Laboratorio 2

2023-2

Parte Dirigida
Problema 1

La Tienda de electrodoméstico EUREKA tiene interés en conocer la rotación de sus productos por línea (blanca, marrón y pequeña), para ello ha
obtenido el tiempo de stock en días de los productos de todas sus sucursales, el tiempo de stock viene a ser el tiempo en que el producto se
encuentra en la sucursal desde que llega hasta que es vendido. Suponga que los tiempos por línea (blanca, marrón y pequeña respectivamente)
siguen una distribución normal multivariada con vector de medias y matriz varianza - covarianza

30.54 2.5 3.5 −2.75

⎡ ⎤ ⎡ ⎤

μ = ⎢ 15.23 ⎥ , Σ = ⎢ 3.5 6.5 −5.25 ⎥ .

⎣ ⎦ ⎣ ⎦
10.14 −2.75 −5.25 5.5

Z1 = tiempo de stock de la línea blanca

Z2 = tiempo de stock de la línea marrón

Z3 = tiempo de stock de la línea pequeña

a. Determine la probabilidad que, para la línea blanca, el tiempo de stock de las sucursales sea menor al 90% de su valor esperado.

Z1 ∼ N (30.54, 2.5)

P (Z1 < 0.9 ∗ 30.54) = P (Z1 < 27.486) = 0.0267

La probabilidad que, para la línea blanca, el tiempo de stock de las sucursales sea menor al 90% de su valor esperado es de 0.0267.

Los calculos se han realizado en R

pnorm(27.486,30.54,sqrt(2.5))

## [1] 0.02670944

b. Si el costo por día del stock depende del tipo de electrodoméstico, siendo los siguientes:

Línea Costo (S/) por día

Línea Blanca 10.2

Línea Marrón 5.7

Línea Pequeña 2.4

Determine la probabilidad que este Costo sea menor a 400 soles. Interprete los resultados

C (Z1 , Z2 , Z3 ) = C = 10.2Z1 + 5.7Z2 + 2.4Z3

Z1
⎡ ⎤

= [10.2, 5.7, 2.4] ⎢ Z2 ⎥

⎣ ⎦
Z3

Donde

C ∼ N (μC , ΣC )

$$

μz 1
⎡ ⎤

μC = [10.2, 5.7, 2.4] ⎢ μ 2 ⎥

z

⎣ ⎦
μz 3

30.54
⎡ ⎤

= [10.2, 5.7, 2.4] ⎢ 15.23 ⎥

⎣ ⎦
10.14

= 422.655

$$

$$

2.5 3.5 −2.75 10.2

⎡ ⎤⎡ ⎤

ΣC = [10.2, 5.7, 2.4] ⎢ 3.5 6.5 −5.25 ⎥ ⎢ 5.7 ⎥ = 631.665

⎣ ⎦⎣ ⎦
−2.75 −5.25 5.5 2.4

$$

Los calculos se han realizado en R

 mu = c(30.54,15.23,10.14)
sigma = matrix(c(2.5,3.5,-2.75,3.5,6.5,-5.25,-2.75,-5.25,5.5),3,3)
A=t(c(10.2,5.7,2.4))
b=0
C.mu=A%*%mu+b
C.mu

## [,1]
## [1,] 422.655

C.sigma=A%*%sigma%*%t(A)
C.sigma

## [,1]
## [1,] 631.665

Luego se pide

P (C < 400) = 0.1836

pnorm(400,C.mu,sqrt(C.sigma))

## [1] 0.1836861

La probabilidad que este Costo sea menor a 400 soles es de 0.1836

c. Determine el valor esperado y la desviación estándar del tiempo de stock para la línea pequeña si se sabe que el tiempo de stock de la
línea blanca es de 35 días y de la línea marrón es de 18 días.

⊤ −1
E(Z3 ∣ Z1 = 35, Z2 = 18) = μ3 + Σ Σ (x12 − μ12 )
12,3 12

−1
2.5 3.5 35 30.54
E(Z3 ∣ Z1 = 35, Z2 = 18) = 10.14 + [−2.75, −5.25][ ] ([ ] − [ ])
3.5 6.5 18 15.23

= 8.27375

El valor esperado del tiempo de stock para la línea pequeña cuando se sabe que el tiempo de stock de la línea blanca es de 35 días y de la línea
marrón es de 18 días, es de 8.27375 días

El cálculo de E(Z3 ∣ Z1 = 35, Z2 = 18) se ha realizado en R

mu = c(30.54,15.23,10.14)
sigma = matrix(c(2.5,3.5,-2.75,3.5,6.5,-5.25,-2.75,-5.25,5.5),3,3)

#Esperanza de c sabiendo que a = 35, b = 18

e=10.14+t(sigma[3,1:2])%*%solve(sigma[1:2,1:2])%*%c(4.46,2.77)
e

## [,1]
## [1,] 8.27375

Ahora la desviavión estandar, para ello hallaremos la varianza:

⊤ −1
V (Z3 ∣ Z1 = 35, Z2 = 18) = Σ3,3 − Σ Σ Σ12,3
12,3 12

−1
2.5 3.5 −2.75
V (Z3 ∣ Z1 = 35, Z2 = 18) = 5.5 − [−2.75, −5.25][ ] [ ]
3.5 6.5 −5.25

= 1.25

La varianza del tiempo de stock para la línea pequeña cuando se sabe que el tiempo de stock de la línea blanca es de 35 días y de la línea
marrón es de 18 días, es de 1.25 días

Por lo tanto la desviación estandar es de 1.118034 días

El cálculo de V (Z3 ∣ Z1 = 35, Z2 = 18) se ha realizado en R

mu = c(30.54,15.23,10.14)
sigma = matrix(c(2.5,3.5,-2.75,3.5,6.5,-5.25,-2.75,-5.25,5.5),3,3)

#Varianza de Z_3 sabiendo que Z_1 = 35, Z_2 = 18

var=sigma[3,3]-t(sigma[3,1:2])%*%solve(sigma[1:2,1:2])%*%sigma[3,1:2]
var

## [,1]
## [1,] 1.25

#desviación de Z_3 sabiendo que Z_1 = 35, Z_2 = 18

desv=sqrt(var)
desv
 ## [,1]
## [1,] 1.118034

Problema 2

La Tienda de electrodomésticos EUREKA conoce que el uso de tarjeta de crédito por parte de sus clientes en las compras de ofertas en todas sus
sucursales tiene las siguientes proporciones:

Venta Línea Blanca Línea Marrón Línea Pequeña

Con Tarjeta 34% 21% 11%

Sin Tarjeta 16% 14% 4%

a. Para un día en el que se tienen 2500 ventas, defina el vector aleatorio que representaría a las cantidades de ventas realizadas por cada
línea con y sin tarjeta . Luego indique la distribución y parámetros

X1 = cantidad de ventas realizadas de la línea blanca con tarjeta

X2 = cantidad de ventas realizadas de la línea blanca sin tarjeta

X3 = cantidad de ventas realizadas de la línea marrón con tarjeta

X4 = cantidad de ventas realizadas de la línea marrón sin tarjeta

X5 = cantidad de ventas realizadas de la línea pequeña con tarjeta

X6 = cantidad de ventas realizadas de la línea pequeña sin tarjeta

⊤
(X 1 , X 2 , X 3 , X 4 , X 5 , X 6 ) ∼ M ul(n = 2500; p1 = 0.34, p2 = 0.16, p3 = 0.21, p4 = 0.14, p5 = 0.11, p6 = 0.04)

b. Con la información de a), determine la probabilidad que 800 son de línea blanca con tarjeta, 400 son de línea blanca sin tarjeta, 550 son de
línea marón con tarjeta, 350 son de línea marón sin tarjeta, 300 son de línea pequeña con tarjeta y 100 son de línea pequeña sin tarjeta.

2500! 800 400 550 350 300 100

P (X1 = 800, X2 = 400, X3 = 550, X4 = 350, X5 = 300, X6 = 100) = 0.34 0.16 0.21 0.141 0.11 0.04
800!400!550!350!300!100!

La probabilidad que de 2500 ventas 800 sean de línea blanca con tarjeta, 400 sean de línea blanca sin tarjeta, 550 sean de línea marrón con
tarjeta, 350 sean de línea marón sin tarjeta, 300 sean de línea pequeña con tarjeta y 100 sean de línea pequeña sin tarjeta es de 4.831886e-10.

Los calculos se han realizado en R

#tenemos el valor de n (número total de experimentos)

n <- 2500

#creamos el vector de probabilidades

Px <- c(0.34, 0.16, 0.21,0.14,0.11,0.04)

#creamos el vector donde será evaluado

x <- c(800, 400, 550, 350, 300, 100)

#llamamos a la función de probabilidad de la multinomial.

dmultinom(x, n, Px)

## [1] 4.831886e-10

c. Si un día se tiene 3000 ventas, determinar la probabilidad de venderse más de 100 artefactos de línea pequeña sin tarjeta.

X6 ∼ B(n = 3000; p6 = 0.04)

P (X6 > 100) = 0.9680

La probabilidad de que en un día de 3000 ventas se velogre vender más de 100 artefactos de línea pequeña sin tarjeta es de 0.9680.

Los calculos se han realizado en R

n <- 3000
1-pbinom(100, n, 0.04)

## [1] 0.9680411

d. Si un día se tiene 4200 ventas, determinar la probabilidad de que se venda un máximo de 1500 artefactos de línea marrón.

Definimos a Y como la cantidad de ventas realizadas de la línea marrón, entonces

Y = X3 + X4

Y ∼ B(n = 4200; py = 0.21 + 0.14)

Y ∼ B(n = 4200; py = 0.35)

P (Y < 1500) = 0.8381

La probabilidad de en un día que tiene 4200 ventas, se venda un máximo de 1500 artefactos de línea marrón es de 0.8381.

Los calculos se han realizado en R

 n <- 4200
pbinom(1500, n, 0.35)

## [1] 0.8381161

La Tienda de electrodomésticos EUREKA realiza un estudio en su sucursal PLAZAMOCHE, obteniendo los resultados que se encuentran en el
archivo PLAZAMOCHE.csv

e. (Tema a no ser evaluado en la parte calificada) El Gerente de la sucursal PLAZAMOCHE afirma que los porcentajes de uso de tarjetas y
línea son similares a los de todas las sucursales juntas. Determine si eso es cierto. Utilice un nivel de significación de alfa de 0.05.
Interprete los resultados

⊤
(X 1 , X 2 , X 3 , X 4 , X 5 , X 6 ) ∼ M ul(n; p1M , p2M , p3M , p4M , p5M , p6M )

Definimos la hipótesis nula

0
H0 : p1M = 0.34, p2M = 0.16, p3M = 0.21, p4M = 0.14, p5M = 0.11, p6M = 0.04 vs H1 : ∃i / pi ≠ p
i

El estadistico

k 0 2
(x i − E )
i 2
u0 = ∑ > χ (k − 1)
1−α
0
j=1
E
i

data = read.csv("PLAZAMOCHE.csv")
data$Linea = factor(data$Linea, c("Linea Blanca", "Linea Marron" ,"Linea Pequena"))
data$Uso = factor(data$Uso, c("Con_tarjeta", "Sin_tarjeta"))

tabla = table(data$Uso,data$Linea)
tabla

##
## Linea Blanca Linea Marron Linea Pequena
## Con_tarjeta 359 146 225
## Sin_tarjeta 109 101 60

prop.table(tabla)

##
## Linea Blanca Linea Marron Linea Pequena
## Con_tarjeta 0.359 0.146 0.225
## Sin_tarjeta 0.109 0.101 0.060

f=as.vector(c(tabla[1,1:3],tabla[2,1:3]))
f

## [1] 359 146 225 109 101 60

p0 = c(0.34, 0.21, 0.11,

0.16, 0.14, 0.04)
chisq.test(x = f, p = p0)

##
## Chi-squared test for given probabilities
##
## data: f
## X-squared = 177.91, df = 5, p-value < 2.2e-16

Dado que el pvalue (2.2e-16) es menor a 0.05, existe evidencia estadística suficiente para rechazar H0 (que las proporciones de uso de tarjetas
en PlazaMoche son similares a los de todas las sucursales juntas) en favor de H1 y por lo tanto el gerente de la sucuarsal PlazaMoche no tiene
razón.

f. (Tema a no ser evaluado en la parte calificada)Para la sucursal PLAZAMOCHE, a un nivel de confianza del 95% ¿Se puede asegurar que
las ventas de línea blanca sin tarjeta son superiores a los de línea marrón sin tarjeta?

pObs = prop.table(f)
z=qnorm(0.975)
n = length(data$Linea)

c(pObs[4]-pObs[5] - z*sqrt((pObs[4]*(1-pObs[4]) + pObs[5]*(1-pObs[5]) + 2*pObs[4]*pObs[5])/n),

pObs[4]-pObs[5] + z*sqrt((pObs[4]*(1-pObs[4]) + pObs[5]*(1-pObs[5]) + 2*pObs[4]*pObs[5])/n))

## [1] -0.02039825 0.03639825

IC al 95% para p2−p4: [-0.02039825 , 0.03639825] (no existen diferencias, incluye el cero)

Se puede concluir que a un nivel de al menos 95% no es posible garantizar que las ventas de línea blanca sin tarjeta son superiores a los de línea
marrón sin tarjeta, esto debido a que nose han ubicado diferencias significativas entre p2 y p4.