FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

FACULTAD DE INGENIERIA Y
ARQUITECTURA
ESCUELA PROFESIONAL DE INGENIERIA
INDUSTRIAL

“Informe Académico II Unidad”

INTEGRANTES – G/04:
Contreras Cabrejo Carlos Antonio
Cornelio Herrera Danfer Josias
Gálvez Ascoy Kiara Loana
Gómez Pérez Evelyn Jackeline
Mejía Ascoy Roger Alejandro
Torres Caro Karina
DOCENTE:
Rojas Ciudad Carlos Alberto

ASIGNATURA:

Estadística Aplicada

TRUJILLO – PERU

2022
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

I. INTRODUCCION

Un nuevo gerente de operaciones de una empresa de empacado de cebolla está con-

vencido que la carga laboral (horas de trabajo de 12 horas) es un factor que condicio-
na la producción o efectividad en los trabajadores. Se sabe que la empresa tiene como
parte de su proceso las siguientes áreas: área de recepción, área de inspección, área
de limpieza, área de selección y empacado, área de almacén, área de embarque; ade-
más que es posible dividir al área de selección y empacado en 03 líneas de produc-
ción (cada línea con los mismos equipos y recursos).

Para poder demostrar su hipótesis ha decido que para la línea 01 de producción se

asignará 24 trabajadores con un horario laboral de 12 horas, 16 trabajadores para la lí-
nea 02 con 8 horas laborales y para la línea 03 se asignaron 12 trabajadores con solo
6 horas de trabajo. Para evitar el sesgo se hicieron las rotaciones cada semana al per-
sonal en las distintas líneas de producción.

Para medir la efectividad de cada línea se tomará en cuenta cuantos kilogramos de ce-
bollas son procesados en una jornada laboral, lo que se promediara con el número de
trabajadores de la línea. Los resultados de estas mediciones de varios días de trabajo
en cada línea.

II. HIPOTESIS
H0: µ1 = µ2 = µ3 (No afecta la carga laboral en la producción y desempe-
ño)
H1: No todas las µj son iguales. (Si afecta la carga laboral en la producción
y desempeño

III. OBJETIVOS

- Objetivo General:

Comprender los conceptos y aplicación de las herramientas estadísticas “Inter-

valos de confianza” y “Pruebas de Normalidad de Datos”

- Objetivos Específicos:

 Hallar los intervalos de confianza para el promedio de cada línea de

producción,
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

 Calcular los intervalos de confianza para la varianza de cada línea de

producción,

 Determinar el intervalo de confianza para la diferencia de promedios de:

línea 01 menos línea 02, línea 01 menos línea 03, línea 02 menos línea
03 (o línea 03 menos línea 02).

 Verificar la normalidad de los datos a trabajar

 Realizar una prueba de hipótesis para tomar una decisión acerca del
problema planteado

IV. MARCO TEORICO

IV.1. Intervalos de confianza para el promedio (o media) poblacional

El intervalo de confianza para una media poblacional con una desviación estándar po-
blacional conocida se basa en la conclusión del teorema del límite central de que la
distribución muestral de la media muestral sigue una distribución aproximadamente
normal.

Considere la fórmula de normalización para la distribución muestral desarrollada en la

discusión del teorema del límite central:

Tenga en cuenta que µ se reemplaza por µx porque sabemos que el valor esperado
de µx es µ del Teorema del límite central, y σx se reemplaza por σ/√n, también del
Teorema del límite central.

En esta fórmula conocemos X, σx y n, el tamaño de la muestra. (En realidad, no cono -

cemos la desviación estándar de la población, pero tenemos una estimación puntual
de ella, s, a partir de las muestras que tomamos. Hablaremos de eso más adelante).
Lo que no sabemos es μ o Z1. Podemos resolver cualquiera de estos problemas en
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

términos del otro. Resolviendo para μ en términos de Z1, obtenemos:

Recordando que el Teorema del Límite Central nos dice que la distribución de X, la
distribución muestral de la media, se distribuye normalmente, y que la distribución nor-
mal es simétrica, podemos reordenar los términos de la siguiente manera:

Esta es la fórmula de un intervalo de confianza para la media de una población.

Claramente, el intervalo de confianza se rige por dos cosas, el nivel de confianza elegi-
do Zα y la desviación estándar de la distribución de muestreo. La desviación estándar
de la distribución muestral se ve afectada además por dos cosas, la desviación están-
dar de la población y el tamaño de la muestra que elegimos para los datos. Aquí, que-
remos examinar el efecto de cada elección que hacemos en el intervalo de confianza
calculado, el nivel de confianza y el tamaño de la muestra.

IV.2. Intervalos de confianza para la varianza poblacional

Los intervalos de confianza te permiten calcular dos valores (uno alto y otro bajo)
antes y después de la media muestral. Estos valores delimitan los rangos en los que
se sitúan los parámetros poblacionales con ciertas probabilidades.

Intervalo de confianza=media ± margen de error

En general, conocer la población real suele ser muy complicado. Imagina una
población de 4 millones. ¿Es posible conocer el gasto de consumo promedio por hogar
para esta población?, en general sí. Simplemente encuesta a todos los hogares y
calcula el promedio. Sin embargo, este proceso es muy engorroso de seguir y hace
que la investigación sea muy difícil.

El procedimiento para calcular intervalos de confianza para proporciones

poblacionales es similar a los intervalos de confianza para medias poblacionales,
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

aunque las fórmulas son conceptualmente iguales, pero ligeramente diferentes.

Aunque las fórmulas son diferentes, se basan en la misma base matemática
proporcionada por el teorema del límite central. Por lo tanto, vemos el mismo formato
básico usando los mismos tres datos: el valor muestral del parámetro en cuestión, la
desviación estándar de la distribución muestral correspondiente y el número de
desviaciones estándar requeridas para dar confianza en la estimación deseada.

( ) ( )
( n−1 ) S 2 ( n−1 ) S 2
IC= <σ 2<
( α
X 2 ; n−1
2 ) α
X 2 1− ; n−1
2 ( )

IV.3. Intervalos de confianza para la diferencia de promedios poblacio-

nales
 Poblacionales.

Es la definición de un intervalo de valores que nos permite establecer cuáles son los
valores máximos y mínimos adecuados para la diferencia entre las medias de dos
poblaciones. Esto depende de si las muestras son o no independientes.

 Muestras independientes

Si las varianzas de las dos poblaciones son iguales, el intervalo de confianza para la
diferencia de medias poblacionales está centrado en la diferencia de las medias
muestrales, siendo sus límites superior e inferior:

( x 1−x 2 ) ±t a ∕ 2 s
√ 1 1
+
n1 n2

tα/2 es el valor crítico correspondiente al grado de confianza 1-α de la distribución t

de Student con n1+ n2-2 grados de libertad y

√
2 2
( n1 −1 ) S 1+ ( n2−1 ) S 2
S=
n1+ n2−2

Es una estimación de la desviación típica común a ambas poblaciones obtenida a

partir de las varianzas de las dos muestras. En la práctica si n1 y n2 son
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

moderadamente grandes, el valor crítico tα/2 se aproxima, como ya se ha visto

anteriormente, a los valores de la distribución normal.

Donde:

 Grado de confianza: Es la probabilidad a priori de que el intervalo a confianza

a calcular contenga al verdadero valor del parámetro.
 MUESTRAS DEPENDIENTES. En este caso las muestras están forma-
das por parejas de valores, uno de cada población y el estadístico se obtiene a partir
de las diferencias de los valores de las dos variables correspondientes a cada caso o
di que se define como di= xi-yi.

IV.4. Pruebas de normalidad

En estadística las pruebas de normalidad son muy importantes estas pruebas

se utiliza para determinar si un conjunto de datos está bien modelado por una
cierta distribución acumulada empíricamente o también llamada distribución
normal y también para calcular la probabilidad de un conjunto determinado de
datos, según los cálculos obtenidos, observando si la diferencia resulta amplia
se rechazará la hipótesis nula de normalidad de la población.

V. ANÁLISIS Y RESULTADOS

V.1. Identificación de variables

V.2. Intervalos de confianza para el promedio (o media) poblacional

PROMEDIO DESVIACIÓN
MUESTRAL ESTÁNDAR

53373.8242
Línea 01 50,387,763 1
87713.8607
Línea 02 60,209,748 6
46921.9098
Línea 03 60,208,888 6

N: 60
Nivel de confianza: 95% 0.95
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Alfa: 5% 0.05
Alfa/2: 0.025 0.025
Zalfa/2: -1.96 1.96

Error Línea 01: 13505.19274

Intervalo de confianza lí- 50,374,25 50,401,26

nea 01(95%): 8 9

La media de kilogramos producidos en la línea 01 se encuentra entre 50374258 kg y 50401269

kg
Error Línea 02: 22194.2612

Intervalo de confianza línea

60,187,554 60,231,942
02(95%):

La media de kilogramos producidos en la línea 02 se encuentra entre 60187554 kg y 60231942

kg
11872.6631
Error Línea 02: 6

Intervalo de confianza línea

60,197,015 60,220,761
02(95%):

La media de kilogramos producidos en la línea 03 se encuentra entre 60197015 kg y 60220761

kg

V.3. Intervalos de confianza para la varianza poblacional

Intervalos de confianza para la varianza poblacional - línea 01

Varianza muestral = 2801285692

desviación Esta = 53373.82421
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

IC = 0.95
α= 0.05
α/2 = 0.025
n= 60
CHI Cud. = X^2(0,025;59) = 83.298
n-1= 59

CHI Cud. = X^2(0,975;59) = 40.482

P= 1984151550 < σ² < 4082699863 = 95%

P= 44543.81607 < σ² < 63896.00819 = 95%

Intervalos de confianza para la varianza poblacional - línea 02

Varianza muestral = 7565492679

Desviación Esta = 87713.86076

IC = 0.95
α= 0.05
α/2 = 0.025
n= 60
CHI Cud. = X^2(0,025;59) = 83.298
n-1= 59

CHI Cud. = X^2(0,975;59) = 40.482

P= 5358640881 < σ² < 11026235563 = 95%

P= 73202.7382 < σ² < 105005.8835 = 95%

Intervalos de confianza para la varianza poblacional - línea 03

Varianza muestral = 2164971198

Desviación Esta = 46921.90986

IC = 0.95
α= 0.05
α/2 = 0.025
n= 60
CHI Cud. = X^2(0,025;59) = 83.298
n-1= 59
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

CHI Cud. = X^2(0,975;59) = 40.482

P= 1533449791 < σ² < 3155311019 = 95%

P= 39159.28741 < σ² < 56172.15519 = 95%

V.4. Intervalos de confianza para la diferencia de promedios poblacionales

Nivel de confianza: 99%

INTERVALO DE CONFIANZA A PARTIR DE LA SALIDA DE MEGASTAT

línea 1 menos línea 2

(-9.856 ≤ µ1-µ2 ≤ -9.787) = 99%

-9,856,689.280 confidence interval 99.% lower

-9,787,279.886 confidence interval 99.% upper

La diferencia de la producción de cebollas entre la línea 1 y la línea 2 esta entre -9,586 y -9,787
kg, con una confianza de 99% esto indica que la producción promedio de cebollas en la línea 1
es menor que en la línea 2. Por lo tanto, debería escogerse el mismo método de trabajo que en
la línea 2 para el aumento de producción.

Línea 1 menos línea 3

(-9.845 ≤ µ1-µ2 ≤ -9.797) = 99%

confidence interval 99.%

-9,845,144.939 lower
confidence interval 99.%
-9,797,104.061 upper

La diferencia de la producción de cebollas entre la línea 1 y la línea 3 esta entre -9,845

y -9,797 kg, con una confianza de 99% esto indica que la producción promedio de ce-
bollas en la línea 1 es menor que en la línea 3. Por lo tanto, debería escogerse el mis-
mo método de trabajo que en la línea 3 para el aumento de producción.
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Línea 2 menos línea 3

(-32.762 ≤ µ1-µ2 ≤ 34.482) = 99%

confidence interval 99.%

-32,762.658 lower
confidence interval 99.%
34,482.825 upper

La diferencia de la producción de cebollas entre la línea 2 y la línea 3 esta entre -

32,762 y 34,482 kg, con una confianza de 99% esto indica que la producción promedio
de cebollas en la línea 2 es igual que en la línea 3. Por lo tanto, puede escogerse tanto
el método de la línea 2 como la línea 3 para asegurar la línea de producción de cebo-
llas.

V.5. Pruebas de normalidad

La prueba de normalidad es una prueba en la cual podemos tener dos posi-

bles resultados rechazar la hipótesis nula o aceptarla.

Línea 1
3

0
50,250,000.0 50,300,000.0 50,350,000.0 50,400,000.0 50,450,000.0 50,500,000.0
-1

-2

-3

Línea 2
3

0
60,050,000 60,100,000 60,150,000 60,200,000 60,250,000 60,300,000 60,350,000
-1

-2

-3
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Línea 3
3

0
60,100,000.0 60,150,000.0 60,200,000.0 60,250,000.0 60,300,000.0
-1

-2

-3
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

V.6. Prueba de hipótesis

H0: u1 = u2 = u3 (No afecta la carga laboral en la producción y desempeño)

H1: No todas las uj son iguales. (Si afecta la carga laboral en la producción y desempeño)

Suma(xi.)= 3,023,265,805 3,612,584,880 3,612,533,275

Media= 50387763.4 60209748.0 60208887.9
Suma
10,248,383,960
total(x..)=
ni= 60 60 60
N= 180 k= 3
SCTrat = 3.85852E+15
SCTotal= 3859269271763710.0
SCError= 751904974080.0
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Tabla ANOVA
Grados de Cuadrado
Fuente de variación Suma de cuadrados F
libertad medio
Entre las muestras 3.85852E+15 2 1.92926E+15 454151.52
Dentro de las mues-
tras 751904974080.0 177 4248050701
Total 3859269271763710.0 179

(Valor crítico) Fα,k-1,N-k = 3.047012139 =INV.F.CD(0.05;J27;J28)

p-valor= 0 =DISTR.F.CD(L27;J27;J28)

R. Aceptación

3.04 454151.52

Decisión:

Se debe rechazar la hipótesis nula. Existe en los promedios de

producción entre líneas. Por lo que si afecta la carga laboral.
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Análisis de varianza de un factor

RESUMEN
Grupos Cuenta Suma Promedio Varianza
Kilogramos prome-
dio producidos - lí- 302326580 50387763.4 284876511
nea 01 60 5 2 1
Kilogramos prome-
dio producidos - lí- 361258488 769372136
nea 02 60 0 60209748 9
Kilogramos prome-
dio producidos - lí- 361253327 60208887.9 220166562
nea 03 60 5 2 5

ANÁLISIS DE VARIANZA
Promedio Pro-
Origen de las varia- Suma de Grados de de los cua- babi- Valor críti-
ciones cuadrados libertad drados F lidad co para F
3.85852E+1 1.92926E+1 3.0470121
Entre grupos 5 2 5 454151.52 0 4
7.51905E+1
Dentro de los grupos 1 177 4248050701

3.85927E+1
Total 5 179

REFERENCIAS:
Anónimo, DIFERENCIA DE MEDIAS POBLACIONALES (2022) Recuperado el 22
de octubre del 2022 http://www.ub.edu/aplica_infor/spss/cap4-3.htm

‌Curso gratis de Aplicaciones estadísticas. ESTIMACIÓN DE PARÁMETROS. (2013).

Retrieved October 24, 2022, from Aulaclic.es website:
https://www.aulaclic.es/estadistica-excel/t_6_30.htm

González, A. (2022). Intervalos de Confianza para Promedios. Retrieved 22 October

2022, from
http://profesores.elo.utfsm.cl/~agv/miscellaneous/confidenceInterval/
IntervaloConfianzaPromedio.html#:~:text=Intervalos%20de%20Confianza
%20para%20Promedios&text=Un%20intervalo%20de%20confianza
%20es,respectivamente%20son%20los%20m%C3%A1s%20usados
 FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

Javier, F. (2022). Intervalo de confianza - Definición, qué es y concepto |

Economipedia. Retrieved October 24, 2022, from Economipedia website:
https://economipedia.com/definiciones/intervalo-de-confianza.html

‌Jesus, A. (2021). INTERVALO DE CONFIANZA para la VARIANZA de UNA

población normal [YouTube Video]. Retrieved from
https://www.youtube.com/watch?v=L91ftQhCm0g

‌OpenStax | Free Textbooks Online with No Catch. (2022). Retrieved October 24, 2022,
from Openstax.org website: https://openstax.org/details/books/introducci
%C3%B3n-estad%C3%ADstica-empresarial

‌Sweeney, A. (n.d.). ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA.

Retrieved from
https://periodicooficial.jalisco.gob.mx/sites/periodicooficial.jalisco.gob.mx/files/
estadistica-para-administracion-y-economia_anderson_sweeney_y_williams.pdf

Yánez, G; Behar, R (2009) INTERPRETACIONES ERRADAS DEL NIVEL DE

CONFIANZA EN LOS INTERVALOS DE CONFIANZA Y ALGUNAS
EXPLICACIONES PLAUSIBLES. En M. J. González; M. T. González y J.
Murillo (Eds.), Investigación en Educación Matemática. Comunicaciones de los
grupos de investigación. XIII Simposio de la SEIEM. Santander.
https://www.seiem.es/docs/comunicaciones/GruposXIII/depc/Yanez_Behar_R.p
df