADSTICA

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

La combinacin de ciertos datos y un deseo doloroso de una respuesta, no

* Realizado en jvenes entre15y17aos.

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

CONSIDERACIONES SOBRE LA ENSEANZA Y LA CULTURA

datos, caracterizacin estadstica,

The improvement of Statistical Education

KEYWORDS: data analysis,

characterization of the statistics,

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

NECESIDAD DE UNA PERCEPCIN COMN SOBRE EL SIGNIFICADO DE

la tecnologa del pensamiento cientfico

Todas estas definiciones y muchas otras similares, tienen el inconveniente de

La estadstica como cultura universal y su aplicacin en la administracin de los negocios

Una clara indicacin de la insuficiencia de las caracterizaciones presentadas en la

PROBLEMAS ORIGINADOS POR LA CONFUSIN SOBRE EL TRMINO

EN LA ENSEANZA DE LA ESTADSTICA ELEMENTAL