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

“Al que
ESTUDIA,
dios lo ayuda”
Miguel Angel Patiño Antonioli

Recordando la clase anterior…
¿Qué recuerdas?

Control 2 .

Analizando: Caso Autoseguro .

Caso Autoseguro .

Caso Autoseguro .

Caso Autoseguro .

Sesiones 9 y 10: “Estimación de Parámetros: Estimación Puntual” .

Comprende la aplicabilidad de las distribuciones muestrales en el marco probabilístico. Reconoce las aplicaciones del Teorema del Límite Central como teorema fundamental de la Estadística. 2. Comprende las técnicas y conceptos clave referentes al Muestreo aleatorio simple.Objetivos Al finalizar esta sesión. 5. . Utiliza los Estimadores puntuales como referencia inferencial. así como su aplicabilidad. el alumno: 1. 4. Comprende el foco de la Estadística Inferencial. 3.

Distribuciones muestrales:  De la Media  De la Proporción.Agenda 1. Introducción al Muestreo aleatorio simple / técnicas 3. Estimadores puntuales. 5. Teorema del Límite Central. 4. . Introducción a la Estadística Inferencial 2.

(2014). C.). México-Lima: Pearson:  Estimación de parámetros (pp. Estadística para la Administración y los Negocios (2ª ed.Control de lectura Lecturas previas obligatoria Veliz. 252 – 260) . 215 – 232) (pp.

¿Cuáles son las barreras de la estimación? .Reflexiones iniciales: 1. ¿Por qué tenemos que estimar? 3. ¿Qué es lo que se tiene que estimar? 2.

“La Estadística es una ciencia según la cual todas las mentiras se vuelven gráficos” .

Estadística Inferencial .

50 que tiene un peruano.  Premio: 20 en el curso y condonación del programa. Reto: Conseguir el valor del número promedio de billetes de S/. .

El “cuadro núcleo” .

Est. S σ  Varianza S2 σ2  Proporción 𝒑o𝒑 πop INFERENCIA  Correlación r Puntual Por IC ρ 𝛉 Estimadores puntuales PH Parámetros 𝛉 o Estadísticos .Cuadro “núcleo” del curso INDICADOR MUESTRA (n) POBLACIÓN (N)  Media 𝒙 µ  Desv.

¿Y dónde serán hoy las clases? .

Introducción a la Estadística Inferencial Métodos Estadísticos Estadística Estadística Descriptiva Inferencial Prueba de Estimación Hipótesis .

Introducción a la Estadística Inferencial Tipos de Estimación Estimación Estimación Estimación Puntual por Intervalos .

–¿Cuál es la estimación de la utilidad anual media de todas las sucursales con franquicia? –¿Cuál es la estimación de la desviación estándar de las utilidades anuales? –Entre todos los concesionarios cual es la proporción de utilidades de mas de 50.803.000 y de menos de 20.Estimación Puntual Ejemplo 1: Un concesionario de una sucursal de comida rápida desea reunir información sobre las utilidades anuales de poseedores actuales de franquicias.000 dólares? –¿Por qué desearía un concesionario obtener este tipo de información? 61. para el año inmediato anterior.00 76.912. en miles de dólares.422.203. una muestra aleatoria de n=12 sucursales produce estos datos de utilidades.00 48.326.00 .056.00 10.00 40.233.053.00 28.00 91.785.00 97. La experiencia pasada sugiere que las utilidades están normalmente distribuidas.00 96.242.404.00 92.357.00 92.00 67.

Error de Muestreo (Sesgo) .

Estimación Puntual Parámetro y Estimador n1 x1 ESTIMADOR PUNTUAL n2 POBLACIÓN x2 n3 (N) x3 . nm xm DIFERENTES MUESTRAS OCASIONAN DIFERENTES VALORES DEL ESTIMADOR . PARÁMETRO . . .

Estimación Puntual Parámetro y Estimador MUESTRA (n) Estimador : x Técnicas de Muestreo POBLACIÓN Estadística Inferencial (N) µ .̂ = Error de muestreo o SESGO .

Técnicas de Muestreo .

.Tipos de Muestreo Muestreo No Probabilístico Probabilístico Selección a juicio o criterio Selección de modo que del encuestador cada integrante de la población tenga una probabilidad conocida de ser incluido en la muestra.

Muestreo Aleatorio (Probabilístico) Simple Sistemático Estratificado Racimo .  Objetivo: permitir que el azar determine los integrantes que contendrá la muestra.Muestreo Probabilístico  No hay un “mejor” método para seleccionar una muestra probabilística.

.Muestreo Probabilístico Muestreo Aleatorio Simple  Equi-probabilidad: Cada elemento de la población tiene la misma probabilidad de ser incluido en la muestra.  Uso de números aleatorios (Ri o Ui) No debe emplearse si hay un patrón determinado en la población.

Valor máximo) Diapositiva 36 .ENTRE(Valor mínimo.Muestreo Probabilístico Aleatorios en Excel  =ALEATORIO()  =ALEATORIO.

No debe emplearse si hay un patrón determinado en la población.  Cada elemento tiene igual oportunidad de ser seleccionado. orden o al espacio. .  Selección dentro de un intervalo uniforme medido con respecto al tiempo.Muestreo Probabilístico Muestreo Aleatorio Sistemático  Los integrantes de la población se ordenan.  Se selecciona al azar un punto de inicio.

Muestreo Probabilístico 1 26 51 76 2 27 52 77 Muestreo Aleatorio Sistemático N = 100 3 28 53 78 4 29 54 79 Ejemplo: 5 30 55 80 6 31 56 81 Se desea una muestra n = 20 7 32 57 82 8 33 58 83 9 34 59 84 10 35 60 85 11 36 61 86 N/n = 5 12 37 62 87 13 38 63 88 14 39 64 89 15 40 65 90 16 41 66 91 Escoger un número aleatorio de 1-5: 17 42 67 92 Seleccionado: 4 18 43 68 93 19 44 69 94 20 45 70 95 21 46 71 96 Empezar con el 4 y escoger cada 22 47 72 97 23 48 73 98 quinto número 24 49 74 99 25 50 75 100 .

pero hay una amplia variación entre los grupos. .  Selección aleatoria de elementos del estrato.  Cada grupo tiene una pequeña variación dentro de si mismo.  Cantidad proporcional al estrato o con pesos.Muestreo Probabilístico Muestreo Aleatorio Estratificado  La población es dividida en grupos relativamente homogéneos (estratos) con bajo CV.

Muestreo Probabilístico Muestreo Aleatorio Estratificado POBLACIÓN ESTRATOS MUESTRA .

 Hay una variación considerable dentro de cada grupo. pero los grupos son esencialmente similares entre si. .Muestreo Probabilístico Muestreo Aleatorio de Racimo  La población se divide en racimos (clústers)  Seleccionamos una muestra aleatoria de estos racimos.

Muestreo Probabilístico RACIMOS Muestreo Aleatorio de Racimo POBLACIÓN MUESTRA .

TLC

Teorema de Límite Central

Conforme se … La
incrementa distribución
el tamaño de muestreo
de la se aproxima
muestra … a la Normal.

… A una muestra
suficientemente
grande: n≥ 30

X

Teorema de Límite Central

 Para la mayoría de las distribuciones, n≥ 30
 Para distribuciones casi simétricas, n>15
 Para la población distribuida normalmente, la
distribución de muestreo de la media siempre
está normalmente distribuida.

Teorema de Límite Central Efecto del tamaño de la muestra n=2 n=4 Probabilidad Probabilidad Ejemplo de aumento del tamaño de muestra n = 20 n=8 hasta n= 20 Probabilidad Probabilidad .

P. .F.C.F.

9752 100 0.200 0.8949 𝐸𝑅𝑅𝑂𝑅 𝐸𝑆𝑇Á𝑁𝐷𝐴𝑅: 500 0.010 0.050 0.9879 𝑭𝑪𝑷𝑭 = 𝑵−𝟏 50 0.025 0.Factor de Corrección por Población Finita (FCPF): Cálculo del FCPF para Cuando : n  5% * N diversos n con N=1.100 0.500 0.9492 𝑆𝑒 𝑎𝑝𝑙𝑖𝑐𝑎 𝑐𝑜𝑚𝑜 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑑𝑜𝑟 𝑑𝑒𝑙 200 0.9955 𝑵−𝒏 25 0.7075 𝝈𝜽 ∗ 𝐅𝐂𝐏𝐅 .000: n n/N FCPF 10 0.

Distribuciones Muestrales Mediante el uso de la Distribución Normal 1 Media muestral 2 Proporción muestral .

1 𝒙∼𝑵 .

1 Distribución Muestral de la Media  Media de la media 𝟐 𝝈 muestral: 𝑿~𝑵(𝝁. ) 𝝁𝒙 = 𝝁 𝒏  Desviación estándar de la media muestral  Si n<5%*N. NO (ERROR ESTÁNDAR): aplicar FCPF  Emplear S si n≥30. 𝝈 𝝈𝒙 = ∗ 𝑭𝑪𝑷𝑭 o si es Normal. 𝒏 .

22. 20. 1 Distribución Muestral de la Media Ejemplo: C B  Tamaño de la Población: N=4  Variable aleatoria X: Edad de las personas  Valores de X: Rango: 18. 24 Años D A .

Edad Probabilidad 18 0. 1 Distribución Muestral de la Media  Variable Aleatoria: Variable X = Edad de las personas  Valores de la Variable X x (18. 22. 24).25 20 0.25 VARIABLE ALEATORIA PROBABILIDAD . 20.25 22 0.25 24 0.

3 N .2 18  20  22  24   21 . 1 Distribución Muestral de la Media Parámetros de la Población Distribución Uniforme N X i P(X)  i 1 .1 4 N 0  Xi    2 A B C D X (18) (20) (22) (24)  i 1  2.236 N .

20 20.20 18.18 20.24 22 20 21 22 23 16 Muestras CON reemplazo 24 21 22 23 24 .18 24.24 18 18 19 20 21 22 22.22 18.20 22.18 18.24 20 19 20 21 22 24 24.22 22.20 24.22 24.18 22.22 20. 1 Distribución Muestral de la Media Todas las muestras posibles de tamaño n=2 Media de cada muestra a da 1 2 Observación Obs 18 20 22 24 1a 2da Observación 18 18.24 Obs 18 20 22 24 20 20.

0625 16 .25 22 3 0. 1 Distribución Muestral de la Media Variable Frecuencia Probabilidad 18 1 0.125 20 3 0.1875 21 4 0.0625 19 2 0.125 24 1 0.1875 23 2 0.

1 Distribución Muestral de la Media Distribución de las Medias de las Muestras 16 Medias de Muestras Distribución de las medias de las 1a 2da Observación muestras Obs 18 20 22 24 .2 20 19 20 21 22 .1 22 20 21 22 23 24 21 22 23 24 0 18 19 20 21 22 23 24 X .3 P X  18 18 19 20 21 .

58 16 Diapositiva 58 . 1 Distribución Muestral de la Media Parámetros de la Distribución Muestral o de Muestreo N X i 18  19  19   24 X  i 1   21 N 16 N  X  X  2 i X  i 1 N 18  21  19  21    24  21 2 2 2   1.

3 P X  (Error Estándar) . 1 Distribución Muestral de la Media Población Distribución de Muestreo N=4 n=2   21   2.2 .1 .2 .236  X  21  X  1.1 0 0 A B C D 18 19 20 21 22 23 24 (18) (20) (22) (24) X X Comparación de la Población con la Distribución Muestral de Medias .58 P X  .3 .

Distribución Muestral de la Media Distribución de la Población y Distribución de Muestreo de la Media Distribución de muestreo de medias de 5 elementos (n=5)  x  25 Distribución de la población   25  = 100 .

5   50  X  50 X Muestreo de Poblaciones Normales .Distribución Muestral de la Media Dispersión Tendencia Central  x   x n Distribución de la Población Distribución de Muestreo   10 n4 n  16 X 5  X  2.

8   50  X  50 X Poblaciones No Normales .Distribución Muestral de la Media Tendencia Central Dispersión  x   x n Distribución de la Población Distribución de Muestreo n4 n  30   10 X 5  X  1.

2 𝒑∼𝑵 .

𝒑𝒒 𝝈𝒑 = ∗ 𝑭𝑪𝑷𝑭  Si n<5%*N. NO aplicar FCPF. ) 𝝁𝒑 = 𝒑 𝒏  Desviación estándar de  Objetivo: la proporción muestral estimar la proporción (p) de (ERROR ESTÁNDAR): las personas con ciertas características. 𝒏 . 2 Distribución Muestral de la Proporción  Media de la proporción 𝒑𝒒 muestral: 𝒑~𝑵(𝒑.

Distribución Muestral de la diferencia de dos estadísticos independientes x ( 1  x 2 )  1   2 Diferencia entre dos medias  2 2 2  x  x   1 muestrales 1 2 n n 1 2 p ( 1  p2 ) pp 1 2 Diferencia entre dos proporciones pq pq   pp   1 1  2 2 muestrales  1 2 n 1 n 2 .

Ejercicios .

sin reemplazo. determine el error estándar de la media. . Si tomamos una muestra al azar de 5 tiendas. La desviación estándar de la rotación de personal en un año es de 75.Estimación de Parámetros Problema 1: Una ciudad tiene 20 tiendas de una cadena de igual tamaño.

Estimación de Parámetros Sol.54)  (0.8885) 5 20  1  x  29.8011 . Problema 1:  N n Dado: x * N = 20 n N 1  = 75 n = 5 75 20  5 x *  (33.

6 cm y 8.Estimación de Parámetros Problema 2: De un lote “infinito” de tuercas. ¿Cuál es la probabilidad que el diámetro medio de las tuercas de dicha muestra esté entre 7.4 cm? . con media igual a 8cm y desviación estándar igual a 3cm se extrae una muestra de 36 tuercas.

4) x  8  x 3 3 x   0.4 x  8 P(7.6  X  8.6  X  8.4)  0.4)  0.Estimación de Parámetros Sol.7881  0.6  x  8.2118 7.6 8.5 n 36 6 X P(7.5763 . Problema 2:  8   3 n  36 Distribución de la media muestral: Normal Calcular : P(7.

producto de una negociación con un proveedor de China.Estimación de Parámetros Problema 3: Suponga que el 3. rechaza el lote con la consiguiente devolución de la mercadería. Control de Calidad toma muestras de 100 unidades y si detecta más de 5% de defectuosos en la muestra.5% de todo el lote de producción de la bebida XYZ. presenta defectos de fábrica. ¿Qué tan probable sería que Control de Calidad rechace un lote? .

21.965 sigma 0. Problema 3: Dado: n 100 Distribución de la Proporción mu 0.035 q 0.035 Muestral: Normal p 0.018 P(Rechazar Lote) ? 0.05 p  P( p  0. en una muestra de 100 unidades.035 De acuerdo a los parámetros del lote.05)  0. . solo en el 21% de las veces los lotes son rechazados mediante este muestreo de Calidad. por lo que la probabilidad de rechazar un lote es de 0.018 p(1  p)  p  n  0.21  p  0.Estimación de Parámetros Sol. es decir que. es poco probable encontrar más de 5% de defectuosos.

Estimación de Parámetros Problema 4: Una investigación de mercados plantea realizar una encuesta para estudiar las preferencias familiares de una nueva mantequilla. Se desearía basar la encuesta en por lo menos 500 familias que consuman mantequilla al menos ocasionalmente. 1) ¿Cuál es el número esperado de familias consumidoras de mantequilla en la muestra? 2) ¿Cuál es la probabilidad de que se obtengan menos de 500 familias consumidoras de mantequilla? . se deberá extraer una muestra suficientemente grande como para obtener dentro de ella 500 familias que consuman mantequilla. Se supone que por lo menos el 60% de las familias consumen mantequilla. Cómo se desconoce cuales son las familias que consumen mantequilla. Con base en esta creencia se decidió que una muestra de 1000 familias debería ser suficiente.

Problema 4:  El número esperado = estimación puntual np  0.5  p  n N 1 .6 p (1  p ) N  n p = 0.6 x1000  600 familias p (1  p ) Dado: n = 1000  p  n p=? µp= 0.Estimación de Parámetros Sol.

6 .5 X  p  0 .5)  ? 0.Estimación de Parámetros  p    p  0.6) p 1000  0.5 Calcular : P( p  0.6(1  0.5) Distribución de Muestreo p(1  p) p n 0.01549 P(p  0.6  p  ? n  1000 p  0.

6 Z 1 z0.3859E  11 Z Z  0 La probabilidad es muy pequeña.Estimación de Parámetros  p  0.6  p  0.01549 n  1000 p  0.4557)  5.5   6.5 Calcular : P( p  0.3859E  11 -6.5) Distribución Normal Estándar 0 .5  0 .4557 P(p  0.5)  5. .01549 P( z  6. es casi seguro que en las 1000 familias se encuentren más de 500 que consuman mantequilla.4557 0.

Bajo la luz de los modelos de probabilidad. determinó que era muy probable que al extraer las 100 muestras.Estimación de Parámetros Problema 5 – PARA GANAR PUNTOS: De un lote de 2. El Ing. Buffon o cree usted que le debemos recomendar que mejor se dedique al fútbol? . luego de revisar los 2 primeros cajeros. hayan en total más de 5 ATMs averiados.500 ATMs con un AQL de 3%. se extraen 100 unidades para hacer muestreo estadístico. Buffon. ¿es cierta la afirmación del Ing.

03(0.03 AQL (p) 0. ya que es poco probable que suceda lo que afirma: solo sucedería en el 11% de las veces.03 De acuerdo a los parámetros del lote. podemos recomendarle al Ing Buffon que se dedique al fútbol.05 P( p  0.05  p     *  1000   2.Estimación de Parámetros Sol.500  1    0.05)  ?  p  E ( p )    p  0. . Problema 5: Dado: ¿Qué tan probable es la afirmación del Ing.02  p  0.03 sigma 0. Buffon? N 2.97)   2.500  100  0.02 Distribución de la Proporción q 0.03  pq   N  n   p    *   n   N 1    ? p  0.500 mu 0.97 muestral: Normal n Pgta 100 0.

Conclusión: La Estimación Puntual es rápida y fácil pero no tiene sustento confiable .

¿Qué aprendimos hoy? .

¡A practicar! 88 .

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