UNIVERSIDAD DE LA COSTA

DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE

OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

INFORME DE LABORATORIO N°1

PROBABILIDAD

CONTROL DE LA CALIDAD

PRESENTADO POR:

LINA ARRAUTH
PEDRO BARRAZA
KEINER GARCIA
MIGUEL CAMPO

MSc. ALFREDO GOMEZ FONSECA

UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERIA
INGENIERIA INDUSTRIAL

BARRANQUILLA, ATLANTICO
2019-08-20
Página | 1
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

TABLA DE CONTENIDO

INTRODUCCIÓN

OBJETIVO GENERAL ...................................................................................................................... 4

OBJETIVOS ESPECÍFICOS .............................................................................................................. 4

MARCO TEORICO ............................................................................................................................ 5

ESTADÍSTICA ................................................................................................................................... 5
PROBABILIDAD ............................................................................................................................... 5
ALEATORIEDAD .............................................................................................................................. 6
EXPERIMENTOS ALEATORIOS .................................................................................................... 6

CÁLCULOS Y ANÁLISIS DE LOS RESULTADOS ....................................................................... 7

ANÁLISIS DE LAS PREGUNTAS ................................................................................................. 12

CONCLUSIÓN ................................................................................................................................. 13

BIBLIOGRAFÍA............................................................................................................................... 14

Página | 2
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

INTRODUCCIÓN

El uso de la estadística junto con otras herramientas proporcionan gran valor a la vida de los
sectores industriales, debido a que el uso correcto de estas ayudaría a la mitigación de errores
competitivos y/o estratégicos, la probabilidad ayuda a la corrección de problemas de calidad,
planeación y control de ventas, fijación de precios, entre otros campos dentro de la
organización.

Es por eso que las empresas hoy día deben aplicar una filosofía organizacional guiadas al
éxito de estas, es por esto que un mayor análisis de dentro de su proceso productivo puede
hacer la diferencia en términos de competitividad, dicho en otras palabras para que una
industria se mantenga sólida en un mercado comercial debe asegurar un mínimo porcentaje
de error en su producto final, lo que lleva al ingeniero analizar estos procesos y mejorarlos
gracias al método estadístico, el trasfondo de esta experiencia es aplicar la teoría de
probabilidad para analizar de manera minuciosa la forma de como el resultado de esta puede
impactar de manera positiva o negativa la dinámica de los grupos empresariales.

Página | 3
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

OBJETIVO GENERAL
Estudiar la probabilidad de un evento e incluirla en la planificación y mejora de los procesos

OBJETIVOS ESPECÍFICOS

1. Comparar la frecuencia teórica y experimental

2. Analizar los resultados de un proceso identificando las variables que puedan
afectarlo
3. Comprender la incidencia de aleatoriedad en los resultados de un evento.

Página | 4
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

MARCO TEORICO

ESTADÍSTICA

Es la rama de las matemáticas que estudia la variabilidad, así como el proceso aleatorio que
la genera siguiendo leyes de probabilidad. Como parte de la matemática, la estadística es
una ciencia formal deductiva, con un conocimiento propio, dinámico y en continuo
desarrollo obtenido a través del método científico formal. En ocasiones, las ciencias
fácticas necesitan utilizar técnicas estadísticas durante su proceso de investigación factual,
con el fin de obtener nuevos conocimientos basados en la experimentación y en la
observación. En estos casos, la aplicación de la estadística permite el análisis
de datos provenientes de una muestra representativa, que busca explicar las correlaciones y
dependencias de un fenómeno físico o natural, de ocurrencia en
forma aleatoria o condicional.
La estadística se divide en dos grandes áreas:

 Estadística descriptiva: Se dedica a la descripción, visualización y resumen de datos

originados a partir de los fenómenos de estudio. Los datos pueden ser
resumidos numérico gráficamente. Su objetivo es organizar y describir las características
sobre un conjunto de datos con el propósito de facilitar su aplicación, generalmente con
el apoyo de gráficas, tablas o medidas numéricas.
o Ejemplos básicos de parámetros estadísticos son: la media y la desviación estándar.
o Ejemplos gráficos son: histograma, pirámide poblacional, gráfico circular, entre
otros.

 Estadística inferencial: Se dedica a la generación de los modelos, inferencias y

predicciones asociadas a los fenómenos en cuestión teniendo en cuenta la aleatoriedad de
las observaciones. Se usa para modelar patrones en los datos y extraer inferencias acerca
de la población bajo estudio. Estas inferencias pueden tomar la forma de respuestas a
preguntas sí/no (prueba de hipótesis), estimaciones de unas características numéricas
(estimación), pronósticos de futuras observaciones, descripciones de asociación
(correlación) o modelamiento de relaciones entre variables (análisis de regresión). Otras
técnicas de modelamiento incluyen análisis de varianza, series de tiempo y minería de
datos. Su objetivo es obtener conclusiones útiles para lograr hacer deducciones acerca de
la totalidad de todas las observaciones hechas, basándose en la información numérica.

PROBABILIDAD

La probabilidad de un suceso es un número comprendido entre 0 y 1, que indica las

posibilidades que tiene de verificarse cuando se realiza un experimento aleatorio. Dentro de
la probabilidad encontramos 2 clases de experimentos que son los Deterministas y Aleatorios.

Página | 5
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

 Los experimentos deterministas son los experimentos que podemos predecir el

resultado antes de que se realicen
 los experimentos aleatorios son aquellos que no podemos predecir el resultado, ya
que dependen del azar.
La Teoría de Probabilidades se ocupa de asignar aún cierto número a cada posible resultado
que pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y
saber si un proceso es más probable que otro. Axiomas de la Probabilidad - La probabilidad
es positiva y menor o igual que 1. - La probabilidad del suceso seguro es 1. - Si A y B son
incompatibles, es decir entonces: Propiedades de la Probabilidad - La suma de las
probabilidades de un suceso y su contrario vale 1, por tanto, la probabilidad del suceso
contrario es: - Probabilidad del suceso imposible es cero.

ALEATORIEDAD
Aleatoriedad se asocia a todo proceso cuyo resultado no es previsible más que en razón de la
intervención del azar; un ejemplo muy sencillo de un evento aleatorio es el lanzamiento de
dados. El resultado de todo suceso aleatorio no puede determinarse en ningún caso antes de
que este se produzca. El estudio de los fenómenos aleatorios queda dentro del ámbito de la
teoría de la probabilidad y, en un marco más amplio, en el de la estadística.

EXPERIMENTOS ALEATORIOS
En teoría de la probabilidad un experimento aleatorio es aquel que, bajo el mismo conjunto
aparente de condiciones iniciales, puede presentar resultados diferentes, es decir, no se puede
predecir o reproducir el resultado exacto de cada experiencia particular. Un punto clave de
la teoría de la probabilidad es que los resultados de un fenómeno aleatorio tienen una
distribución de probabilidad bien definida. El lanzamiento de un dado real se aproxima
mucho a buen ejemplo de experimento aleatorio. El resultado de dicho lanzamiento se
contrapone a un fenómeno determinista previsible, donde es posible conocer todos los
factores condicionantes de un experimento predecir bastante exactamente el resultado del
mismo. Si bien el lanzamiento de un dado es proceso físico determinista, en condiciones
prácticas es difícil observar los factores condicionantes o incluso calcular la trayectoria real
porque es altamente caótica. Esto contrasta típicamente con un experimento determinista,
previsible y no caótico. Por ejemplo, conociendo la altura desde la que se arroja un móvil es
posible saber exactamente el tiempo que tardará en llegar al suelo en condiciones de vacío.
Sin embargo, una colección de eventos estadísticos, puede ser tratada como un fenómeno
determinista en estadística. Por ejemplo, lanzando un dado de seis caras seiscientas veces, el
resultado para cada una de las caras del mismo será aproximadamente cien.

Página | 6
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

CÁLCULOS Y ANÁLISIS DE LOS RESULTADOS

Tabla N1

Evento Unos Seis Puntaje Puntaje Evento Unos Seis Puntaje Puntaje Evento Unos Seis Puntaje Puntaje Evento Unos Seis Puntaje Puntaje
(1) (6) Dado Total (1) (6) Dado total (1) (6) Dado total (1) (6) Dado Total
color color color color

1 0 0 5 10 26 1 2 6 13 51 0 0 4 13 76 0 0 2 8
2 1 0 1 11 27 1 1 6 9 52 0 1 6 13 77 1 1 6 11
3 0 2 6 16 28 0 0 5 11 53 0 0 5 12 78 0 1 3 14
4 0 0 3 13 29 1 1 2 9 54 0 1 3 13 79 0 2 6 14
5 1 1 2 9 30 0 0 3 8 55 2 0 3 5 80 0 0 3 11
6 1 0 2 7 31 1 1 1 11 56 0 1 2 13 81 0 1 3 11
7 1 1 6 9 32 0 1 6 10 57 1 2 1 13 82 0 0 3 10
8 0 0 2 8 33 0 1 2 10 58 0 1 2 10 83 0 1 3 14
9 1 1 3 10 34 0 0 3 13 59 1 0 3 9 84 0 0 4 10
10 1 0 4 9 35 0 0 2 11 60 0 2 6 16 85 0 1 5 15
11 0 0 2 8 36 0 1 2 10 61 1 1 6 11 86 1 0 1 5
12 0 0 4 12 37 1 1 1 11 62 2 1 1 8 87 0 0 2 12
13 0 1 6 13 38 0 0 5 12 63 0 0 4 12 88 1 0 4 9
14 1 1 6 12 39 1 0 1 9 64 0 2 6 16 89 1 1 4 11
15 0 0 4 11 40 0 2 6 17 65 0 0 5 10 90 0 1 5 14
16 0 1 3 13 41 0 2 6 16 66 1 0 1 7 91 1 0 5 8
17 1 0 1 8 42 1 0 1 8 67 0 0 2 7 92 1 1 1 11
18 0 0 3 12 43 0 2 6 17 68 0 1 6 12 93 1 0 1 8
19 1 0 1 8 44 1 0 1 7 69 0 0 2 6 94 1 0 4 8
20 0 0 4 9 45 0 1 2 10 70 0 0 5 11 95 2 0 4 6
21 0 0 3 7 46 0 0 4 10 71 0 0 2 8 96 1 0 1 7
22 0 1 2 10 47 0 1 4 14 72 0 1 5 14 97 0 0 5 12
23 1 1 6 12 48 0 1 3 12 73 0 1 3 13 98 0 0 4 13
24 0 1 2 11 49 1 1 3 10 74 0 1 2 13 99 0 0 2 9
25 0 0 2 11 50 1 0 4 8 75 0 0 2 7 100 1 0 4 10

Página | 7
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

Tabla N 2.1

Observaciones por grupo

Cara Total Frecuencia Frecuencia
G1 G2 G3 G4 Experimental Teórica
1 17 16 15 16 64 64 66,66
2 15 12 22 12 61 61 66,66
3 22 16 18 15 71 71 66,66
4 11 15 16 20 61 61 66,66
5 21 18 11 21 71 71 66,66
6 14 23 18 16 71 71 66,66
Totales 100 100 100 100 400 400

La frecuencia teórica resulta de la probabilidad que salgan los números según la teoría, como
todos tienen la misma probabilidad, es decir, 0,1666 entonces se multiplica por 400.

R= 0.1666 * 400 = 66,66

Página | 8
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

Tabla N2.2

Observaciones
ítems Por grupo Total Frecuencia Frecuencia Probabilidad Probabilidad
G1 G2 G3 G4 Experimental Teórica Teórica Teórica
1 X x X x 0 0 0 0
2 X X X X 0 0 0 0 0
3 X X X X 0 0 1,85 0 0,0046
4 1 1 X 2 4 4 5,55 0,01 0,0138
5 X 3 2 3 9 9 11,11 0,0225 0,0277
6 6 4 2 1 13 13 16,51 0,0325 0,0463
7 7 2 7 6 23 23 27,77 0,0575 0,0694
8 11 8 13 8 40 40 38,88 0,1 0,0972
9 11 12 10 12 45 45 46,29 0,1125 0,1157
10 10 13 14 10 47 47 50 0,1175 0,125
11 7 16 15 10 48 48 50 0,12 0,125
12 18 9 11 11 48 48 46,29 0,12 0,1157
13 15 11 13 19 57 57 38,88 0,1425 0,0992
14 7 10 6 6 29 29 27,77 0,0725 0,094
15 2 6 1 6 15 15 18,51 0,0375 0,0463
16 3 3 4 2 12 12 11,11 0,03 0,0277
17 1 1 2 3 7 7 5,55 0,0175 0,0138
18 1 1 X 1 3 3 1,85 0,0075 0,0046
Totales 100 100 100 100 400 400
FT = frecuencia teórica 27
FT10 =(216) ∗ 400 = 50
FT1 = 0 27
FT11 =(216) ∗ 400 = 50
FT2 = 0
25
1 FT12 =(216) ∗ 400 = 46,29
FT3 = (216) ∗ 400 = 1,85
21
3 FT13 =(216) ∗ 400 = 38,88
FT4 = ( ) ∗ 400 = 5,55
216
15
6 FT14 = (216) ∗ 400 = 27,77
FT5= (216) ∗ 400 = 11,11
10
10 FT15 = (216) ∗ 400 = 18,51
FT6 =(216) ∗ 400 = 18,51
6
15 FT16 = (216) ∗ 400 = 11,11
FT7 =(216) ∗ 400 = 27,77
3
21 FT17 = ( )∗ 400 = 5,55
216
FT8 =(216) ∗ 400 = 38,88
1
25 FT18 = (216) ∗ 400 = 1,85
FT9 =(216) ∗ 400 = 46,29

Página | 9
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

Tabla N3

Número de veces que ocurre 1 Número de veces que ocurre 6

Grupos
0 1 2 3 0 1 2 3

1 60 34 6 0 56 35 8 1
2 65 27 8 0 53 39 7 1
3 63 34 3 0 53 38 9 0
4 61 33 6 0 56 34 9 1
Totales 149 128 23 0 228 146 32 3
Probabilidad 0,62 0,32 0,057 0 0,57 0,36 0,082 0,007
Experimental
Probabilidad Teórica 0,60 0,34 0,054 0,003 0,54 0,39 0,074 0,0082

PE = probabilidad experimental Número de veces que ocurre 6

Número de veces que ocurre 1 228

PE(0) = (400) = 0,57
PE(0) = 0,6225 146
PE(1) = (400) = 0,365
249
PE(0) = (400) = 0,6225
33
PE(2) = ( ) = 0,082
400
128
PE(1) = (400) = 0,32
3
PE(3) = ( ) = 0,0075
400
23
PE(2) = (400) = 0,057

0
PE(3) = ( ) =0
400

Página | 10
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

Tabla N4

Frecuencia
Cara del Experimental
dado de
color G1 G2 G3 G4 Total Frecuencia Frecuencia Probabilidad Probabilidad
diferente Experimental Teórica Experimental Teórica
1 17 16 15 16 64 64 66,66 0,16 0,16
2 15 12 22 12 61 61 66,66 0,152 0,16
3 22 16 18 15 71 71 66,66 0,1775 0,16
4 11 15 16 20 61 61 66,66 0,152 0,16
5 21 1 11 21 71 71 66,66 0,1775 0,16
6 14 23 18 16 71 71 66,66 0,1775 0,16
Totales 100 100 100 100 100

PT = Probabilidad Teórica

PE = Probabilidad Experimental

FT = Frecuencia Teórica

FT = 0,16666 * 400= 66,66

66,66
PT = ( ) = 0,166665
400

64
PE(1) = (400) = 0,16

61
PE(2) = (400) = 0,152

71
PE(3) = (400) = 0,1775

61
PE(4) = ( ) = 0,152
400

71
PE(5) = (400) = 0,1775

71
PE(6) = (400) = 0,1775

Análisis General

Se puede apreciar que los datos encontrados en las diferentes pruebas aleatorias son diferentes
debido a que estos son tratados con fórmulas y cálculos para la demostración de la aproximación
en la realidad del experimento pero no es contundente que el resultado a recibir sea igual o el
mismo

Página | 11
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

ANÁLISIS DE LAS PREGUNTAS

1. ¿Por qué es necesario utilizar un agitador en el experimento?

Respuesta: es necesario utilizar un agitador para que los dados arrojen resultados
aleatorios, es decir evitar que se repita siempre el mismo resultado.

2. ¿Qué sucedería si se utilizase dados cargados?

Repuesta: al utilizar dados cargados el resultado podría ser manipulable, y para poder
realizar el experimento con éxito es necesario que los datos obtenidos deben ser de
forma aleatoria.

Página | 12
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

3. ¿Si son evidentes las diferencias entre los resultados teóricos esperados y los
resultados experimentales, a que obedecen estas?
Repuesta: las diferencias son bástate significativa ya que a pesar de ser una
aproximación a la realidad estos no son prueba suficiente de que el resultado esperado
va a ser el mismo.

4. ¿Cuál es la probabilidad teórica de que lanzar 3 dados al tiempo el resultado sea

mayor que 10 y menor que 15
Respuesta:
𝑃(10 < 𝑋 < 15) = 𝑃(𝑋 = 11) + 𝑃(𝑋 = 12) + 𝑃(𝑋 = 13) + 𝑃(𝑋 = 14)
𝑃(10 < 𝑋 < 15) = 0,125 + 0,115 + 0,097 + 0,069
𝑃(10 < 𝑋 < 15) = 0,406 ≈ 40.6%

5. ¿Qué conclusiones y recomendaciones se pueden hacer de la experiencia?

Respuesta:

CONCLUSIÓN

Al finalizar la experiencia de laboratorio se evidencia la importancia que tiene los cálculos

probabilísticos en eventos cotidianos, en este caso en la simulación de un evento
empresarial ya que permite predecir el comportamiento secuencial de los resultados de ese
evento; así mismo se lograron cumplir con los objetivos descritos al inicio del documentos,
sabiendo que la probabilidad es una estrategia mediante la cual se estima la frecuencia con

Página | 13
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

la que se obtiene un resultado en una experiencia, dicho de otra forma ayuda a predecir
todos los resultados posibles.

BIBLIOGRAFÍA

 Humberto Gutiérrez pulido, R. d. (s.f.). Estadistico de la calidad y seis sigma.

Obtenido de http://www.vitutor.com/pro/2/a_8.htmlcontrol
 Myers, w. (s.f.). Aprobabilidad y estadística . Obtenido de
http://bellman.ciencias.uniovi.es/estadistica2/estadistica2_archivos/ajuste.pdf

Página | 14
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE GESTIÓN INDUSTRIAL, AGROINDUSTRIAL Y DE
OPERACIONES
PROGRAMA DE INGENIERÍA INDUSTRIAL

 Wikipedia . (3 de Agosto de 2009). Obtenido de

https://es.wikipedia.org/wiki/Estad%C3%ADstica

Página | 15