UNIVERSIDAD PRIVADA DOMINGO SAVIO

ACTIVIDAD 1

MATERIA: Estadística Inferencial

DOCENTE: Gineth Salo

ESTUDIANTE: Rosa Yissel Uzquiano Molina

CARRERA: Ingeniería Comercial

2024
➢ Investigación de artículos científicos de ingeniería que destaquen la
aplicación de la estadística inferencial

1. Artículo № 1
La importancia de la estadística aplicada para la toma de decisiones en
Marketing

❖ Introducción al área de interés y su importancia.

La revolución tecnológica ha hecho que la información sea más accesible para

todos, incluidos los clientes, lo que plantea desafíos para las empresas al
enfrentarse a consumidores mejor informados. Sin embargo, el acceso a datos
también beneficia a las empresas si se utilizan adecuadamente para la toma de
decisiones. A pesar de tener más datos, muchas empresas carecen de
profesionales especializados en análisis de datos, lo que puede convertir la
abundancia de información en una dificultad para la toma de decisiones. La falta
de objetivos claros también contribuye a este problema. La bibliografía en
marketing a menudo no profundiza en el análisis de datos más allá de la
estadística básica, aunque estas medidas pueden ser útiles para la toma de
decisiones gerenciales. Además de los datos internos, la información del cliente
es valiosa y debe ser recopilada mediante investigaciones de mercado. El
análisis de datos es crucial para el marketing estratégico, ya que proporciona
una comprensión clara del mercado y su entorno. En este contexto, el trabajo de
revisión teórica busca mostrar la aplicación práctica de medidas estadísticas en
marketing para mejorar la toma de decisiones en las organizaciones.

❖ Descripción detallada de las aplicaciones específicas de la estadística

inferencial.

De todo el análisis bibliográfico realizado en el presente trabajo de investigación,

se puede llegar a establecer que existe un consenso generalizado por parte de
la comunidad académica en que la formación de las personas en el área de
estadística se hace cada vez más fundamental como parte de habilidades y
capacidades que se deben desarrollar, independientemente del área de
formación de las personas.

Por otro lado, la aplicación de la estadística como disciplina en el área

de marketing descansa mayormente en temas de estudios académicos y no
tanto en aspectos de orden práctico y objetivo para las organizaciones.

También se puede señalar que el empleo de la estadística se circunscribe a una

de orden univariado donde el uso de distribuciones de frecuencias, gráficos,
 porcentajes, histogramas se constituyen en el principal recurso o herramienta
para trabajar los datos y convertirlos en información que ayude a la toma de
decisiones en la empresa. Este análisis, por cierto, es superficial, más aún si no
se relacionan variables o se trabaja al menos con estadística bivariada a nivel de
cruce de variables (tablas de contingencia).

La estadística en la investigación de mercados se utiliza mucho como recurso

inferencial. Al trabajar con muestras representativas de poblaciones, muchos
investigadores extrapolan sus hallazgos a lo que teóricamente quisiera toda la
población; sin embargo, se debe tomar en cuenta que muchas de las inferencias
realizadas no siguen con rigurosidad los aspectos metodológicos indispensables
para que dichas inferencias sean confiables. Esto, como se advirtió en la
revisión bibliográfica, obedece a una debilidad en la formación de los
profesionales en lo relativo al empleo correcto de herramientas matemáticas
dentro de la vida real y cotidiana (en este caso, poniendo el foco de atención en
los problemas y retos a los que se enfrentan las organizaciones en cuanto a sus
dilemas gerenciales).

Poseer información debidamente trabajada constituye una fuente de ventaja

competitiva de difícil imitación por parte de los competidores; sin embargo, el
contar con gente capacitada para realizar el análisis de manera objetiva y
contextúa l izad a es el reto que se hace difícil para las organizaciones. No se

debe olvidar que la obtención de datos y la posterior generación de información

para la toma de decisiones debe obedecer a que las empresas cuenten claridad
de los dilemas gerenciales en los que se encuentran y a los que posiblemente
pueden enfrentarse a futuro, además de que puedan tener la capacidad de
transformar estos dilemas en protocolos claros y sistemáticos que guíen los
procesos de investigación de manera objetiva.

• Resumen de la metodología estadística utilizada en los artículos.

 Los datos de la tabla 1 no se constituyen en información sino se los analizan e
interpretan adecuadamente. Analizando la información de la tabla, se puede
advertir que existe, en promedio, una mayor disposición a pagar por un vehículo
en los clientes hombres en relación con las clientes mujeres. La asimetría
positiva en ambos casos indica que existe mayor concentración de los datos en
valores bajos y que la curva de distribución de frecuencias para el caso de los
varones está un tanto más dispersa en relación con las féminas (2,39 y 1,77,
respectivamente). Gráficamente, se puede comprobar esta situación mediante la
observación de los histogramas

Aplicando una prueba t de diferencia de medias, se puede advertir que la

diferencia de los dos promedios, desde el punto de vista de la estadística, es
significativa, ya que el valor de contraste obtenido en la prueba es menor al nivel
de significancia de 0.05: por lo tanto, se rechaza la hipótesis nula de que los dos
promedios son iguales

El precisar que la diferencia de los promedios de disposición de pago entre hombres y

mujeres es estadísticamente significativa y diferente tiene una connotación de
decisiones ejecutivas bastante complejas. Por ejemplo:

a. Se tiene información para planificar las campañas promocionales de los vehículos

que produzca la empresa con un mensaje y publicidad diferentes, es decir, campañas
publicitarias dirigidas a cada uno de los segmentos. Se puede advertir que los hombres
son menos sensibles al precio cuando se trata de la compra de un vehículo; sin
embargo, las mujeres son mucho más sensibles a la variable precio y no parecen estar
dispuestas a pagar mucho por un vehículo. Esto es algo que se refrenda con los
máximos a pagar por cada uno de los segmentos (79.980 $us para hombres y 30.000
$us para mujeres).
b. Se podría pensar también en lanzar campañas publicitarias que resalten con mayor
fuerza ciertos atributos de los vehículos; sobre todo, aquellos que se consideren como
importantes para las mujeres, como seguridad, familiar, económico, etc., es decir, que
la decisión de los ejecutivos también podría encaminarse por trabajar campañas
comunicacionales únicas.

c. Especulando un poco más, el análisis de los promedios puede tener su efecto en la

variable producto, ya que los ejecutivos de la empresa pueden optar también por
desarrollar diferentes gamas de productos para alcanzar y satisfacer a los diferentes
segmentos de mercado, que en este caso están denotados por la variable sexo.

d. El análisis de la desviación típica, conjuntamente al de la asimetría, puede sugerir

a los ejecutivos que la compra de vehículos está influenciada en los hombres de
manera más emocional en relación con las mujeres, que parecen ser más racionales
en cuanto a la predisposición de adquirir un vehículo. Los valores en el caso de los
varones están más dispersos en relación con los valores de las féminas.

Los percentiles de la tabla 3, al ser medidas de posición, otorgan información

concerniente a la localización de las disposiciones a pagar por parte de los clientes.
Aplicando la interpretación de los percentiles al marketing, se podría indicar entre
algunas conclusiones puntuales lo siguiente:

a. Para el caso de los hombres, tan solo un 5% del mercado estaría dispuesto a
pagar por un vehículo más de 36.788 $us; en el caso de las mujeres, tan solo un 5%
del mercado estaría dispuesto a pagar más de 18.750 $us. Este análisis obedece al
percentil 95%.

b. Cruzando el percentil 75 con el valor mínimo obtenido para cada grupo en los
estadísticos de resumen, se tiene el siguiente análisis: para el caso de los hombres, el
75% del mercado estaría dispuesto a pagar entre 9.000 $us y 22.688 $us; para el caso
de las mujeres, el 75% del mercado estaría dispuesto a pagar entre 9000 $us y 14.250
$us.

Se puede advertir que los percentiles son una fuente de información valiosa a la hora
de cuantificar el posible mercado de referencia al que se podría llegar. Los percentiles
pueden ayudar mucho a los decisores en temas relacionados a segmentación de
mercados con base a una variable cuantitativa.

Supongamos por un momento que la empresa comercializa vehículos dirigidos al

segmento de hombres y que el precio mínimo de venta de uno de sus vehículos es de
30.000 $us; con esta información y remitiéndonos a los resultados de la tabla 2,
llegamos a una valiosa conclusión de que la empresa tan solo estaría compitiendo en
un mercado del 10%, ya que el percentil 90 con un valor de 33.000 $us nos muestra
esa realidad, obviamente el hablar de competir en un 10% del mercado no
necesariamente es despreciable de acuerdo al contexto en el que se compita (tamaño
de la población).

Con base a los percentiles una empresa dedicada a la venta de vehículos podría definir
su estrategia competitiva, optando quizás por la diferenciación, el enfoque o tal vez el
liderazgo en costos. Claramente, vemos en nuestro país que existen empresas
comercializadoras de vehículos que optan por alguna de las estrategias genéricas
anteriormente mencionadas y establecidas en la teoría por Michael Porteren 1982

❖ Principales resultados obtenidos y su impacto en la optimización de procesos.

Los histogramas (gráfico1 y gráfico 2), como se mencionó anteriormente,

muestran el comportamiento de los datos de forma gráfica; ahí se refrendan los
análisis realizados trabajando con la desviación típica como con la asimetría. Se
puede advertir cómo la distribución de frecuencias para el caso de los hombres
está más dispersa en relación con la de las mujeres; además, la asimetría, al ser
más alta en el caso de los hombres (2.39), refleja mayor concentración en
precios bajos. Toda empresa esperaría obtener para la variable cuánto está
dispuesto a pagar por el producto asimetrías negativas, ya que concluiría que las
disposiciones de pago de los clientes se encuentran concentrados en valores
altos (precios altos).
❖ Reflexiones personales sobre la relevancia de la estadística inferencial en la
mejora de procesos en el área investigada.
 El uso del análisis cuantitativo es fundamental en el mundo laboral,
especialmente en el ámbito empresarial. Los profesionales que carecen de
habilidades en análisis estadístico enfrentan desventajas en el mercado laboral
en comparación con aquellos que las poseen. Aunque no garantiza el éxito, el
análisis cuantitativo en decisiones de marketing proporciona información para la
toma de decisiones, lo que se traduce en una ventaja competitiva. Es crucial
entender que la interpretación de medidas estadísticas requiere un análisis
integral de datos y no simplemente basarse en estadísticas resumidas. Además,
es fundamental aplicar correctamente los supuestos estadísticos para que los
análisis sean válidos y útiles. Existen numerosos recursos estadisticos que
pueden proporcionar información sustancial a los ejecutivos de una empresa.
Este trabajo pretende motivar al lector a aplicar estas herramientas de manera
practica en su vida laboral y cotidiana.

2. Artículo № 2

Enseñanza de la estadística inferencial mediante una aplicación móvil

❖ Introducción al área de interés y su importancia.

La enseñanza de la Estadística en cursos universitarios ha presentado mayores

desafíos en las disciplinas de las Ciencias Sociales. En esta investigación se
diseñó una aplicación para dispositivos smartphones con el objetivo de apoyar el
aprendizaje de la Estadística Inferencial en una muestra de estudiantes de las
carreras de Psicología y Trabajo Social en una universidad chilena. Las
funciones de la aplicación incluyen una trivia, un glosario, un modo de asesoría
para decidir por cuál prueba de hipótesis aplicar y una guía tutorial para ejecutar
procedimientos estadísticos en SPSS. Los resultados develan que los
estudiantes legitiman el uso de la aplicación móvil como material de estudio,
constatándose altas calificaciones, tanto en la evaluación global de la aplicación
como en la valoración de cada función.

❖ Descripción detallada de las aplicaciones específicas de la estadística

inferencial.

La enseñanza de estadística en campos distantes de la matemática, como

Trabajo Social y Psicología, enfrenta retos debido a la ansiedad y resistencia de
los estudiantes hacia los contenidos de estadística descriptiva e inferencial,
percibidos como discordantes con los valores y la práctica social de estas
disciplinas. Los estudiantes de ciencias sociales muestran aversión hacia las
asignaturas cuantitativas, con tasas de reprobación más altas que en otras
 áreas. En Psicología, se observan conductas de rechazo hacia la estadística y la
metodología de investigación, como ausentismo y bajo rendimiento.

La falta de competencias matemáticas de los estudiantes que ingresan a estas

disciplinas dificulta su desempeño en estadística. El bagaje matemático influye
en las actitudes hacia la estadística y predice el rendimiento en la asignatura.
Para abordar estos desafíos, se proponen estrategias como retroalimentación
post-examen, uso de bases de datos familiares y variedad de técnicas de
enseñanza, como aplicaciones del mundo real, aprendizaje basado en
problemas y recursos humorísticos.

Se presenta un estudio de una aplicación móvil diseñada para enseñar

estadística inferencial a estudiantes de Psicología y Trabajo Social en una
universidad chilena privada. Se evalúan las actitudes de los estudiantes
mediante un cuestionario y se correlacionan con su rendimiento en un examen
de estadística inferencial. La premisa es que el uso de aplicaciones móviles
capitaliza la afinidad de los jóvenes hacia la tecnología.

❖ Resumen de la metodología estadística utilizada en los artículos.

Se elaboró un cuestionario de tipo sociológico, el cual estuvo estructurado en

dos secciones. En la primera sección, se incorporaron 24 preguntas de
caracterización socioeducativa junto con preguntas para medir el acceso a
distintos recursos tecnológicos y preguntas para medir las valoraciones
generales hacia la implementación de la aplicación móvil. La segunda sección
incluyó cinco baterías de diferencial semántico, estas últimas construidas sobre
la base de 15 pares de adjetivos separados en siete intervalos, cuyas
respuestas fueron codificadas en un rango de -3 a +3 puntos. Cabe advertir que
los atributos evaluados por estas baterías de ítems no constituyen una escala en
su conjunto, sino que cada ítem funciona como un indicador independiente,
razón por la cual se descartó el cálculo de un coeficiente de fiabilidad. La
elección de los adjetivos empleados en el diferencial semántico estuvo basada
en escalas utilizadas en investigaciones relativamente similares. Si bien no se
encontró en la literatura escalas de diferencial semántico para evaluar
aplicaciones móviles, sí fue posible encontrar escalas para la evaluación de
productos tecnológicos de distinta naturaleza. En efecto, el diferencial semántico
ha sido ampliamente utilizado en el diseño de productos centrados en los
usuarios, debido a que logra captar las reacciones afectivas de los participantes
hacia el objeto de actitud.

Para la redacción de los reactivos se siguieron las indicaciones propuestas

por Morales (2011) y Sierra-Bravo (1997). Estas indicaciones se resumen en que la
formulación de las preguntas sea equilibrada, no se ejerza influencia a una
determinada respuesta, que se redacten en sentido personal, se excluyan
 preguntas afirmativas y negativas, que el lenguaje de redacción sea claro e
inequívoco y que las categorías de respuesta sean exhaustivas y mutuamente
excluyentes. Para dar cuenta de la validez de contenido del instrumento y
asegurar que las preguntas satisfacieran las consideraciones de redacción y
pertinencia se recurrió a una revisión por parte de dos académicos externos al
proyecto, uno con grado de doctor en Multimedia Educativa y otro con grado de
magister en Psicología y docente en asignaturas de construcción de pruebas
psicológicas. Una vez atendida las observaciones de inclusión, modificación o
exclusión de preguntas en el cuestionario se procedió a una segunda revisión
por parte de los expertos, quienes dieron el visto bueno a la versión final. No se
realizó una prueba piloto del instrumento debido a la ausencia de otra población
en la que se haya promovido el uso de la aplicación móvil.

Las respuestas al cuestionario no fueron anónimas debido a que se utilizó la

identificación del estudiante para poder cruzar la información recogida con las
variables de rendimiento académico. Dada la naturaleza de las preguntas, no se
considera que la identificación de los encuestados ponga en riesgo la sinceridad
de sus respuestas.

1.1 Descripción de la aplicación móvil

Se diseñó una aplicación para dispositivos con sistema operativo Android, cuyo
propósito específico fue apoyar el aprendizaje de los estudiantes para el examen final
de la asignatura de Estadística Inferencial. Para alcanzar este objetivo fue necesario
sistematizar los contenidos que presenta la aplicación, así como también la
programación de esta a través de la plataforma web de App Inventor. Cualquier
investigador con cuenta en App Inventor puede acceder al código de la aplicación a
través del siguiente enlace: ai2.appinventor.mit.edu/?galleryId=5977824540884992.

La pantalla Menú constituye la pantalla principal de la aplicación. Tal como se observa

en la Figura I(a) en ella se incorporaron cuatro botones; “Glosario”, “Prueba de
Hipótesis”, “Procedimientos” y “Trivia”. La programación logra que al iniciarse la
pantalla Menú se muestre en la parte inferior un mensaje aleatorio de un repositorio de
36 consejos denominado “¿Sabías qué?”. Una vez que el usuario oprime alguno de los
cuatro botones, la aplicación redirige hacia una nueva pantalla de acuerdo con la
función seleccionada.
1.2 Función Procedimientos

La función Procedimientos consiste en mostrar mediante imágenes la ruta por seguir

para la ejecución de procedimientos estadísticos en SPSS, principalmente la
realización de pruebas de significancia y pruebas para evaluar la fuerza de la
asociación. Para ello se construyó una base de datos ficticia y se tomaron un total de
54 capturas de pantalla considerando la realización de 16 procedimientos distintos. Las
capturas de pantalla muestran en una secuencia de 3 o 4 imágenes la ruta del
procedimiento desde la selección del menú en el editor de datos de SPSS hasta la
presentación de los resultados. Algunos ejemplos de procedimientos seleccionados son
la prueba ANOVA, pruebas t para una muestra, muestras independientes y muestras
relacionadas, correlaciones de Pearson y Spearman, regresión lineal, pruebas no
paramétricas como chi cuadrado, prueba de Mc Nemar, prueba U de Mann Whitney,
prueba de Z de Wilkoxon y pruebas de normalidad, entre otras. Para la construcción de
esta funcionalidad se empleó el componente visor de lista, el cual contiene los
procedimientos ordenados en una forma similar a una lista de contactos de un celular.
La interfaz, como se demuestra en la Figura I(b), permite al usuario encontrar un
procedimiento estadístico usando el motor de búsqueda o por inspección visual
mediante la barra de desplazamiento. Una vez seleccionado el procedimiento se
desactiva el visor de lista y se muestra un componente de imagen con la primera
captura de pantalla que define la ruta por seguir para la realización del procedimiento
en SPSS. Con los botones “Siguiente” y “Atrás”, ubicados en la parte inferior de la
pantalla, el usuario puede avanzar o retroceder a la captura de pantalla que
corresponda. En la parte superior de la pantalla se encuentra un botón de acceso
directo al menú, otro para volver al buscador y un botón para cerrar la aplicación. Estas
funcionalidades se pueden observar en la Ilustración 1(c).

1.3 Función Glosario

La segunda función consiste en un glosario virtual que compila 39 conceptos

abordados durante las clases. La función Glosario se inicia con un visor de lista que
contiene todos los conceptos definidos. Cuando el usuario selecciona uno de los
conceptos, el visor de lista es desactivado y se muestra una etiqueta de texto con la
definición del concepto de forma similar a la observada en la Figura I(d).
Adicionalmente, se muestra en la parte inferior de la pantalla un botón (ícono de
sonido) que tras ser presionado activa la lectura automática del texto, para ello se usó
el componente no visible texto a voz. En la parte superior de la pantalla se mantienen
los botones de Menú, Buscador y Salir. Todos los conceptos fueron seleccionados
siguiendo criterios de importancia y complejidad, atendiendo al hecho de que la
adecuada comprensión de los conceptos estadísticos constituye un requisito sine qua
non para el logro de los objetivos propuestos en la asignatura. La definición de los
conceptos fue realizada por el investigador utilizando como referencia manuales y
textos de introducción a la estadística (v.g. Brase y Brase, 2018). Un ejemplo de definición
conceptual formulada en este trabajo puede leerse en la Tabla I.
1.4 Función Prueba de Hipótesis

La función Prueba de Hipótesis está basado en un árbol decisional que intenta emular
el formato desarrollado en la aplicación StatHand (Allen et al, 2016). Para la construcción de
esta función fue necesario elaborar un diagrama que permitiese identificar los
argumentos condicionales para la programación. Tal como se muestra en la Figura 1
(e) al seleccionar la función Prueba de Hipótesis se activa una serie de preguntas,
donde el usuario debe tomar decisiones binarias que conduzcan a la prueba de
hipótesis que mejor se ajusta a las características de sus datos y variables. Las
primeras dos preguntas determinan el nivel de medida de las variables independiente y
dependiente, y, en función de lo respondido por el usuario, se determinan las preguntas
sucesivas. Por ejemplo, si el usuario identifica a la variable independiente como
categórica y, a su vez, identifica a la variable dependiente como cuantitativa, entonces
se procede a consultar por la cantidad de grupos o categorías que tiene la variable
independiente e identificar si las muestras son relacionadas o independientes. A partir
de las respuestas a estas dos preguntas se configuran cuatro posibles escenarios:
Muestras independientes con solo dos grupos; Muestras independientes con más de
dos grupos; Muestras relacionadas con solo dos grupos; Muestras relacionadas con
más de dos grupos. Finalmente se consultará por las condiciones de homocedasticidad
y normalidad, permitiendo al software identificar si la prueba de hipótesis debiese ser
paramétrica o no paramétrica. Para contestar las preguntas de elección binaria el
usuario debe marcar las casillas de verificación correspondientes y luego presionar el
botón siguiente para avanzar a las preguntas restantes.

Una vez que la aplicación recoge toda la información necesaria, en la parte inferior de
la pantalla se mostrará el nombre de la prueba de hipótesis sugerida y en la parte
superior de la pantalla se mantienen los botones Menú y Salir. Cabe señalar que esta
función pretende ser una guía para decisiones metodológicas, pero no constituye un
sustituto del juicio crítico que adoptan los investigadores al momento de escoger una
prueba de hipótesis, toda vez que éstas dependen de la capacidad del investigador
para reconocer la naturaleza de sus variables y las limitaciones de sus datos, ejercicio
intelectual que por lo demás se ajusta a criterios pragmáticos.

1.5 Función Trivia

La función Trivia consiste en una serie de preguntas bajo modalidad de verdadero y

falso presentadas aleatoriamente al usuario, las cuales asignan un puntaje por cada
acierto, proporcionando al usuario una experiencia de simulación del examen final de la
asignatura. Para llevar a cabo la programación fue necesario previamente la
construcción de listas de datos que contuviesen los 80 ítems formulados, con sus
respectivas claves de respuestas y retroalimentaciones. Al iniciar la función se presenta
al usuario una etiqueta de texto con un ítem aleatorio de la lista, el cual debe ser
contestado presionando el botón Verdadero o el botón Falso. En virtud de la respuesta
proporcionada el software procede a la comparación con la clave de respuesta
predefinida y en caso de que éstas coincidan se sumarán cinco puntos al contador.
Cuando la respuesta del usuario no coincide con la clave de respuesta, se descuentan
cinco puntos del contador y en una etiqueta de texto se muestra la retroalimentación
con la respuesta correcta y su justificación. Una vez que el usuario ha contestado al
ítem, se habilita el botón Siguiente, el cual conduce a un nuevo ítem en forma aleatoria.
En la Tabla II se pueden observar un ejemplo de ítem y su respectiva retroalimentación.

Tabla II Ejemplo de ítem y retroalimentación de la función Trivia

Ítem Clave Retroalimentación

La fórmula de Chi Cuadrado se La fórmula de Chi Cuadrado se basa en
basa en descomponer la varianza Falso comparar las frecuencias observadas
en dos fuentes de variación. con las frecuencias esperadas.

1.6 Protocolo de investigación

Tanto los estudiantes de Psicología como de Trabajo Social estuvieron expuestos a un

mismo proceso formativo; con idéntica carga horaria y un mismo docente, asegurando
así la homogeneidad de la cobertura curricular. La asignatura de Estadística Inferencial
fue impartida bajo un régimen semestral y diurno con un tiempo lectivo de 108 horas
pedagógicas distribuidas en 72 horas para la modalidad de cátedra y 36 horas para la
modalidad de laboratorio. La asignatura fue impartida en el primer semestre del tercer
año de las carreras y tuvo por prerrequisito la aprobación de la asignatura de
Estadística Descriptiva y Metodología de la Investigación Cuantitativa.

La aplicación móvil fue liberada a los estudiantes con tres semanas de anticipación a la
rendición del examen final de la asignatura de Estadística Inferencial, tiempo en el cual
se presume los estudiantes hacen más intensivo su estudio. Se les solicitó
voluntariamente a los estudiantes que descargaran la aplicación, poniendo énfasis en
las posibles ventajas que ésta involucraba. Debido a que la aplicación solo está
disponible para dispositivos Android, se les sugirió a los estudiantes que no tenían este
sistema instalar la aplicación en el smartphone o alguna persona cercana o descargar
un emulador de Android para computador.

Para la instalación de la aplicación se les proporcionó a los estudiantes un enlace para

descargar el archivo de instalación APK (Aplicación Empaquetada de Android). A
quienes manifestaron problemas con la descarga del archivo APK se les suministró
ayuda individualizada para instalar la aplicación a través de la aplicación MIT AI2
Companion, la cual permite instalar aplicaciones creadas con App Inventor escaneando
un código QR generado directamente por el administrador de la aplicación.

Se procedió a la recolección de la información 30 minutos antes de la rendición del

examen final de la asignatura. Todos los participantes firmaron un consentimiento
informado.

1.7 Análisis de datos

Se utilizó el test de Chi cuadrado de Pearson para determinar la existencia de
asociaciones entre variables categóricas y/o categorizadas. Para el análisis
comparativo de las valoraciones de la aplicación en función del tipo de carrera se utilizó
la prueba t de Student para muestras independientes. Al momento de testear
diferencias significativas entre las valoraciones asignadas a las distintas funciones de la
aplicación se utilizó la prueba ANOVA de muestras relacionadas. Esta técnica se ajusta
al diseño de la investigación debido a que se utiliza para comparar a los mismos
participantes en más de dos variables cuantitativas (Pardo y San Martín, 2012). Una vez
constatadas las diferencias mediante el ANOVA de muestras relacionadas se empleó la
prueba post-hoc de Bonferroni para identificar los pares de grupos específicos en los
que se manifiestan tales diferencias estadísticas. Para el análisis de la prueba ANOVA
de muestras relacionadas se testeó el supuesto de esfericidad a través del contraste de
esfericidad de Mauchly; frente al incumplimiento de este supuesto se empleó el
estadístico multivariado traza de Pillai en vez del estadístico F convencional.

❖ Principales resultados obtenidos y su impacto en la optimización de procesos.

2.1 Caracterización socioeducativa

En sintonía con lo esperado para las carreras de Psicología y Trabajo Social un

85,1% de la muestra fueron mujeres. El promedio de edad fue de 21,39 años
con una desviación de 1,59 para el caso de los participantes de la carrera de
Psicología y un promedio de 22,41 años con una desviación de 2,32 para el
caso de los participantes de la carrera de Trabajo Social. De acuerdo con la
dependencia administrativa del establecimiento educativo de origen del
estudiantado, un 47,3% reportó egresar de establecimientos municipales, un
51,4% de establecimientos particulares subvencionados y solo un 1,4% de
establecimientos particulares pagados. En cuanto a la modalidad de enseñanza
de estos establecimientos, un 24,3% correspondió a la tipología técnico -
profesional. Más de la mitad de la muestra (55,1%) fueron estudiantes primera
generación en acceder a la Educación Superior. No se identificaron diferencias
estadísticamente significativas para las variables sexo [X2 (1, N = 74) = .107, p =
.744], tipo de establecimiento [X2 (1, N = 74) = 1.355, p = .244)], modalidad de
enseñanza [X2 (1, N = 74) = .000, p = 1.000)] y ser primera generación [X 2 (1, N
= 69) = .160, p = .689] en función de la carrera.

Un 64,8% de los participantes ingresaron a estudiar sus respectivas carreras con

puntajes PSU (Prueba de Selección Universitaria) Matemática inferiores a los
500 puntos, cifra equivalente al percentil 50 de la distribución nacional de la
prueba. Al desagregar esta información por carrera se encontró una diferencia
estadísticamente significativa [X2 (1, N = 71) = 4,618, p = .032], constatándose
que en Trabajo Social un 77,1% de los estudiantes ingresaron con puntajes bajo
el umbral de los 500 puntos PSU, mientras que en Psicología esta cifra fue de
un 52,8%. Para el caso de la prueba PSU de Lenguaje un 32,4% de los
 participantes declaró obtener puntajes bajo los 500 puntos PSU, no habiendo
diferencias en función de la carrera que estudian [X2 (1, N = 71) = .113, p =
.737].

2.2 Acceso a recursos tecnológicos

En cuanto al acceso a los recursos tecnológicos, un 97,3% de los participantes reportó

tener computador en su hogar, no obstante, solo el 54,2% de quienes tienen acceso a
un computador han instalado el software SPSS. Por otra parte, un 97,3% de los
estudiantes es acreedor de un dispositivo smartphone, predominando aquellos con
sistema operativo Android (76,7%), seguido del sistema operativo IOS para IPhone
(19,2%).

Del total de consultados, un 93,2% señaló haber descargado la aplicación móvil, en

tanto dos participantes no lo hicieron por no tener acceso a dispositivo Android, uno por
presentar errores de compatibilidad en la descarga, uno por falta de espacio en la
memoria de su smartphone y uno porque no le llamó la atención descargar la
aplicación.

De los 68 participantes que descargaron la aplicación un 79,4% lo hizo en su propio

dispositivo smartphone, mientras que el 20,6% restante optó por descargarla en el
dispositivo smartphone de otra persona, sea ésta un pariente, un amigo u otro cercano.
Tan solo un participante señaló haber descargado la aplicación en su computador
usando un emulador para Android.

No se encontraron diferencias significativas en función de la carrera para las variables

de acceso a computador [X2 (1, N = 74) 2,056, p = .152], instalación de SPSS [X2 (1, N
= 72) .859, p = .354], tipo de dispositivo smartphone [X2 (1, N = 71) 1939, p = .164],
descarga de la aplicación [X2 (1, N = 73) .186, p = .666] y terminal en donde descargó
la aplicación [X2 (1, N = 68) 1.159, p = .282].

2.3 Evaluación de la aplicación

Los usuarios calificaron globalmente la aplicación móvil dentro de una escala de 1 a 10

puntos, resultando una media de 8,57 puntos. Considerando solamente la semana
previa a la recogida de los datos, en promedio la aplicación fue utilizada 4,09 días y un
88,1% de los participantes reportó haberlo hecho en tres o más días. De las funciones
disponibles en la aplicación, una amplia mayoría de los usuarios señaló a la función de
Trivia como la más interesante (77,9%), seguido por la función de Glosario (16,2%).
Respecto a la función Trivia es destacable además que un 29,9% de los participantes
haya reportado alcanzar un puntaje máximo por sobre los 500 puntos, evento que
implicaría haber contestado al menos 100 preguntas de forma correcta. Cabe
considerar que el puntaje que alcanza un usuario en la Trivia es reiniciada cada vez
que se cierra la pantalla de la función, por lo que se desconoce cuál sería el puntaje
acumulado en varias sesiones de uso. Respecto de la función Glosario, un 44,1% y un
52,9% consideró estar de acuerdo y muy de acuerdo respectivamente con que la
selección de los conceptos incorporados fue la adecuada.

Por medio de la batería de preguntas de diferencial semántico fue posible analizar las
valoraciones asignadas a las cuatro funciones de la aplicación según los atributos
consultados. Las medias de valoración obtenidas fueron sistemáticamente altas,
situándose en el rango de 1,41 y 2,66 dentro de una escala de -3 a 3 puntos. Todas
estas medias fueron significativamente superiores al valor de cero, el cual representa la
valoración neutra o punto central de la escala (p < 0.01). De acuerdo con la Tabla III se
observa que la función Trivia congrega las puntuaciones más altas, particularmente en
los atributos de Facilidad (M = 2,66), Seguridad (M = 2,66), Utilidad (M = 2,66) y
Eficiencia (M = 2,64). El atributo de Utilidad en la función Procedimiento (M = 2,62), así
como el atributo de Facilidad de la función Glosario (M = 2,62) también presentaron
medias destacables. Por otra parte, las puntuaciones más bajas se registraron en los
atributos de Tecnología (M = 1,41), Diseño (M = 1,62) y Perfección (M = 1,69) de la
función Procedimiento.

Tabla III Estadísticos descriptivos y ANOVA para muestras relacionadas

Prueba Eta
F traza
Procedimient Glosari Trivi de parcial al
Atributo de
o o a Hipótesi cuadrad
PilLai
s o

M DT M DT M DT M DT
1,0 1,1 1,0 0,9 12,43**
Tecnología 1,41 1,81 2,20 2,05 0,38
9 4 6 3 *
1,0 1,0 0,8 0,9 10,70**
Eficiencia 2,23 2,40 2,64 2,34 0,35
9 3 0 4 *
1,0 0,7 0,9 1,0
Facilidad 2,38 2,62 2,66 2,26 5,15** 0,20
4 4 1 6
1,0 0,9 0,9 1,0
Interés 2,29 2,51 2,58 2,25 8,68*** 0,30
1 4 5 8
1,2 0,9 1,1 1,0
Calidad 2,05 2,36 2,33 2,20 3,69* 0,16
7 7 1 3
1,3 1,1 1,0 1,2
Entretención 1,83 2,13 2,45 1,98 7,31*** 0,27
4 3 3 0
1,0 1,1 1,0 0,9
Perfección 1,69 1,90 2,20 2,00 6,36** 0,24
3 0 4 8
1,3 1,3 1,1 1,2
Diseño 1,62 1,91 2,14 1,94 5,63** 0,22
8 3 9 2
 1,0 1,0 1,0 1,0
Suficiencia 2,00 2,34 2,33 2,17 3,81* 0,17
1 5 3 6
Accesibilida 1,1 1,0 0,9 1,0
2,27 2,44 2,55 2,29 3,01* 0,13
d 5 5 4 7
1,1 0,9 0,9 0,9
Seguridad 2,36 2,50 2,66 2,45 6,45** 0,24
0 9 0 9
1,0 1,0 0,9 1,1
Innovación 2,33 2,36 2,48 2,29 2,07 0,09
8 1 9 1
1,1 1,1 1,0 1,0
Originalidad 2,29 2,38 2,50 2,43 1,96 0,09
6 4 3 2
0,9 0,9 0,9 1,1
Utilidad 2,62 2,55 2,66 2,39 1,82 0,08
1 7 1 5
1,1 1,0 1,2 1,1
Inclusividad 2,29 2,41 2,34 2,25 0,75 0,04
2 3 0 0

Nota: Frente al incumplimiento del supuesto de esfericidad se reemplazó el valor F

tradicional por el F Traza de PilLai.

* p ≤ 0.05; ** p ≤ 0.01; ***p ≤ 0.001

Con fines comparativos la Tabla III muestra el resultado de las pruebas ANOVA para
muestras relacionadas, puesto que una vez ya verificada la valoración positiva de todas
las puntuaciones se procedió a determinar si las distintas funciones fueron igualmente
valoradas por los participantes.

Se constata que existen diferencias estadísticamente significativas entre las

valoraciones medias de las funciones en once de los catorce atributos considerados.
Estas diferencias son detalladas a continuación a partir de un análisis de medias por
pares con ajuste de Bonferroni.

En el atributo de Tecnología se manifiestan diferencias estadísticamente significativas

entre las medias de las funciones Procedimiento y Glosario (p = 0.016); Procedimiento
y Trivia (p < 0.001); Procedimiento y Prueba de Hipótesis (p < 0.001) y Glosario y Trivia
(p = 0.007). En el atributo de Eficiencia las diferencias se hacen notar entre las
funciones Procedimiento y Trivia (p < 0.001); Glosario y Trivia (p = 0.004) y Prueba de
Hipótesis y Trivia (p = 0.001). En cuanto al atributo de Facilidad las diferencias de
medias se manifestaron entre las funciones Glosario y Prueba de Hipótesis (p = 0.013),
así como entre Trivia y Prueba de Hipótesis (p = 0.006). En el atributo de Interés se
hallaron diferencias significativas entre las funciones Procedimiento y Trivia (p = 0.009),
así como también entre Prueba de Hipótesis y Trivia (p = 0.003). Solo hubo una
diferencia significativa en las valoraciones promedio del atributo Calidad entre las
funciones Procedimientos y Glosario (p = 0.041). Por otra parte, en el atributo
Entretención se hallaron diferencias significativas entre las funciones Procedimiento y
Glosario (p = 0.028); Procedimiento y Trivia (p < 0.001); Glosario y Trivia (p = 0.041) y
Prueba de Hipótesis y Trivia (p = 0.003). En el atributo de Perfección solo hubo una
diferencia significativa entre las funciones Procedimiento y Trivia (p < 0.001). De igual
forma, en el atributo de Diseño solo hubo una diferencia significativa entre las funciones
Procedimiento y Trivia (p < 0.001). En el atributo de Suficiencia también se repite que la
única diferencia significativa se produce entre las funciones Procedimiento y Trivia (p =
0,037). En el atributo de Seguridad se evidenciaron diferencias significativas entre las
funciones Procedimiento y Trivia (p = 0.007); Glosario y Trivia (p = 0.022) y Trivia y
Prueba de Hipótesis (p = 0.007).

Finalmente, en los atributos de Accesibilidad, Innovación, Originalidad, Utilidad e

Inclusividad no se detectaron diferencias estadísticamente significativas de acuerdo
con las funciones de la aplicación.

En el Gráfico I se muestra la configuración del perfil valorativo asignado por los

estudiantes de psicología a las funciones de la aplicación. En primer término, se
constata que, en promedio, todas las funciones se ubican en la banda derecha del eje
X, muy por sobre el valor cero que representa al punto central de la escala. En su
conjunto la aplicación es evaluada de forma positiva, no obstante, observándose ciertos
matices en función de la característica consultada y la función de la aplicación, así, por
ejemplo, se puede destacar que la función Trivia obtiene - en diez de catorce
características - puntuaciones más altas que las demás funciones. En contraparte, la
función Procedimientos obtiene las peores puntuaciones en casi la totalidad de las
características, efecto que se hace notar con mayor claridad en los atributos de
Tecnología y Diseño y, en un grado menor, en las características de Perfección,
Entretención, Calidad y Suficiencia.
Nota: La valoración de las funciones se manifiesta para cada atributo dentro de una
escala continua que va desde los -3 a los +3 puntos. Para efectos de presentación
visual el eje de abscisa fue recortado y muestra solamente los valores positivos de la
escala.

Gráfico I Evaluación de funciones de la aplicación por estudiantes de Psicología

En el Gráfico II se muestran los resultados de la evaluación de las funciones de la

aplicación por parte de los estudiantes de Trabajo Social. Al igual que lo observado a
nivel descriptivo en la muestra de estudiantes de Psicología, se constata una valoración
general positiva de todas las funciones de la aplicación para cada característica
evaluada. De igual forma, se manifiesta como tendencia la obtención de mayores
puntuaciones por parte de la función Trivia en prácticamente la totalidad de los
atributos evaluados. Por su parte, las peores valoraciones se observan en la función
Procedimientos y, en particular, en los atributos de Tecnología, Entretención y
Perfección.
Nota: La valoración de las funciones se manifiesta para cada atributo dentro de una
escala continua que va desde los -3 a los +3 puntos. Para efectos de presentación
visual el eje de abscisa fue recortado y muestra solamente los valores positivos de la
escala.

Gráfico II Evaluación de funciones de la aplicación por estudiantes de Trabajo Social

Las puntuaciones expuestas en los Gráficos I y II reflejan valoraciones positivas de las

funciones de la aplicación con independencia del tipo de carrera. En efecto, se
realizaron pruebas de hipótesis para testear la igualdad de medias entre las
puntuaciones de los estudiantes de Psicología y de los estudiantes de Trabajo Social,
constatándose que solo existe una diferencia estadísticamente significativa en el
puntaje asignado al atributo de Interés en la función de Procedimientos [t (61) = 2,372,
p = .021], la cual se manifiesta en una diferencia de 0,58 puntos favorable al grupo de
Trabajo Social.

2.4 Resultados examen de estadística inferencial

El promedio de respuestas correctas para el examen de Estadística Inferencial fue de

44,75 dentro de un conjunto de 60 preguntas. El rango empírico fue de 20 respuestas
correctas, siendo 33 el valor mínimo y 53 el máximo. La distribución de los puntajes
tuvo un comportamiento normal, constatándose un coeficiente de curtosis de -0.17 y un
coeficiente de asimetría de -0.34. No hubo diferencias estadísticamente significativas
entre los promedios de respuestas correctas en función de la carrera [t (64,796) =
0,978, p = 0,332], así como en función del sexo [t (72) = -0.978, p = 0,336]. En términos
relativos la proporción promedio de aciertos fue de 0,75.

No hubo correlación entre la cantidad de respuestas correctas en el examen y la

cantidad de horas dedicadas al uso de la aplicación [rho = 0,04, p = 0,73]. De igual
forma, la cantidad de respuestas correctas en el examen no correlacionó con la
cantidad de horas dedicadas a estudiar de forma tradicional, ya sea a través del estudio
de las diapositivas de clases [rho = 0,08, p = 0,49], o mediante lecturas obligatorias [rho
= 0,14, p = 0,27]. Pese a lo anterior, sí fue posible evidenciar una correlación
estadísticamente significativa entre la cantidad de horas dedicadas al uso de la
aplicación y las horas dedicadas a estudiar desde las diapositivas de clases [rho = 0,32,
p = 0,009].

❖ Reflexiones personales sobre la relevancia de la estadística inferencial en la

mejora de procesos en el área investigada.

El estudio se centra en estudiantes de Trabajo Social y Psicología,

principalmente mujeres y con un perfil no tradicional, caracterizado por ser
mayormente primera generación en la educación superior, haber obtenido bajos
puntajes en pruebas de selección universitaria (especialmente en Matemáticas),
y provienen de zonas rurales y colegios subvencionados de diversos niveles de
calidad. Se destaca que son jóvenes que han crecido con el uso natural de
dispositivos smartphones, lo que influye en su percepción y uso de tecnología
educativa. A pesar de las diferencias en el dominio de Matemáticas entre las
carreras, no hay disparidades significativas en el acceso a recursos
tecnológicos.

La aplicación móvil desarrollada fue bien evaluada por los estudiantes,

especialmente la función de trivia, que captó más atención y recibió valoraciones
más altas en utilidad, facilidad y seguridad. Sin embargo, la función de
procedimientos recibió calificaciones más bajas, posiblemente porque no se
evaluó en el examen final. Aunque no se encontró una relación funcional entre el
uso de la aplicación y el rendimiento en el examen de Estadística Inferencial, su
implementación como material de apoyo es respaldada por la valoración positiva
de los estudiantes y su uso significativo en la preparación para el examen,
superando el tiempo dedicado a otras formas de estudio tradicionales. Se
destaca la importancia de esta innovación como una herramienta que amplía las
posibilidades de estudio para los estudiantes, y se sugiere que futuras
actualizaciones podrían mejorar sus funciones. Además, estos hallazgos
respaldan la validez externa de iniciativas similares y son consistentes con
investigaciones previas sobre otras aplicaciones estadísticas.
3. Artículo № 3

Aplicaciones de la estadística en la Ingeniería

❖ Introducción al área de interés y su importancia.

La estadística se aplica en varios ámbitos desde la antigüedad para tener control

sobre las cosas, en la salud, la economía, las ciencias sociales y por supuesto
en la ingeniería.

Existen muchas herramientas estadísticas para trabajar con los datos de alguna
muestra, con el fin de analizar los resultados y tomar decisiones en base a ello.
En el ámbito de la ingeniería se aplica para control de calidad, mejoras en
procesos, pronósticos, control del personal, seguridad industrial, entre otros
muchos usos. A pesar de ser una ciencia exacta, también se pueden cometer
errores (Outliers) por lo que es importante saber aplicar las técnicas y
herramientas.

El avance tecnológico en informática ha revolucionado el campo de la

estadística, convirtiéndola en una herramienta esencial para todas las ciencias al
facilitar la manipulación de la información. El análisis estadístico busca identificar
tendencias y examinar cada muestra de datos para extraer conclusiones
significativas.

Es crucial aplicar métodos estadísticos de manera consciente y prudente para

evitar interpretaciones erróneas, ya que manipular los datos puede llevar a
obtener resultados sesgados. La cita de Ezcurra enfatiza la importancia de no
manipular los datos para obtener resultados deseados, destacando la necesidad
de un análisis imparcial.

La probabilidad y la estadística se complementan: mientras que la primera se

refiere a eventos futuros antes de su ocurrencia, la segunda infiere conclusiones
sobre los parámetros basándose en datos observados. En última instancia,
muchos problemas se reducen a la verificación de hipótesis, donde se acepta o
se rechaza una afirmación con cierto riesgo de error.

❖ Descripción detallada de las aplicaciones específicas de la estadística

inferencial.

La estadística es una herramienta crucial en el ámbito empresarial e industrial,

utilizada para tomar decisiones informadas y mejorar procesos. Por ejemplo, en
la seguridad laboral, se pueden analizar los accidentes por franjas horarias para
identificar patrones y tomar medidas preventivas. las aplicaciones estadísticas
en la industria incluyen el cálculo de ensambles por minuto para mejorar la
 eficiencia, el seguimiento de la edad de los trabajadores para la planificación de
personal, la evaluación de la experiencia laboral o escolaridad para la
contratación, el análisis de gastos en mantenimiento para identificar
oportunidades de ahorro, el registro de inasistencias y sus causas para reducir la
tasa de ausentismo, y la medición del consumo de recursos durante la
fabricación para optimizar procesos y reducir desperdicios.

Parametrización

Parametrizar es declarar parámetros, en estadística cuantitativos, para trabajar con

cualquier sistema. Para diseñar un modelo matemático en estadística inferencial,
podemos organizar las operaciones en cinco pasos:

1. Declaración de objetivos.
2. Diseño, modelado y parametrización.
3. Análisis.
4. Mejora del diseño.
5. Descripción del diseño.

Luego de modelar entra en juego la estadística, ya que se comienzan a diseñar

parámetros, constantes o variables, haciéndose así la parametrización. Para cualquier
valor dado en el diseño de parámetros, estos representarán un objeto, que al aplicarle
herramientas y procesos estadísticos se ajustarán al diseño más satisfactorio y
admisible.

Control Estadístico de la calidad

El control estadístico de la calidad es una colección de herramientas aplicadas a

procesos industriales (mano de obra, materias primas medidas, máquinas y medio
ambiente), procesos administrativos y/o servicios con objeto de verificar si todas y cada
una de las partes del proceso y servicio cumplen con unas ciertas exigencias de
calidad y ayudar a cumplirlas, son fundamentales en las actividades de mejora de la
calidad. La mejora de la calidad significa la sistemática eliminación del desperdicio.

La calidad de los productos y servicios se ha vuelto hoy en día uno de los factores de
decisión más importantes en la mayor parte de las empresas. En consecuencia, la
mejora de la calidad se ha convertido en un aspecto importante en muchas
corporaciones.

Control Estadístico de procesos

El control estadístico de procesos (CEP) es una herramienta muy poderosa para lograr
la estabilidad del proceso y mejorar la capacidad de este. Se puede considerar como
un conjunto de herramientas para la resolución de problemas que pueden aplicarse en
cualquier proceso.

Dentro de los objetivos estratégicos de una empresa debe encontrarse la mejora

continua de los procesos, con el fin de aumentar su desempeño, eficiencia y eficacia,
así como favorecer una mejora de la satisfacción de los clientes, tanto internos como
externos. Para esto se necesita una cultura de mejoramiento, las estructuras
organizativas, los recursos y las herramientas estadísticas para que el cambio forme
parte de la actividad diaria. Para garantizar el mejoramiento continuo en una empresa
que tenga diseñado los procesos de su Sistema de Gestión de la Calidad, y los
indicadores de desempeño de los mismos, se utilizan técnicas y herramientas para el
análisis, control, seguimiento y mejora de dichos procesos.

Herramientas

En la actualidad existen una serie de metodologías, técnicas y herramientas que

pueden desarrollarse en una organización, para apoyar el diseño del Sistema de
Gestión de la Calidad, la implantación de los principios de la Calidad Total, y/o para
llevar a cabo el proceso de Mejora Continua. Ejemplos de estas son:

• Diagrama de Pareto.
• Diagrama causa-efecto (Ishikawa).
• Diagrama defecto-concentración.
• Carta de control.
• Diagrama de dispersión.
• Hoja de verificación.
• Diagrama de correlación.
• Metodología 5S.
• Metodología 6 sigma.
• Gráficos de control y capacidad del proceso.

Al utilizarlas, se logra aumentar la cultura en el uso de técnicas para el procesamiento y

análisis de datos en la empresa; mejorar la toma de decisiones basadas en datos;
permite conocer el comportamiento de los indicadores de los procesos; facilita la
interpretación de los resultados para todos los directivos; ilustra la utilidad de las
herramientas y propicia la utilización de otras técnicas en el futuro.

Aplicaciones del control estadístico de la calidad

Los métodos estadísticos juegan un papel importante en la mejora de la calidad,

algunas de sus aplicaciones son:

• En el diseño y desarrollo de productos para comparar materiales o ingredientes

y para determinar las tolerancias del sistema y sus componentes. Esto reduce
de manera significativa costos y tiempo.
• Para determinar la capacidad de un proceso de manufactura, llevando a
mayores rendimientos y menores costos de fabricación.
• En pruebas de duración, ayuda proporcionando datos de confiabilidad y
rendimiento, conduce a productos nuevos o con una duración mayor y menos
costos de mantenimiento.

Diagramas de Dispersión
Los diagramas de dispersión son una herramienta muy útil en las predicciones ya sea
para tomar una decisión o contemplar algún gasto. Se realiza graficando los puntos y
dibujando una recta de regresión, ninguna podrá pasar por todos los puntos, así que se
debe buscar la que pase tan cerca a ellos verticalmente como sea posible.

Ejemplo de aplicación de la estadística en los pronósticos económicos para prever

gastos en invernaderos:

Un diagrama de dispersión muestra que existe una fuerte relación lineal entre el
promedio de la temperatura exterior de los días de un mes y el promedio del consumo
diario de gas durante ese mes en un invernadero. Se quiere utilizar dicha relación para
predecir su consumo de gas. Si un mes tiene un promedio de 10 grados-día por día,
¿Cuánto gas se utilizará en ese mes?

Luego de realizar una predicción mediante los diagramas de dispersión se puede inferir
que el gasto de gas será de aprox. 12.5 m3.

❖ Resumen de la metodología estadística utilizada en los artículos.

Modelos de regresión

El Análisis de Regresión es la técnica estadística de uso más frecuente para investigar

y modelar la relación entre variables. Su atractivo y utilidad generalmente son el
resultado de usar una ecuación para expresar la relación entre una variable de interés
(la respuesta) y un conjunto de variables predictorias relacionadas.

Regresión lineal

El pronóstico de regresión lineal simple es un modelo óptimo para patrones de

demanda con tendencia (creciente o decreciente), es decir, patrones que presenten
una relación de linealidad entre la demanda y el tiempo.

Un ejemplo de aplicación para pronósticos es el siguiente:

La juguetería Gaby desea estimar mediante regresión lineal simple las ventas para el
mes de julio de su nuevo carrito infantil «Mate». La información del comportamiento de
las ventas de todos sus almacenes de cadena se presenta en el siguiente tabulado.

Se realizan los cálculos pertinentes:

Y finalmente podemos determinar que el pronóstico de ventas para el período 7 es

equivalente a 13067 unidades. Esto nos ayuda a tomar decisiones pertinentes y
anticipadas sobre la producción, materia prima y distribución.

Regresión no lineal

Los modelos de regresión no lineal tienen por meta construir modelos exactos,
mediante ecuaciones funcionales que permitan predecir, controlar u optimizar
problemas no lineales a lo cual se conoce como Análisis de Datos Funcionales.
 ❖ Principales resultados obtenidos y su impacto en la optimización de procesos.

Ajuste de Curvas

El ajuste de curvas es un proceso mediante el cual, dado un conjunto de N pares de

puntos (X, Y), se determina una función matemática f(x) de tal manera que la suma de
los cuadrados de la diferencia entre la imagen real y la correspondiente obtenida
mediante la función ajustada en cada punto sea mínima.

El ajuste de curvas puede utilizarse para la resolución de una variedad de problemas

en la industria, por ejemplo:

Una fábrica de Embutidos produce 5000 empaques diarios de salchichas. La máquina

A produce 3000 empaques, de los cuales el 2% quedan mal embutidos (defectuosos) y
la maquina B produce los 2000 restantes de los que se sabe el 4% son defectuosos.
Determinar la probabilidad de que un envase elegido al azar sea defectuoso y que
proceda de la máquina A o de la máquina B.

• Probabilidad de que el empaque defectuoso sea de la Máquina A p (A /D) =

p(A∩D) / p(D) = 0.012 / 0.028 = 0.4286

Corresponde al 4.2 % aproximadamente.

• Probabilidad de que el empaque defectuoso sea de la Máquina B p (B /D) =

p(B∩D) / p(D) = 0.016 / 0.028 = 0.5714

Corresponde al 5.7 % aproximadamente.

Para mejorar las estimaciones en la toma de decisiones, se hace necesaria la

aplicación del Teorema de Bayes donde las estadísticas que se realizan consisten en
observar el análisis de los datos, lo que permite al investigador realizar inferencias o
hacer exclusiones u opiniones personales sobre el tema de estudio.

Incertidumbre

En nuestros días, son de uso cotidiano las diferentes técnicas estadísticas que
partiendo de observaciones muéstrales o históricas, crean modelos lógico matemáticos
que se «aventuran» describir o pronosticar un determinado fenómeno con cierto grado
de certidumbre medible.

La estadística desempeña un importante papel en temas donde interviene la

variabilidad, dando lugar a la incertidumbre. Más allá de los datos, la estadística es
esencialmente el estudio de la incertidumbre, lo que conlleva a la necesidad de
investigar un fenómeno desde el enfoque científico.

La estadística no es la única rama del conocimiento que se ha ocupado del estudio de

la incertidumbre, la probabilidad examina la manera en como la aleatoriedad en una
parte de un sistema afecta a otra, proporcionando a través del modelo de una variable
aleatoria o de un proceso estocástico, estimaciones y/o predicciones sobre los datos a
producirse, es decir, describe la incertidumbre del fenómeno.

Outliers y errores

Un Outliers (valor atípico) es una observación o un conjunto de observaciones que

parecen ser inconsistentes con el resto del conjunto de datos, la presencia de outliers
en un conjunto de datos puede conducir a errores en el intento de hacer inferencias
acerca de la población de la que proceden, de ahí que la presencia de estos plantee un
problema fundamental en el análisis de datos.

La incertidumbre estadística es la aleatoriedad o el error proveniente de varias fuentes

al usar la metodología estadística, la probabilidad de que pase algo malo, en términos
de teoría de decisiones, las pérdidas promedio o las pérdidas que se pronostican
cuando algo malo sucede.

Cuando se estudian relaciones entre variables, la estadística muestra relaciones

estadísticas y no relaciones causales. En general si no tenemos cuidado podemos
llegar a obtener las conclusiones más absurdas o sesgadas, por eso debemos hacer el
análisis con cuidado y conocer las variables, para que al interpretarlo no tomemos
decisiones que puedan resultar perjudícales.

Aplicaciones en otros ámbitos

La estadística sirve para explorar y explotar la información social, biológica, económica,

y en ciencias físicas, por lo que es importante el “vender” la estadística como algo
necesario para las generaciones actuales y futuras.

La estadística aplicada trata sobre cómo y cuándo utilizar los procedimientos

matemáticos y cómo interpretar los resultados que se obtienen y puede utilizarse en
muchos campos, como:

• En las ciencias naturales: para la descripción de modelos termodinámicos

complejos, en física cuántica, en mecánica de fluidos o en la teoría cinética de
los gases, entre otros muchos.
• En las ciencias sociales y económicas: en el desarrollo de la demografía y la
sociología aplicada.
• En economía: para analizar parámetros macro y microeconómicos.
• En las ciencias médicas: estudiar la evolución de las enfermedades y los
enfermos, los índices de mortalidad, el grado de eficacia de un medicamento,
etc.
• En la ingeniería: Para la planeación, presupuestos, control de procesos y
calidad, seguridad industrial, cálculos de producción, entre otras.

❖ Reflexiones personales sobre la relevancia de la estadística inferencial en la

mejora de procesos en el área investigada.
Después de investigar, estudiar y redactar sobre estadística, parametrización,
herramientas y métodos, así como ejemplos de su aplicación, he logrado
comprender de manera más amplia el rol de la estadística en la ingeniería.
Ahora tengo un mejor entendimiento de cómo se puede emplear para resolver
problemas habituales en empresas y para la toma de decisiones. Sin embargo,
reconozco que la estadística no se limita únicamente a este ámbito, ya que tiene
una amplia gama de aplicaciones en campos como lo social, la medicina, la
economía y otras disciplinas científicas.