Facultad de Ciencias Administrativas

Ingeniería de la Producción

Estadística Aplicada

Tema:
Guía de refuerzo con preguntas y respuestas de Estadística Aplicada
con el programa Rstudio.

Integrantes:
Barrigas Alarcón Jonathan Adalid
Donoso Valdiviezo Estefannia Pamela
Lara Salinas Lisseth Nicole
Mallitasig Bedon Erika Victoria

Tutor: Ing. Verónica Araujo

2024
1
Índice

2
 1. Explique a partir de un ejemplo cómo la estadística contribuye a las
investigaciones en el campo de ingeniería de la producción.

En el campo de ingeniería de la producción, la estadística desempeña un papel crucial al proporcionar

herramientas para analizar datos y tomar decisiones fundamentadas. Por ejemplo, consideremos una
planta de fabricación que produce componentes electrónicos. La ingeniería de la producción se enfrenta al
desafío de mantener altos estándares de calidad y eficiencia en la línea de producción.

Utilizando técnicas estadísticas, los ingenieros pueden recopilar datos sobre la variabilidad en la
producción, como las dimensiones de los componentes o el rendimiento de las máquinas. Aplicando
análisis estadísticos, como el control estadístico de procesos (SPC), pueden monitorear la estabilidad y
calidad del proceso en tiempo real.

Si, por ejemplo, se observa una tendencia no deseada en la variabilidad de las dimensiones de los
componentes, la estadística permite identificar la fuente del problema. Se pueden realizar análisis de
regresión para entender las relaciones entre variables, como la velocidad de la línea de producción y la
calidad del producto. Además, se pueden emplear técnicas de diseño de experimentos (DOE) para
optimizar el proceso y encontrar las condiciones ideales de operación.

En última instancia, la estadística en ingeniería de la producción ayuda a tomar decisiones informadas,

mejorar la eficiencia del proceso y garantizar la calidad del producto final. Esto contribuye a la
optimización de recursos, reducción de desperdicios y mejora continua, elementos esenciales en entornos
de producción eficientes y competitivos.

Algunos otros ejemplos pueden ser:

Control de Calidad:

En la ingeniería de la producción, la estadística se utiliza para monitorear y controlar la calidad de los

productos. Se recopilan datos sobre dimensiones, resistencia, o cualquier otra característica relevante, y se
aplican técnicas estadísticas como el Control Estadístico de Procesos (SPC) para detectar desviaciones y
mantener la calidad dentro de los límites establecidos.

Optimización de Procesos:

La ingeniería de la producción busca optimizar procesos para mejorar eficiencia y reducir costos. La
estadística, a través de técnicas de Diseño de Experimentos (DOE), ayuda a identificar las condiciones
óptimas de operación al analizar cómo variables como la velocidad de la línea o la temperatura afectan el
rendimiento del proceso.

Gestión de Inventario:

La estadística contribuye a la gestión de inventario al analizar patrones de demanda y variabilidad en los

tiempos de entrega. Modelos estadísticos como el inventario de seguridad se utilizan para garantizar que
haya suficiente stock para satisfacer la demanda sin incurrir en exceso de inventario.

Fiabilidad y Mantenimiento Predictivo:

En situaciones reales, la estadística se aplica para evaluar la fiabilidad de equipos y prever fallos. Análisis
de confiabilidad y mantenimiento predictivo utilizan datos históricos para identificar patrones de fallas,
permitiendo programar el mantenimiento de manera eficiente y evitar tiempos imprevistos de inactividad.

Mejora Continua:

La estadística se utiliza para impulsar la mejora continua en la producción. A través de técnicas como el
Ciclo de Deming (PDCA), se recopilan datos, se analizan para identificar áreas de mejora, se
implementan cambios, y se monitorea nuevamente para evaluar el impacto, creando un ciclo iterativo que
optimiza constantemente los procesos de producción.

3
 2. Explique la relación entre los conceptos inferencia, población, muestra,
estadístico, estimador y parámetro.

En estadística, estos conceptos están interrelacionados y se utilizan para realizar inferencias sobre una
población basándose en datos recopilados de una muestra. Aquí está la relación entre ellos:

Población:

La población es el conjunto completo de elementos o individuos que comparten una característica común
y son objeto de estudio.

Por ejemplo, si estamos interesados en la altura de todos los estudiantes de una universidad en particular,
la población sería todos los estudiantes de esa universidad.

Muestra:

La muestra es un subconjunto representativo de la población.

En el ejemplo anterior, la muestra podría ser un grupo de estudiantes seleccionados al azar de la

universidad.

Estadístico:

Un estadístico es una medida numérica que se calcula a partir de los datos de una muestra.

Por ejemplo, la media o desviación estándar calculada a partir de la altura de la muestra de estudiantes.

Parámetro:

Un parámetro es una medida numérica que describe una característica de la población completa.

Siguiendo el ejemplo, la media o desviación estándar de todas las alturas de los estudiantes de la
universidad sería un parámetro.

Estimador:

Un estimador es una regla o fórmula que se utiliza para calcular un estadístico a partir de los datos de la
muestra.

Si utilizamos la media muestral para estimar la media poblacional, entonces la media muestral es un
estimador de la media poblacional.

Inferencia:

La inferencia estadística es el proceso de hacer afirmaciones o conclusiones sobre una población

basándose en la información obtenida de una muestra.

Utilizando los datos de la muestra (estadístico), se infiere o se hace una estimación sobre el parámetro de
la población.

En resumen, la inferencia estadística implica el uso de estadísticos y estimadores calculados a partir de

una muestra para hacer afirmaciones o estimaciones sobre los parámetros de una población más amplia.
La calidad de estas inferencias depende de la representatividad de la muestra y la precisión del estimador
utilizado.

4
 3. De un ejemplo de cada tipo de variable (nominal, ordinal, cuantitativa, dummy).

Nominal:

Variable que representa categorías sin un orden inherente.

Ejemplo: Colores de coches (rojo, azul, verde).

Ordinal:

Variable que tiene categorías con un orden, pero la distancia entre las categorías no es uniforme o
significativa.

Ejemplo: Clasificación de tallas de ropa (pequeño, mediano, grande).

Cuantitativa:

Variable que representa cantidades numéricas y tiene un orden significativo.

Ejemplo: Altura de las personas en centímetros.

Dummy (Binaria):

Variable que toma solo dos valores para representar categorías distintas.

Ejemplo: Variable de género (1 para masculino, 0 para femenino).

5
4. Una agencia de protección ambiental utiliza a los autos nuevos de cada año para
recolectar información de la emisión de contaminantes del parque de vehículos nacional.
Indique cuál sería la población y cuál sería la muestra de ese dicho estudio.

Población

La población en este estudio sería el conjunto de todos los autos que forman parte del
parque vehicular nacional. Esto incluye tanto los autos nuevos como los usados.

Muestra

La muestra sería el conjunto de autos nuevos que la agencia de protección ambiental

selecciona para recolectar información sobre la emisión de contaminantes.

6
5. Según la encuesta INEC 2015 el 24,4% de los ecuatorianos vivía en condición de
pobreza. ¿Dicha cifra corresponde a un parámetro o a un estimador? Justifique.

El 24,4% obtenido en la encuesta es un estimador:

La encuesta INEC 2015 no encuestó a toda la población ecuatoriana: Solo se encuestó

a una muestra representativa de la población.

Las encuestas siempre tienen un margen de error: Este margen de error refleja la
incertidumbre en la estimación del parámetro debido a que solo se utiliza una muestra.

El porcentaje de pobreza puede variar con el tiempo: El 24,4% solo refleja la situación
en el año 2015, es una estimación basada en la muestra.

7
6. Un investigador afirma que hay una proporción de 0,3 estudiantes en esta facultad
que fuma, mientras que otro señala que el 70% de los estudiantes no fuma. ¿Son
contradictorias estas afirmaciones? ¿Ambas afirmaciones entregan la misma
información? Justifique.

No las afirmaciones no son contradictorias, pero no entregan la misma información.

El primer investigador muestra que el 30% de la población estudiantil si fuma.Mientras

que el otro investigador muestra que el 70% de estudiantes no fuma.

Estas afirmaciones nos son contradictorias, sino que se complementan para poder tener
una perspectiva sobre este hábito.

Sin embargo, nos entregan información distinta, el primer investigador se centra en la

proporción de estudiantes que fuman, mientras que el segundo se centra en la
proporción de estudiantes que no fuman.

8
7. En la base de datos del INEC DESEMPLEO 2020, una variable indica la condición de
actividad de las personas, distinguiendo en activos, inactivos y cesantes. Describa cómo
podría transformar dicha variable en variable(s) dummy y mantener la misma
información.

En primer lugar, identificaríamos las categorías presentes en la variable original, que

son activos, inactivos y cesantes. Luego, crearíamos una variable dummy para cada
una de estas categorías. Por ejemplo, podríamos crear una variable dummy llamada
"activo_dummy", otra llamada "inactivo_dummy" y una más llamada "cesante_dummy".
Para cada observación, asignaríamos un valor de 1 a la variable dummy
correspondiente a su condición de actividad y 0 a las demás, de manera que cada
observación estaría representada por un único valor de 1 en una de las variables dummy
y 0 en las demás. Esto nos permite mantener la misma información que la variable
original, pero en un formato más adecuado para su análisis, ya que podemos utilizar las
variables dummy como predictores en modelos estadísticos o realizar análisis
descriptivos utilizando estas variables binarias para representar la condición de
actividad de cada individuo.

9
8. Explique por qué la media muestral es un buen estimador de la media poblacional.

La media muestral es un estimador confiable de la media poblacional debido a su

propiedad de insesgamiento y consistencia. En primer lugar, la media muestral tiende a
igualar la media poblacional en promedio, lo que significa que no hay un sesgo
sistemático en las estimaciones. Esto se logra cuando la muestra se selecciona
aleatoriamente y es representativa de la población. Además, a medida que el tamaño
de la muestra aumenta, la media muestral converge hacia la verdadera media
poblacional debido a la ley de los grandes números.

Esta propiedad de consistencia hace que la media muestral sea un estimador confiable,
especialmente en muestras grandes, donde la variabilidad se reduce y las estimaciones
se vuelven más precisas. En conjunto, la combinación de insesgamiento y consistencia
hace que la media muestral sea una herramienta fundamental en la estimación de
parámetros poblacionales.

10
9. Si usted tuviese información de toda una población, ¿cómo evaluaría si un estadístico
es un buen estimador de un parámetro poblacional?

La evaluación de un estadístico como estimador de un parámetro poblacional puede

realizarse comparando directamente los valores del estadístico con el valor real del
parámetro. Este enfoque permitiría verificar si el estadístico produce estimaciones
cercanas al valor verdadero del parámetro. Además, se podría realizar un análisis de la
varianza y la precisión del estadístico al repetir el cálculo del estadístico en múltiples
subconjuntos de la población o mediante simulaciones para evaluar su desempeño en
diferentes escenarios.

Se podría emplear técnicas de validación cruzada utilizando los datos de toda la

población, dividiendo la población en conjuntos de entrenamiento y prueba. Luego, se
calcularían las estimaciones del estadístico en el conjunto de prueba y se compararían
con los valores reales del parámetro. Esto permitiría evaluar la capacidad predictiva del
estadístico y su capacidad para generalizar a datos no observados dentro de la
población. En conjunto, estas estrategias proporcionarían una evaluación integral de la
calidad del estadístico como estimador del parámetro poblacional cuando se dispone de
datos completos de la población.

11
10. ¿Cómo clasificaría la siguiente gráfica (¿GRAF?1) a partir de su simetría y curtosis?

Al observar la gráfica notamos que tiene una distribución sesgada hacia la derecha. Esto
nos indica que tenemos una asimetría positiva. También nos menciona que su media
es mayor que la mediana y mayor que la moda. Ahora, en cuanto a la curtosis se puede
asumir que es leptocúrtica ya que la distribución tiene una forma puntiaguda.

11. ¿Cómo podrías evaluar si la distribución de una variable en cierta población tiene la
forma de una distribución teórica particular?

Para evaluar si la distribución de una variable en una población se ajusta a una distribución teórica
particular, podemos seguir los siguientes pasos:

1. Recopilar datos de una muestra representativa de la población que se está estudiando. Cuanto más
grande sea la muestra, mejor.
2. Crear gráficos para visualizar la forma de distribución.
3. Utilizar pruebas estadísticas para comparar los datos observados con la distribución teórica.
Algunas pruebas comunes es la de chi-cuadrado, la prueba de Kolmogórov-Smirnov, o la prueba
de Anderson-Darling. Estas pruebas evalúan si hay diferencias significativas entre los datos
observados y los esperados bajo la distribución teórica.
4. Si la distribución teórica tiene parámetros, estimar esos parámetros a partir de los datos y
compáralos con los valores esperados.
5. Realizar análisis gráficos comparando la función de densidad de probabilidad o la función de
distribución acumulativa de la distribución teórica con los datos observados.

12. ¿Qué caracteriza a la distribución normal?

La distribución normal, también conocida como la distribución de Gauss o campana de Gauss, es una de
las distribuciones más importantes en estadísticas y probabilidad. Algunas de las características de la
distribución normal son:

1. Forma de campana simétrica alrededor de su media.

2. La media, la mediana y la moda son iguales y se encuentran en el centro de la distribución.
3. La desviación estándar.
4. La curva de densidad simétrica ya que forma una curva suave y continua.
5. La distribución normal está completamente definida por dos parámetros: la media (µ) y la
desviación estándar (σ). Cambiar estos parámetros afecta la posición y la dispersión de la
distribución.
6. Finalmente, el teorema del límite central.

12
13. ¿Qué es una distribución normal estándar?

Una distribución normal estándar, también conocida como distribución normal o distribución gaussiana,
es una distribución de probabilidad continua que tiene una forma de campana simétrica alrededor de su
media. Es caracterizada por dos parámetros los cuales son: la media (μ) y la desviación estándar (σ). En
una distribución normal estándar, la media es 0 y la desviación estándar es 1.

Esta distribución es importante en estadística y en muchas áreas de la ciencia debido a su amplia

aplicabilidad y propiedades matemáticas bien comprendidas. Permite modelar y entender varios
fenómenos naturales y sociales, ya que muchos procesos en la naturaleza siguen una distribución normal
por el efecto combinado de múltiples factores aleatorios.

14. Observando la gráfica (GRAF. 2), ¿cree usted que dicha variable es normal?

Por lo que se mencionó en la anterior pregunta, tenemos conocimiento de que una

distribución normal tiene una forma de campana simétrica alrededor de su media. Sin
embargo, como podemos visualizar en la gráfica 2 se tiene un tipo lineal por lo que no
podríamos concluir que esta gráfica se clasifica como que tiene una distribución normal.
15. Escriban al menos 3 conclusiones.

1. La distribución normal es fundamental en inferencia estadística, ya que muchos métodos

estadísticos se basan en supuestos de normalidad para funcionar correctamente. Por ejemplo,
los intervalos de confianza y las pruebas de hipótesis a menudo asumen que los datos provienen
de una distribución normal.

2. La distribución normal tiene propiedades matemáticas bien comprendidas, lo que facilita los
cálculos y el análisis estadístico. Además, muchos métodos estadísticos asumen normalidad para
simplificar los procedimientos de estimación y predicción.

13
3. Muchos procesos en la naturaleza y en las ciencias sociales tienden a seguir una distribución
normal debido al efecto combinado de múltiples factores aleatorios. Por lo tanto, entender y
utilizar la distribución normal nos permite modelar y predecir una amplia gama de fenómenos,
desde la altura de las personas hasta los resultados de pruebas estandarizadas.

4. La distribución normal es importante debido a su amplia aplicabilidad en la modelización de

fenómenos naturales y sociales, su papel en la inferencia estadística y su utilidad en simplificar
cálculos y análisis. La curtosis y la simetría proporcionan información adicional sobre la forma y
la distribución de los datos, lo que puede ser útil para comprender mejor los conjuntos de datos
y tomar decisiones informadas.

14