ESCUELA SUPERIOR POLITCNICA

DEL LITORAL

Tema: Estadistica Aplicada a la Ingenieria

Profesor: Msc. Nadia Cardenas
Integrantes:
Juan Jose Flores
Edison Barreiro
Jorge Alcivar

1TABLA

DE CONTENIDO

1.

INTRODUCCIN........................................................................................ 2

2.

OBJETIVOS................................................................................................ 3
2.1.

Objetivo general..................................................................................... 3

2.2.

Objetivos especficos............................................................................... 3

3.

MARCO TERICO...................................................................................... 4

3.

ESTADSTICAS DESCRIPTIVAS...................................................................7

4.

RECOMENDACIONES.............................................................................. 13

5.

CONCLUSIONES...................................................................................... 13

BIBLIOGRAFA............................................................................................... 13

pg. 1

1. INTRODUCCIN

Cada semestre ingresan miles de estudiantes a la Escuela Superior

Politcnica del Litoral ya sea por medio del pre-politcnico o de forma
directa, es por eso que este trabajo pretende, a travs del uso de
herramientas de la estadstica descriptiva, se pueda conocer de una
forma ms ordenada los datos que tenemos acerca del ingreso de
estudiantes a la institucin, pero tomando en cuenta el nmero de
estudiantes que entran a la misma; nuestro problema se acota
nuevamente, es por es, que nos enfocaremos en los estudiantes que
ingresan a la carrera de Ingeniera Naval.

pg. 2

2. OBJETIVOS
2.1.

OBJETIVO GENERAL

Determinar la probabilidad de que una muestra de n=100 aspirantes, cursando el

proceso de admisin, elija la carrera de Ingeniera Naval ofertada en Escuela
Superior Politcnica del Litoral, y apruebe dicho proceso.

2.2.

OBJETIVOS ESPECFICOS

Utilizar mtodos de estadstica descriptiva para modelar la probabilidad de

ingreso de N estudiantes .

Analizar el porcetanjes de aprobados en el proceso de admisin en la Escuela

Superior Politcnica del Litoral.

Aplicar el teoremas de bayes

pg. 3

3. MARCO TERICO
El ingreso a la Escuela Superior Politcnica del Litoral, ESPOL, se realiza a travs del
Sistema Nacional de Nivelacin y Admisin, SNNA. El proceso consta de cuatro pasos:
inscripcin, aplicacin para el Examen Nacional para la Educacin Superior, ENES,
postulacin y nivelacin.
En el 2014 se realizaron tres cursos de nivelacin: Nivelacin de carrera segundo
semestre 2013; Nivelacin de carrera primer semestre 2014 y Nivelacin intensiva
2014. En estos cursos se registr un total de 5.448 aspirantes, de los cuales aprob el
39%, es decir 2.118 inscritos; mientras que el 61% reprob, (3.330). Adicionalmente, 91
estudiantes ingresaron a travs de exmenes de exoneracin.
En el ao 2014 ingres un total de 2.209 estudiantes.
En su proceso de admisin, la ESPOL ha planificado un conjunto de estrategias con el
propsito mltiple de:

Incorporar a los mejores bachilleres del Ecuador

Incrementar el porcentaje de estudiantes del rea STEM (Ciencia, Tecnologa,

Ingeniera y Matemticas, por sus siglas en ingls)

Favorecer el proceso de inclusin social

Como ya se mencion anteriormente semestralmente entran n cantidad de estudiantes a

la carrera de Ing. Naval en la ESPOL, basaremos nuestra investigacin en los datos
obtenidos por la Oficina de Admisiones, que se encuentra en la web. Es por eso que se
trata de ver si existen patrones que se repiten para poder anotar las diferencias ms
marcadas acerca de los estudiantes que entran a la carrera antes mencionada.
Analicemos un poco la teora a usarse:
La estadstica descriptiva es la ciencia que se encargada de analizar series de datos,
stos pueden ser la edad de una poblacin, peso de los trabajadores de una determinada
empresa, temperatura en los meses de verano, etc. Mediante la cual se trata de extraer
conclusiones sobre el comportamiento de estos elementos o variables. Las variables que
se observan y analizan pueden ser de dos tipos: Variables cualitativas que son las que no
se pueden medir numricamente, representan caractersticas o cualidades de las
variables (por ejemplo: nacionalidad, sexo, religin). Y las Variables cuantitativas que
son las que tienen valor numrico (edad, altura, precio de un producto, ingresos
anuales). Por su parte, las variables cuantitativas se pueden clasificar en discretas y
pg. 4

continuas. Discretas: toman valores enteros (1, 2, 8, -4, etc.). Por ejemplo: nmero de
hermanos (puede ser 1, 2, 3....,etc., pero, por ejemplo, nunca podr ser 3,45). Continuas:
pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, el peso de las
personas puede ser 64.7 kg, 57.2 kg. Etc. (Hernndez, 2012)
DISTRIBUCIONES UNIDIMENSIONALES
Despus de una primera aproximacin a los conceptos estadsticos ms importantes y
bsicos, el analista de informacin estar preparado para abordar una de las fases ms
importantes que todo anlisis estadstico requiere. Una vez definidos los objetivos que
se quiere cubrir con el anlisis y luego de haber tomado la informacin relevante, se
debe presentar dicha informacin en tablas y grficos para conocer mejor el problema
que estamos analizando. Las primeras herramientas para conocer y por tanto describir el
problema que estamos analizando nos las proporciona la estadstica descriptiva a travs
de las siguientes maneras de clasificar la informacin:
Valor de la variable (Xi)

Frecuencia absoluta.Nmero de observaciones en la muestra.

(Zurita, 2010)
f1+f2+.+fk=n_(i=1)^kf_i
Frecuencia relativa.- Es el resultado de dividir fi para el tamao n de la
muestra.
0f_i/n1;siendo i=1,2,.,k
Frecuencia absoluta acumulada.- Suma de la frecuencia absoluta
correspondiente ms todas las anteriores.
Fk=f1+f2+.+fk-1+fk
Frecuencia relativa acumulada.- Resulta de dividir Fi para n, siendo
i=1,2,,k.
Media.- Promedio de los n datos contenidos en la muestra. (Zurita, 2010)
n

ni
i=1

Varianza.- Medida de dispersin de una variable X con respecto a su media

aritmtica y que es igual:
n
( X j x)2
2
S =
n1
i=1

Desviacin estndar.- Se la define como la raz cuadrada positiva de la

varianza.
n
( X jx )2
S=+
n1
i=1

REPRESENTACIONES GRFICAS DE LA INFORMACIN.

pg. 5

Hacer una representacin grfica de los datos permite tener una idea ms intuitiva y ms
fcil de interpretar de un conjunto de datos sometidos a investigacin.

REPRESENTACIONES GRFICAS PARA DATOS AGRUPADOS.

Histograma.- Representa frecuencias sin acumular. Vlido para datos

cuantitativos de tipo continuo o discreto si tiene un gran nmero de datos.
Formado por rectngulos de rea igual o proporcional a la frecuencia observada.
POLGONOS DE FRECUENCIAS ACUMULADAS.- Representa
frecuencias acumuladas. Su construccin se realiza levantando sobre las marcas
de clase, localizadas en el eje de abscisas, puntos de altura igual a la frecuencia
observada.
DIAGRAMA DE CAJAS.- Son una representacin visual que describe varias
caractersticas importantes. Para su realizacin se representan los tres cuartiles y
los valores mnimo y mximo de los datos, sobre un rectngulo, alineado
horizontal o verticalmente.
OJIVA.- Es utilizada para comparar situaciones en las que bajo distintas
circunstancias o a distintos entes se mide una misma caracterstica. Adems es
un excelente instrumento para ilustrar definiciones de orden cuantitativo.

CUANTILES DE UNA MUESTRA.

Primer cuartil o cuartil inferior de una muestra.- Es un valor Q1 de X, tal

que no ms del 25% de las observaciones en la muestra ordenada toman valores
menores o iguales que Q1.
Segundo cuartil o cuartil central de una muestra.- Se denota por Q2 y se lo
define como el valor de X para el que se cumple que el 50% de los valores en la
muestra son menores o iguales que Q2
Tercer cuartil o cuartil superior de una muestra.- Se define en trminos del
75% de los elementos en la muestra tomando valores menores o iguales que Q3

TEOREMA DE BAYES,
En trminos ms generales y
menos
matemticos,
el
teorema de Bayes es de
enorme relevancia puesto que
vincula la probabilidad de A
dado B con la probabilidad
de B dado A.

pg. 6

3.

ESTADSTICAS
DESCRIPTIVAS
El procedimiento a seguir se detalla a continuacin:
Los datos generados para una muestra de N=100 aspirantes a ingresar a la
ESPOL, se detalla tambin las carreras elegida , nota final del Pre-politcnico y
si Aprob (AP) o no.

pg. 7

pg. 8

Tabla 1 Datos de los N estudiantes a analizar

pg. 9

Tabla 2 Datos de los estudiantes aprobados en las diferentes materias

Tabla 3 Tabla
y eldeporcentaje
Frecuencia

Clculos correspondientes:

Media:
k

x =

1
m f
n i=1 i i

x =5.79
Varianza:
k

1
s=
fi (mix )2

n1 i=1
2

s 2=2.055
Moda:

Moda=Li

a
( A)
S + a

f i f
( f if i1 ) +( i+1)(5)
f f
Moda=Li + i i1
Moda=5.2

pg. 10

Ilustracin 1 Histograma de frecuencia

pg. 11

Ilustracin 2 Poligono de Frecuencia

Ilustracin 3 Ojiva

pg. 12

Ilustracin 4 Diagrama de caja

aprueban
5/20
naval 20/100

reprueban
15/20
aprueban
7/20
mecanica
20/100

100

automatiza
do 16/100

biologia
21/100

turismo
23/100

reprueban
13/20
aprueban
4/16
reprueban
12/16
aprueban
4/21
reprueban
17/21
aprueban
13/23
reprueban
10/23

pg. 13

P ( A / Na ) =

P(Na) xP ( A / Na )
P ( Na ) xP ( A/ N a ) + P ( Me ) xP ( A/ Me ) + P ( Au ) xP ( A / Au ) + P ( Bi ) xP ( A / Bi )+ P (Tu) xP ( A / Tu )

P ( A /Na ) =

5/100
=0.15
5 /100+7 / 100+4 /100+4 /100+13/100

4.

5.

RECOMENDACIONES

Para facilitar los clculos y que los resultados sea mas preciso, se
recomienda utilizar las tablas y funciones de Excel

Utilizar correctamente los conceptos enseados en clases, para un

correcto proyecto

CONCLUSIONES

Se logro el objetivo planteado al inicio del proyecto, determinando asi la

probabilidad de estudiantes que aprueban el sistema de admisin de la
ESPOL, con lo cual se pudo observan que el numero de estudiantes que
eligen la carrera de Ingeniera Naval es muy baja comparada con las
otras carreras.
pg. 14

Es notorio que el porcentaje de alumnos que aprueban el Pre-Politcnico

es poco, algo que no es de sorprenderse ya que la ESPOL, se a
caracterizado por eso

BIBLIOGRAFA

Aguilar, F. G. (25 de Mayo de 2007). Coleccin de tesis digitales,

Universidad de las Amricas Puebla. Recuperado el 4 de Diciembre de
2015, de
http://catarina.udlap.mx/u_dl_a/tales/documentos/lem/garduno_a_f/ca
pitulo2.pdf

Sabater, J. P. (2015). Universidad Politcnica de Valencia. Recuperado

el 4 de Diciembre de 2015, de
personales.upv.es/jpgarcia/LinkedDocuments/Teoriadecolasdoc.pdf

Taha, H. A. (2012). Investigacin de operaciones. Mxico: Pearson

Educacin.

pg. 15