2.1 Estadística descriptiva (casos de aplicación).
En el caso de la estadística descriptiva se sustituye o reduce el conjunto de datos
obtenidos por un pequeño número de valores descriptivos, como pueden ser: el
promedio, la mediana, la media geométrica, la varianza, la desviación típica, etc.
Estas medidas descriptivas pueden ayudar a brindar las principales propiedades
de los datos observados, así como las características clave de los fenómenos bajo
investigación.
Por lo general, la información proporcionada por la estadística descriptiva puede
ser trasmitida con facilidad y eficacia mediante una variedad de herramientas
gráficas, como pueden ser:
Gráficos de tendencia: es un trazo de una característica de interés sobre un
periodo, para observar su comportamiento en el tiempo.
Gráfico de dispersión: ayuda al análisis de la relación entre dos variables,
representado gráficamente sobre el eje x y el correspondiente valor de la otra
sobre el eje y.
Histograma: describe la distribución de los valores de una característica de
interés.
Estos métodos gráficos son de mucha utilidad para entender con claridad un
fenómeno analizado. La evolución de la inflación, el tipo de cambio, del PBI u otros
indicadores macro pueden ser analizados, por ejemplo, con gráficos de tendencia.
Así, la estadística descriptiva constituye un modo relativamente sencillo y eficiente
para resumir y caracterizar datos. También ofrece una manera conveniente de
presentar la información recopilada.
Este método es potencialmente aplicable a todas las situaciones que involucran el
uso de datos. Además de ayudar en el análisis e interpretación de los datos,
constituye una valiosa ayuda en el proceso de toma de decisiones.
Aplicaciones de la estadística descriptiva
La estadística descriptiva es aplicable en casi todas las áreas donde se recopilan
datos cuantitativos. Puede brindar información acerca de productos, procesos o
diversos aspectos del sistema de gestión de la calidad, como también en el ámbito
de la dirección y organización de personas, la logística, etc. Algunos ejemplos de
dichas aplicaciones son los siguientes:
Resumen de las mediciones principales de las características de un producto.
● Describir el comportamiento de algún parámetro del proceso, como puede
ser la temperatura de un horno.
● Caracterizar el tiempo de entrega o el tiempo de respuesta en el sector de
los servicios.
● Procesar datos relacionados con muestras a clientes, tales como la
satisfacción o insatisfacción del cliente.
● Ilustrar la medición de los datos, tales como los datos de calibración del
equipo.
● Visualizar el resultado del desempeño de un producto en un periodo
mediante un gráfico de tendencia.
A continuación se presenta un caso de aplicación:
Ejemplo.
1. Los datos que se muestran a continuación representan el costo de la
energía eléctrica durante el mes de julio del 2006 para una muestra aleatoria
de 50 departamentos con dos recamaras en una ciudad grande en una
ciudad grande.
Costo de energía eléctrica en dólares.
96 171 202 178 147 102 153 197 127 82
157 185 90 116 172 111 148 213 130 165
141 149 206 175 123 128 144 168 109 167
95 163 206 175 130 143 187 166 139 149
108 119 150 154 114 135 191 137 129 158
a) Determine una tabla de frecuencias, para K = 7
K Limite F Xi Fi Hi Hi
s de
clase
Ls
li
1 81 4 90.5 4 0.08 0.08
100
2 101 8 110.5 12 0.32 0.32
120
3 121 12 130.5 24 0.8 0.8
140
4 141 8 150.5 32 1.44 1.44
160
5 161 10 170.5 42 2.28 2.28
180
6 181 4 190.5 46 3.2 3.2
200
7 201 4 210.5 50 4.2 4.2
220
Σf = 50
b) Elabore un histograma de frecuencias y polígono de frecuencias con los
datos.
c) Alrededor de qué cantidad parece concentrarse el costo mensual de
energía eléctrica.
R = alrededor de 148 (valor de la media)
2.2 Estadística inferencial (casos de aplicación).
La estadística inferencial es una herramienta poderosa en la toma de decisiones
basadas en datos. Es un proceso que permite hacer generalizaciones precisas
sobre una población a partir de una muestra.
Los investigadores quieren sacar conclusiones importantes sobre una población
más grande, utilizando solo una muestra representativa. Este artículo explora qué
es la estadística inferencial, su importancia y cómo realizarla para obtener
resultados precisos y confiables.
¿Qué es la estadística inferencial?
La estadística inferencial es una rama de la estadística que se enfoca en hacer
conclusiones y generalizaciones sobre una población a partir de la información
obtenida de una muestra de la misma.
Imaginemos que queremos saber la altura promedio de todos los estudiantes de
una escuela, pero sería difícil medir la altura de cada uno de ellos. En cambio,
podríamos medir la altura de una muestra de estudiantes y usar esa información
para hacer una inferencia sobre la altura promedio de todos los estudiantes en la
escuela.
Para hacer esta inferencia, aplicamos técnicas estadísticas a los datos de la
muestra para estimar el valor desconocido de la población (en este caso, la altura
promedio de todos los estudiantes). Estas técnicas pueden incluir la estimación de
parámetros de una distribución de probabilidad, el cálculo de intervalos de
confianza o la realización de pruebas de hipótesis.
¿Cuál es el objetivo principal de la estadística inferencial?
El objetivo principal de la estadística inferencial es hacer generalizaciones
precisas sobre una población a partir de una muestra de datos obtenidos de esa
población.
La estadística inferencial es útil porque no siempre es posible medir todos los
elementos de una población. Por lo tanto, la inferencia estadística nos permite
tomar decisiones y hacer predicciones basadas en una muestra representativa de
la población en lugar de medir todos los elementos de la población.
Importancia de la estadística inferencial
La estadística inferencial es importante por varias razones:
Permite hacer generalizaciones precisas sobre una población a partir de una
muestra. En muchas situaciones, es imposible medir o analizar todos los
elementos de una población. La estadística inferencial nos permite inferir las
características de la población a partir de una muestra representativa, lo que hace
que sea más fácil tomar decisiones basadas en datos y hacer predicciones.
Ayuda a tomar decisiones informadas. Proporciona un marco para evaluar la
confianza en nuestras inferencias y predicciones. Esto nos permite reducir el
riesgo de tomar decisiones incorrectas o basadas en suposiciones equivocadas.
Es importante en los negocios y la industria. Se usa en los negocios y la industria
para analizar datos de ventas, encuestas de satisfacción del cliente y otros datos
de mercado. Esto ayuda a las empresas a tomar decisiones informadas sobre
cómo mejorar sus productos y servicios y cómo dirigir su marketing y publicidad de
manera más efectiva.
Principales usos de la estadística inferencial
La estadística inferencial se utiliza en una variedad de campos para hacer
predicciones y tomar decisiones basadas en datos. Aquí hay algunos ejemplos de
cómo se puede usar la estadística inferencial
En investigación científica: La estadística inferencial es fundamental en la
investigación científica, donde se utilizan técnicas como pruebas de hipótesis y
análisis de varianza para determinar si los resultados obtenidos de una muestra
son representativos de la población de interés.
En negocios: Las empresas a menudo utilizan la estadística inferencial para tomar
decisiones importantes, como determinar el tamaño de la muestra necesario para
obtener resultados representativos, estimar la demanda de productos, analizar la
satisfacción del cliente y evaluar el rendimiento de los empleados.
En salud: La estadística inferencial es fundamental en la investigación médica,
donde se utilizan técnicas estadísticas para evaluar la eficacia de nuevos
tratamientos y medicamentos, así como para analizar los factores de riesgo para
enfermedades.
En política: También se utiliza en política para hacer predicciones sobre el
resultado de elecciones, encuestas de opinión pública, y para analizar los datos de
votación.
Tipos de estadística inferencial
La estadística inferencial se divide en dos categorías:
Pruebas de hipótesis.
Análisis de regresión.
Los investigadores suelen emplear estos métodos para generalizar los resultados
a poblaciones más grandes a partir de muestras pequeñas. Veamos algunos de
los métodos disponibles en estadística inferencial.
Pruebas de hipótesis
Probar hipótesis y extraer generalizaciones sobre la población a partir de los datos
de la muestra son ejemplos de estadística inferencial. Es necesario crear una
hipótesis nula y una hipótesis alternativa y, a continuación, realizar una prueba
estadística de significación.
Una prueba de hipótesis puede tener distribuciones de cola izquierda, derecha o
doble. El valor estadístico de la prueba, el valor crítico y los intervalos de confianza
se utilizan para llegar a una conclusión. A continuación se indican algunas pruebas
de hipótesis significativas que se emplean en estadística inferencial.
Prueba Z:
Cuando los datos tienen una distribución normal y un tamaño de muestra de al
menos 30, se aplica la prueba z a los datos. Cuando se conoce la varianza de la
población, determina si las medias de la muestra y de la población son iguales. La
siguiente configuración puede utilizarse para probar la hipótesis de cola derecha:
Hipótesis nula: H0: μ=μ0
Hipótesis alternativa: H1: μ>μ0
Estadístico de prueba: Prueba Z = (x̄ – μ) / (σ / √n)
donde,
x̄ = media muestral
μ = media de la población
σ = desviación típica de la población
n = tamaño de la muestra
Criterios de decisión: Si el estadístico z > z valor crítico, rechazar la hipótesis nula.
Prueba T:
Cuando el tamaño de la muestra es inferior a 30 y los datos tienen una distribución
t de student, se utiliza una prueba t. Se comparan la media de la muestra y la
media de la población cuando se desconoce la varianza de la población. La
prueba de hipótesis de estadística inferencial es la siguiente:
Hipótesis nula: H0: μ=μ0
Hipótesis alternativa: H1: μ>μ0
Estadístico de prueba: t = x̄ -μ / s√n
Las representaciones x̄ , μ y n son las mismas que las indicadas para la prueba z.
La letra «s» representa la desviación típica de la muestra.
Criterios de decisión: Si el estadístico t > t valor crítico, rechazar la hipótesis nula.
Prueba F:
Cuando se comparan las varianzas de dos muestras o poblaciones, se utiliza una
prueba f para ver si hay diferencias. La prueba f de cola derecha puede
configurarse de la siguiente manera:
Hipótesis nula: H0 :σ21 =σ22
Hipótesis alternativa: H1 :σ21> σ22
Estadístico de la prueba: f = σ21 / σ22, donde σ21 es la varianza de la primera
población, y σ22 es la varianza de la segunda población.
Criterios de decisión: Criterios de Decisión: Rechazar la hipótesis nula si el
estadístico de prueba f > valor crítico.
Intervalo de confianza:
Un intervalo de confianza ayuda a estimar los parámetros de una población. Por
ejemplo, un intervalo de confianza del 95% significa que 95 de cada 100 pruebas
con muestras frescas realizadas en condiciones idénticas darán como resultado
que la estimación se encuentra dentro del intervalo especificado.
Un intervalo de confianza también puede utilizarse para determinar el valor crucial
en las pruebas de hipótesis.
Además de estas pruebas, la estadística inferencial también utiliza las pruebas
ANOVA, Wilcoxon signed-rank, Prueba U de Mann-Whitney, Prueba de Kruskal-
Wallis y H.
Análisis de regresión
El análisis de regresión se realiza para calcular cómo cambiará una variable en
relación con otra. Pueden utilizarse numerosos modelos de regresión, como la
regresión lineal simple, la lineal múltiple, la nominal, la logística y la ordinal.
En estadística inferencial, la regresión lineal es el tipo de regresión más empleado.
La respuesta de la variable dependiente a un cambio unitario en la variable
independiente se examina mediante regresión lineal. Estas son algunas
ecuaciones cruciales para el análisis de regresión mediante estadística inferencial:
Coeficientes de regresión:
La ecuación de la línea recta viene dada como y = α + βx, donde α y β son
coeficientes de regresión.
β=∑n1(xi – x̄ )(yi -y) / ∑n1(xi-x)2
β=rxy σy / σx
α=y-βx
Aquí, x es la media y σx es la desviación típica del primer conjunto de datos. Del
mismo modo, y es la media y σy es la desviación típica del segundo conjunto de
datos.
2.3 Las siete herramientas básicas para el control de la calidad.
2.4 Manejo de software especializado en calidad.
Fuentes de información:
● [Link]
[Link]?m=1
● [Link]