Estadística Aplicada

a los Procesos
Ing. MBA Miguel Ángel Patiño Antonioli
E-mail: mpatino@pucp.pe
E-mail2: miguel.patino@6sconsultores.com
WhatsApp: (+51) 993495101
Skype: mpatino23
Diplomatura de Estudio en
Gestión de Procesos IV
Módulo I

Recordando la clase anterior…
¿Qué recuerdas?

Sesiones 7 y 8:
“Variables Aleatorias y
Distribución de Probabilidad”

Objetivos
Al finalizar esta sesión, el alumno:
1. Comprende los conceptos clave de las Variables
Aleatorias y sus principales aplicaciones prácticas.
2. Comprende el concepto de una Distribución de
Probabilidad en el marco del proceso de decisión bajo
incertidumbre.
3. Comprende el concepto y el uso del Valor Esperado y
Desviación estándar de una variable aleatoria.
4. Reconoce los más importantes modelos de Distribución
de Probabilidad (Binomial, Poisson, Normal).

la varianza y la desviación estándar 5. El valor esperado. Variables aleatorias: discretas y continuas 3. Distribuciones de probabilidad: discretas y continuas 4. Aplicaciones . La distribución de probabilidad Binomial y distribución de Poisson 6.Agenda 1. Introducción 2. La distribución de probabilidad normal 7.

. 1- 48). México-Lima: Pearson: ▪ Variables aleatorias y distribución de probabilidad (pp. C.Control de lectura Lecturas previas obligatoria Veliz. (2014). Estadística para la Administración y los negocios. pp. (2a ed. 159 . .213).

Reflexión inicial ¿Qué criterios se deben considerar para la buena utilización de los modelos de probabilidad? .

Por lo tanto. el 80% de las personas muere por no fumar… Así que queda demostrado que no fumar es peor que fumar .“El 20% de las personas muere a causa del tabaco.

. ▪ Cantidad que es el resultado de un experimento aleatorio que. debido al azar. puede adoptar diversos valores. ▪ Variable Aleatoria Discreta Sólo puede asumir ciertos valores claramente separados y que es resultado de contar algún elemento de interés (finito) ▪ Variable Aleatoria Continua Puede asumir uno de una cantidad infinita de valores. dentro de ciertos límites.Variable Aleatoria ▪ Familia de valores.

3. 2. 2. …. 3. valores específicos. 1. ….. 2. 3. Experimento Variable Aleatoria (x) Posibles Valores Llamar a 10 clientes # de clientes que 0. 2. 10 efectúan un pedido Inspeccionar un # de repuestos 0.) Obtenida por conteo. 10 de 10 totales vendidos . ……. 1. restaurante por un día Vender un automóvil Número de autos 0. ……1000 embarque de 1000 defectuosos repuestos Administrar un # de comensales 0. 2. 1.Variable Aleatoria Variable aleatoria discreta Usualmente un número entero (0. 1. 1. 3 etc.

máx. 250°C) .Variable Aleatoria Variable aleatoria continua Puede asumir cualquier valor dentro de un rango dado. Obtenida por mediciones. Experimento Variable Aleatoria (x) Posibles Valores Operar un banco Tiempo en minutos X≥0 entre llegadas de los clientes Llenar una botella de Cantidad de ml 0 ≤ x ≤ 500 ml gaseosa. 500 ml Liderar un proyecto de Porcentaje de avance 0 ≤ x ≤ 100 % mejora de procesos del proyecto luego de 3 meses Prueba de un nuevo Temperatura a la que 30 ≤ x ≤ 250°C proceso químico ocurre la reacción (min 30°C máx.

.

3 1 0.375 Probabilidad 0.125 0.05 0 0 1 2 3 Número de Sellos .2 0.1 1.15 3 0.4 0 0.375 0.Distribución de Probabilidades Experimento: Lanzar 1 moneda 3 veces Evento: Número de Sellos Distribución de Probabilidades N° Sellos Probabilidad 0.35 0.125 0.0 0.25 2 0.

.

es la probabilidad de que X tome los valores menores o iguales a x. el valor de la Función de Distribución Acumulativa F(x).Función de Distribución Acumulada Para una variable aleatoria X.5 1 0.1 3 1.4 0.6 0. F ( x)  P( X  x) F (3)  P( X  3)  f (0)  f (1)  f (2)  f (3) 1 1 0.2 0.875 0.500 0.3 2 0.9 0.7 0.8 0 0.5 0.875 X=x F(x) 0.125 0.125 0.000 0 0 1 2 3 .

.

μ = E( X ) =  x * f ( x) .Esperanza matemática o Valor Esperado ▪ El valor esperado de un experimento aleatorio discreto se puede considerar como el promedio de todos sus valores posibles.

Varianza de una Distribución de Probabilidad ▪ Se denota VAR(X) o σ2.   VAR( X )  E ( X )  E ( X ) 2 2 2   x P ( x )   2 2 2   2 . ▪ Es el “Esperado de los cuadrados menos el cuadrado del Esperado”.

10. exactamente a S/.Esperanza matemática o Valor Esperado Ejercicio 1: Si el premio de una rifa es de un millón de soles.000 boletos. y se han vendido 100.00.00? . ▪ ¿Cuál es nuestra probabilidad de ganar el premio si compramos un boleto? ▪ ¿Cuál es la esperanza de un boleto? ▪ ¿Qué implica comprar un boleto a menos de S/.10.

10 ▪ En un día sábado. ¿cuántos autos se debe esperar vender? ▪ ¿Cuál es la CV de la distribución? ¿Conclusiones? .Esperanza matemática o Valor Esperado Ejercicio 2: Una tienda de autos ha establecido la siguiente distribución de probabilidades de los autos que espera vender un día sábado en particular: Número de autos vendidos Probabilidades 0 0.30 4 0.30 3 0.20 2 0.10 1 0.

frescas y frías son: 0. En esta época del año las probabilidades de que las noches sean cálidas. 0. ¿Qué le conviene al concesionario? . o caminar entre las gradas vendiendo gaseosas y refrescos a comisión. puede obtener $90 en una noche cálida.Esperanza matemática o Valor Esperado Ejercicio 3: Un concesionario del nuevo Estadio Nacional. Si elige esto último.4 y 0.2 respectivamente. $45 en una noche fresca y $15 en una noche fría.1. 0. tiene que elegir entre trabajar detrás del mostrador de venta de salchichas “Panchos Ballesteros” y recibir una suma fija de $ 50 por noche de fútbol.3. moderadas. $70 en una noche de clima moderado.

m..15 11 20 0. No puede especificar el número de cajas que le solicitarán diariamente. y las vende a 50 u. Ejercicio 4: Un mayorista de frutas compra cada caja de fresas a 20 u.25 100 1.20 12 40 0.m.40 13 25 0.Esperanza matemática o Valor Esperado Uso del valor esperado y las pérdidas monetarias.00 ¿Cuántas cajas debería comprar para minimizar la pérdida global esperada? . pero dispone de los siguientes datos: Ventas Nº de días Probabilidad de venta diarias de venta de cada cantidad 10 15 0.

. 3. Modelo con reposición 2. Ensayos Independientes ▪ El experimento está compuesto por una secuencia de intentos/ensayos/observaciones/muestras idénticos.Distribución Binomial Experimento de Bernoulli (Ɛβ) 1. ▪ El resultado se clasifica en una de dos categorías: éxito o fracaso ▪ Los datos recolectados son producto de un conteo. Probabilidad de Éxito (p) o Fracaso (q) es constante para cada prueba.

▪ q es la probabilidad de fracaso: q = 1-p Media o Valor Esperado E ( x)   np Varianza V ( x)    npq 2 .Distribución Binomial Ley de Probabilidad: 𝒇 𝒙 =𝑷 𝑿=𝒙 = 𝒏 𝑪𝒙 𝒙 𝒑 𝒒𝒏−𝒙 ▪ n es el número de ensayos. intentos o muestras ▪ x es el numero de éxitos observados/deseados en los “n” ensayos. ▪ p es la probabilidad de éxito en cada ensayo.

tiene un porcentaje de efectividad en ventas del 20%. ¿cuál es la probabilidad de: A.Distribución Binomial Ejercicio 5: Por estudios anteriores. No hacer ninguna venta? B. Hacer al menos 2 ventas? . Si durante un turno se llaman a 12 clientes. Hacer como máximo 2 ventas? D. Hacer exactamente 2 ventas? C. se sabe que una compañía que vende por teléfono.

Distribución Binomial Ejercicio 6: Una muestra de 4 frascos se selecciona sin restitución de un lote de 5. ▪ ¿cuál es la probabilidad de que la muestra contenga exactamente 2 frascos malos? ▪ ¿Cuál es la probabilidad de que en la muestra haya por lo menos 1 frasco malo? . Suponiendo que 20% de los frascos de lote no cumplen con las especificaciones médicas.000 frascos de cierto laboratorio farmacéutico.

Distribución de Poisson ▪ Pertenece al Proceso de Poisson. u objetos. . ▪ Es el número de eventos por intervalo de tiempo o espacio. superficies. ▪ Ejemplos: ✓ Número de llegadas de clientes por hora ✓ Número de llamadas telefónicas en una central por minuto ✓ Número de accidentes por año ✓ Número de llegadas de vehículos por día ✓ Número de defectos observados en longitudes.

71828) ▪ “x” es el número de éxitos. Media o Valor Esperado 𝑬 𝒙 =𝝁=𝝀 Varianza 𝐕 𝒙 = 𝝈𝟐 = 𝝀 .Distribución de Poisson Ley de Probabilidad: 𝒙 𝝀 𝒆 −𝝀 𝒇 𝒙 =𝑷 𝑿=𝒙 = 𝒙! ▪ 𝝀 es la media del número de éxitos en un periodo (tasa media) ▪ “e” es la constante Neper (2.

Más de 3 clientes? 4. Menos de 5 clientes? 3. ¿Cuál es la probabilidad de que 4 clientes lleguen en un lapso de 3 minutos? . lleguen: 1. Por lo menos 1 cliente? 5. ¿Cual es la probabilidad de que en un minuto dado. Los clientes llegan a la ventanilla a un régimen de 72 por hora.Distribución de Poisson Ejercicio 7 Se sabe que en promedio llegan 180 clientes por hora al banco durante la hora del almuerzo. Exactamente 2 clientes? 2.

X .Distribución Normal ▪ Es simétrica respecto a la media. mediana y moda. ▪ Su grafica tiene forma de campana ▪ Es asintótica (no corta el eje X) ▪ Existe una familia de distribuciones.

▪ Media: 0. ▪ Se consigue estandarizando cualquier normal: x Z  .Distribución Normal Estándar ▪ Solución al “problema de la Integral” ▪ Caso especial de la distribución normal. ▪ Desviación estándar: 1.

Distribución Normal y Normal Estándar   100   20 40 60 80 100 120 140 160 X -3 -2 -1 0 +1 +2 +3 Z .

Distribución Normal Ejercicio 8 Una empresa aplica un programa de entrenamiento diseñado para mejorar la calidad de las habilidades de supervisión de los supervisores de línea de producción. Un estudio de los participantes anteriores indica que el tiempo medio que se lleva completar el programa es de 500 horas y que esta variable aleatoria normalmente distribuida tiene una desviación estándar de 100 horas. los supervisores requieren un número diferente de horas para terminarlo. Debido a que el programa es auto administrado. .

Distribución Normal Ejercicio 8 1. ¿Cuál es la probabilidad de que un participante elegido al azar requiera más de 500 horas para completar el programa? .

¿ Cuál es la probabilidad de que un supervisor elegido al azar se tome menos de 400 horas para completar el programa de entrenamiento? . ¿Cuál es la probabilidad de que un supervisor elegido al azar se tome entre 500 y 650 horas para completar el programa de entrenamiento? 3.Distribución Normal Ejercicio 8 2.

Distribución Normal como una aproximación de la Distribución Binomial ▪ A pesar de ser continua.   np   npq . la Distribución Normal es algunas veces una buena aproximación de la distribución Binomial cuando n es mayor o igual que 30. ▪ Los valores discretos de la distribución Binomial se representan como rectángulos inscritos en la distribución normal con un ancho de 1 y centrados en el valor discreto.

extraída al azar.Distribución Normal como una aproximación de la Distribución Binomial Ejercicio 9: Asuma que el 50% de los alumnos de una Universidad fuman al menos media cajetilla de cigarrillos por día. ¿Cuál es la probabilidad que una muestra de 1. contenga más de la mitad de alumnos que fumen al menos media cajetilla de cigarros por día? .000 alumnos.

Conclusión: Cualquier distribución cuando n>=30 se vuelve Normal (TLC) .

Caso: Specialty Toys .

¿Qué aprendimos hoy? .

. 2. Ir organizando el trabajo aplicativo final en grupos. Colgarlo resuelto en la intranet hasta el inicio de la siguiente clase y traerlo impreso. Leer y desarrollar las preguntas del Caso 2 - Autoseguro de Automóvil.Pendientes para la siguiente sesión 1.

com/watch?v=vTWYlULcme8&t=142s . no cuenten el costo … https://www.youtube.Queridos futuros graduados.

Gracias 51 .

Estadística Aplicada a los Procesos Ing.com WhatsApp: (+51) 993495101 Skype: mpatino23 Diplomatura de Estudio en Gestión de Procesos IV Módulo I .patino@6sconsultores.pe E-mail2: miguel. MBA Miguel Ángel Patiño Antonioli E-mail: mpatino@pucp.