Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD Y ESTADÍSTICA
Instructores
Msc. José Marchan
Msc. Diógenes Suárez
INTRODUCCIÓN
2
OBJETIVOS
OBJETIVO GENERAL
Al finalizar el curso, los estudiantes estarán en capacidad de realizar
aplicaciones estadísticas para resolver situaciones cuyos resultados
orienten hacia una mejor toma de decisiones en el ámbito gerencial en
diferentes escenarios: Finanzas, Producción, Recursos Humanos…
3
OBJETIVOS
OBJETIVOS ESPECÍFICOS
4
CONTENIDO PROGRAMÁTICO
5
CONTENIDO PROGRAMÁTICO
6
EVALUACION
PONDERACION
ASPECTO (%)
Asistencia y Puntualidad. 10
Evaluaciones escritas. 25
7
PROCESAMIENTO ESTADÍSTICO
Media o Promedio
Mediana
Desviación Estándar
Asimetría
Continuas
Otras
Exponencial Toma de
Poisson Normal Decisión
Distribución de Probabilidad Hipergeométrica
Estimación Puntual y por Intervalos
Binomial
Recomendación
Racional
Racional
Nula
Prueba
ModelosdedeHipótesis
Comportamiento
Alternativa
Estadística No Paramétrica
Simples-Múltiples
Lineales-No Lineales
Sistema Abierto
8
PASOS DE INVESTIGACIÓN ESTADÍSTICA
General
Objetivos Específicos
Referencial (Opcional)
Marco Teórico
Conceptual
Marco Metodológico
Análisis de Resultados
Conclusiones.
Anexos
9
PROBABILIDAD Y ESTADÍSTICA
90
q Revisar 80
70
q Planificar 60
50 Este
40 Oeste
q Controlar 30 Norte
20
10
0
1er trim. 2do trim. 3er trim. 4to trim.
10
MEDIDAS DESCRIPTIVAS
Media (X )
Medida de posición con tendencia central
n
Xi
X i 1
Para datos no Agrupados
n
X
mi f i Para datos Agrupados
n
Donde:
LRi LRs
mi : Marca de clase mi
2
fi : Frecuencia de Clase
n : Número de datos
11
MEDIDAS DESCRIPTIVAS
Mediana (MD)
MD = Valor Central
12
MEDIDAS DESCRIPTIVAS
Rango
Ancho del Intervalo ( C ) C
Nde clase
13
MEDIDAS DESCRIPTIVAS
CRITERIOS SUGERIDOS
Ejemplo:
Siempre se aconseja que el TEF se incremente pero que los costos
disminuyan.
14
MEDIDAS DESCRIPTIVAS
Variancia (S2)
n 2
(Xi X )
S 2 i 1 Para datos no Agrupados
n 1
2
2 ( mi fi )
i i
( m f ) Para datos agrupados
2
S n
n 1
15
MEDIDAS DESCRIPTIVAS
Desviación Estándar (S)
Es la Raíz Cuadrada de la Variancia
Es una medida de variabilidad en forma lineal.
Ejemplo:
La variabilidad del Tiempo Entre Fallas es de ± 5 horas
S
Coeficiente de Variación (V) V 100
X
16
MEDIDAS DESCRIPTIVAS
Kurtosis. (K)
Donde:
Mide el grado de Q3 Q1 Q3: Cuartil 3
concentración o dispersión
del conjunto de dados K 2 Q1: Cuartil 1
D9: Decil 9
procesados. D9 D1
Di: Decil 1
CRITERIOS SUGERIDOS
17
MEDIDAS DESCRIPTIVAS
CUARTILES
Segmenta la información en cuatro partes iguales, cada fracción
representa el 25% de la información procesada
Ejemplo:
El 25% de los equipos han presentado fallas después de 800
horas de operación.
3 9
n FA ant. Q3 n FA ant. D9
Q3 LR i 4 C D9 LR i 10 C
f Q3 f D9
n n
FA ant. Q1 FA ant. D1
Q1 LR i 4 C D1 LR i 10 C
f Q1 f D1
18
MEDIDAS DESCRIPTIVAS
DECILES
Segmenta la información en diez partes iguales, cada fracción
representa el 10% de la información procesada.
Ejemplo:
El 10% de los equipos han presentado fallas después de 500
horas de operación.
n 9
FA ant. D1 n F A ant. D9
10
D1 LR i 10 C D9 LR i
f D9
C
f D1
19
EJERCICIO DE MEDIDAS DESCRIPTIVAS
Su grupo de trabajo ha sido seleccionado para presentar un informe
comparativo de dos escenarios financieros A y B en base a Estadística
Descriptiva. Las tablas anexas contienen montos de créditos personales
expresados en miles de bolívares fuertes
1001 1439 1799 1805 1888 2193 2879 2900 1079 1100 1448 1801 2176 2362 2880 3210
1065 1439 1440 2159 1983 2169 2879 2767 1065 1095 1490 1801 2182 2590 2900 3600
1075 1450 1443 2159 1886 2168 2691 3240 1049 1439 1799 2100 2160 2799 3239 3240
1079 1110 1799 2050 1802 2452 2883 3200 720 1300 1600 2050 2182 2530 3100 1059
720 1080 1446 2050 1805 2519 2880 2880 1080 1500 2090 2400 2692 3190
795 1190 1400 1800 2160 2153 2883 2900 1200 1440 1900 2300 2870 1126
954 1300 1497 1805 2166 2151 3239 3600 1499 1800 2366 2872
1085 1536 1894 2160 2536 3222 1780 1875 2170 2781
1290 1599 1908 2160 2594 3113 1679 2159 2160 2520
1081 1664 1935 2400 2772 2900 2149 2517
1400 1725 1920 2350 2691 2917 1800 2519
1339 1785 2000 2225 2878 2606 1809 2315
1350 1690 2150 2519 2879 2664 2071 2515
1450 1793 2048 2519 2871 2755 2515 2519 20
Solución para el Equipo A
Paso N° 1: Ordenar en forma creciente los Montos de los
créditos personales en Miles de Bolívares Fuertes
720 1664 2151 2691
795 1667 2153 2691
954 1690 2153 2755
1001 1725 2159 2767
1065 1785 2159 2772
1075 1790 2160 2871
1079 1793 2160
2878
1080 1799 2160
1081 2879
1799 2166
1085 2879
1800 2168
1110 1802 2169 2879
1190 1805 2174 2880
1290 1805 2187 2880
1300 1805 2193 2883
1339 1862 2225 2883
1350 1886 2350 2900
1400 1888 2400 2900
1400 1894 2452
1439 2900
1908 2456
1439 2917
1920 2516
1440 3113
1935 2518
1443 3200
1983 2519
1446 3222
2000 2519
1450 3239
2001 2519
1450
2048 2520 3240
1451
2050 2520 3600
1478
2050 2536
1497
1536 2066 2594 n = 114
1599 2122 2606
2150 2664 21
MEDIDAS DESCRIPTIVAS
Paso N° 2 Determinación del Rango
720 1664 2151 2691
795 1667 2153 2691
Rango = Vmáx – Vmín 954 1690 2153 2755
1001 1725 2159 2767
1065 1785 2159 2772
Rango = 3600 – 720 R = 2880 1075 1790 2160 2871
1079 1793 2160
2878
1080 1799 2160
1081 2879
1799 2166
1085 1800 2168 2879
22
MEDIDAS DESCRIPTIVAS
Paso N° 5 Determinación de los LRi , LRs , frecuencia de
2691
clase (fi), marca de clase (mi) y frecuencia 720
795
1664
1667
2151
2153 2691
acumulada (FA) para cada intervalo 954
1001
1690
1725
2153
2159
2755
2767
Tabla. Escenario A 1065
1075
1785
1790
2159
2160
2772
2871
1079 1793 2160
Frecuencia de Marca de Frecuencia 2878
1080 1799 2160
LRi a LRs clase (fi) clase mi fi Acumulada 2879
1081 1799 2166
Monto de Créditos Nº de Créditos (mi) (fA) 2879
1085 1800 2168
1110 1802 2169 2879
720 a 1080 7 900 6300 7 1190 2880
1805 2174
1290 1805 2187 2880
1080,1 a 1440,1 13 1260 16380 20 1300 1805 2193 2883
1339 1862 2225 2883
1350 1886 2350
1440 ,2 a 1800,2 19 1620 30780 39 2900
1400 1888 2400 2900
1400 1894 2452
1439 2900
1800,3 a 2160,3 26 1980 51480 65 1908 2456
2917
1439
1920 2516
1440 3113
1935 2518
2160,4 a 2520,4 19 2340 44460 84 1443
1983 2519
3200
1446 3222
2000 2519
1450 3239
2520,5 a 2880,5 16 2700 43200 100 1450
2001 2519
2048 2520 3240
1451
2050 2520 3600
2880,6 a 3240,6 12 3060 36720 112 1478
1497 2050 2536
1536 2066 2594
3240,7 a 3600,7 2 3420 6840 114 1599 2122 2606
2150 2664
114 236160
23
MEDIDAS DESCRIPTIVAS
Paso N° 6 Cálculo de la Media o Promedio
Tabla. Escenario A
Frecuencia Marca de Frecuencia
LRi a LRs de clase mi fi Acumulada
clase (fi) (mi) (fA)
m f
720 a 1080 7 900 6300 7
X i i
1080,1 a 1440,1 13 1260 16380 20
n 1440 ,2 a 1800,2 19 1620 30780 39
X
mi f i 236160
3240,7 a 3600,7
2 3420 6840
X 2071,5789
114
n 114
114 236160
24
MEDIDAS DESCRIPTIVAS
Paso N° 7 Cálculo de la mediana (MD)
Tabla. Escenario A
Frecuencia Marca de Frecuencia
LRi a LRs de clase mi fi Acumulada
clase (fi) (mi) (fA) LRi =1800
fMD =26
720 a 1080 7 900 6300 7
C = 360
1080,1 a 1440,1 13 1260 16380 20
MD = 2049,2308
1440 ,2 a 1800,2 19 1620 30780 39
X 2071,5789
MD = 2049,2308
26
MEDIDAS DESCRIPTIVAS
Paso N° 8 Cálculo de los Cuartiles (Q1 y Q3 )
n
f A ant. Q1 Ubicación del cuartil 1: (n/4) = 28,5
Q1 LR i 4 C
f Q1 Se debe cumplir que : fA n/4 39
Tabla. Escenario A
Frecuencia Marca de Frecuencia
LRi a LRs de clase (fi)
clase mi fi Acumulada LRi =1440
(mi) (fA)
fQ1 =19
720 a 1080 7 900 6300 7 C = 360
Tabla. Escenario A
Marca de Frecuencia
Frecuenci de
LRi a LRs
clase (fi)
clase mi fi Acumulada LRi =2520
(mi) (fA)
fQ3 =16
720 a 1080 7 900 6300 7 C = 360
Tabla. Escenario A
Frecuencia Marca de Frecuencia LRi =1080
LRi a LRs de clase mi fi Acumulada fD1 =13
clase (fi) (mi) (fA)
C = 360
720 a 1080 7 900 6300 7
D1 = 1201,8462
1080,1 a 1440,1 13 1260 16380 20 D1
1440 ,2 a 1800,2 19 1620 30780 39 Q1
1800,3 a 2160,3 26 1980 51480 65 MD
30
MEDIDAS DESCRIPTIVAS
Paso N° 10 Cálculo de la Kurtosis (K)
Q3 Q1 2553,75 1601,052
K
2 2 K 0,2712
D9 D1 2958 1201,8462
Casos:
31
Taller Nº 1
Su grupo de trabajo ha sido seleccionado para presentar un informe
comparativo de dos escenarios financieros A y B en base a Estadística
Descriptiva. La tabla anexa contiene los montos de créditos personales.
Escenario B
1079 1100 1448 1801 2176 2362 2880 3210
1065 1095 1490 1801 2182 2590 2900 3600
1049 1439 1799 2100 2160 2799 3239 3240
720 1300 1600 2050 2182 2530 3100 1059
1080 1500 2090 2400 2692 3190
1200 1440 1900 2300 2870 1126
1499 1800 2366 2872
1780 1875 2170 2781
1679 2159 2160 2520
2149 2517
1800 2519
1809 2315
2071 2515
2515 2519 32
ESTIMACIÓN DE FUTUROS COMPORTAMIENTOS DE VARIABLES
ADMINISTRATIVAS, CONTABLES, ECONÓMICAS, FINANCIERAS, DE
RECURSOS HUMANOS , ENTRE OTROS
GENERALIDADES
33
ESTIMACIÓN DE FUTUROS COMPORTAMIENTOS DE VARIABLES
ADMINISTRATIVAS, CONTABLES, ECONÓMICAS, FINANCIERAS, DE
RECURSOS HUMANOS, ENTRE OTROS
LINEAL
MODELOS DE COMPORTAMIENTO SIMPLES EXPONENCIAL
PARABÓLICO
LINEAL
MODELO DE COMPORTAMIENTO MÚLTIPLE EXPONENCIAL
34
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
MODELO PROBABILÍSTICO
Donde:
E(y/x) = a + bx + i E(y/x) : Valor esperado de la variable
dependiente dado que se tiene
E ( y / x) yˆ c conocimiento del comportamiento de
la variable independiente.
i=Error aleatorio
i yi yˆ c
Asumiendo que:
n
i 1
i 0
E ( y / x) yˆ c a bx
35
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
Coeficiente a
Tendencia de la variable de estudio o dependiente a valores Máximo y/o
Mínimo cuando la variable explicativa tiende a cifras muy pequeñas
(despreciables).
Si X tiende 0
tiende
y Valor Mínimo y/o Valor Máximo
lim y a
x 0
36
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
EXPRESIONES GRAFICAS
Modelo Modelo
Lógico No Lógico
Coeficiente b:
Expresa tendencia de la variable de estudio (dependiente) a
incrementarse o disminuir por aumento unitario de la variable
explicativa (independiente). Representa un coeficiente de
variabilidad. Coeficiente de regresión.
38
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
n xy ( x)( y )
b
n x 2 ( x) 2
a
y b x
n n
39
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
X Y X Y
Signo - : Señala relación negativa entre las variables. Sentido contrario, opuesto.
X Y X Y
40
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
Productividad Productividad
41
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
EJEMPLO:
Determine cual de los dos Modelos que se muestran a continuación
es lógico. ¿Qué información útil suministran estos modelos?
Analice su respuesta.
1) Producción (hrs) = 720 - 3,45 Adiestramiento (hrs)
2) Producción (hrs)= 310 +2,15 Adiestramiento (hrs)
42
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
Valor Mínimo
310
0 x
44
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
EJEMPLO DE APLICACIÓN:
Tomando en consideración los datos que a continuación se
muestran. Elaborar el diagrama de dispersión, justifique si el
modelo es lógico y determine el modelo.
Costo de Producción(CP) Costo de Mantenimiento(CM)
(millones) (millones)
75 8
85 12
80 9
70 6
60 4
50 7
65 10
80 12
105 14
115 16
45
MODELO DE COMPORTAMIENTO SIMPLE LINEAL
DIAGRAMA DE DISPERSIÓN
Tendencia
CP
Modelo Lógico
0 CM
Modelo CP = a + b CM
46
CÁLCULO DE LOS COEFICIENTES DEL MODELO
b
n xy ( x)( y )
a
y b x
n x 2 ( x) 2 n n
CP CM XY X2
Sustituyendo en las expresiones
75 8 600 64 correspondientes, se obtiene que:
60 4 240 16
50 7 350 49
65 10 650 100
80 12 960 144
Caso 1 Caso 2
Coeficiente de Correlación: ( R )
Prueba t
49
INDICADORES DEL MODELO
( yi yˆ c ) 2 ( yi yˆ c ) 2 y 2 a y b xy
S yx S yx
nk n2 n2
Donde:
n = Número de datos
k = Número de variables
50
EJEMPLO
Si a través del modelo se estiman $ 200.000 como costo de producción
y el registro real reseña $ 190000, las $ 10000 de diferencia será el Error
de Estimación alrededor del valor promedio determinado por el modelo
CP
10000
CP = a + b CM
200000
10000
CM
51
INDICADORES DEL MODELO
0% R 2 100%
52
INDICADORES DEL MODELO
Ejemplo
Si en el modelo :
Producción (hrs)= 310 + 2,15 Adiestramiento (hrs)
El R2 = 90% significa que el modelo tiende a explicar la variación
(cambios) o comportamiento de la Producción en un 90%, para la
muestra analizada . En base a las variaciones de las horas de
Adiestramiento. El margen de 10% se explican por otros factores no
incluidos en el modelo.
Interpretación:
Los cambios en las horas de Adiestramiento influyen en el
comportamiento de la Producción en un 90%. La diferencia o margen
de 10% será explicada por otros factores o variables explicativas no
consideras en el modelo.
53
INDICADORES DEL MODELO
Coeficiente de Correlación: ( R )
( x)( y )
xy
R n
2( x) 2 2 ( y )
2
x y
n n
R = + si b = +
Otra forma: R R 2
R = - si b = -
1 R 1
Ejemplo:
Si en el Modelo Anterior R = -0,9 indica que hay una estrecha relación
entre la Producción y las horas de Adiestramiento.
54
INDICADORES DEL MODELO
Prueba t
Si se tiene un modelo que cubra las expectativas en el escenario de
Mantenimiento Correctivo en función del número de horas promedio
utilizadas en el preventivo, surgen interrogantes tales como ¿ Qué
tan bueno es el modelo ? ¿ Qué margen de error o confiabilidad
tiene.? ¿Es posible usarlo para proyectar, en que tiempo se aplicaría
el mantenimiento preventivo. ?
55
INDICADORES DEL MODELO
56
INDICADORES DEL MODELO
Planteamiento de Hipótesis:
Criterios
( x) 2
2
Nota: t/2 se obtiene de la Tabla t
b x
tc n
y 2 a y b xy
R n2
Otra forma tc
n2 1 R2
57
INDICADORES DEL MODELO
Z Rechaza 0
Z Acepta 0 Z Rechaza 0
-t/2 0 t / 2
58
EJEMPLO DE APLICACIÓN
De la tabla que ha continuación se muestra, Determine e
Interprete los siguientes Coeficientes.
“a” y “b” del Modelo de Comportamiento Simple
Coeficiente de Determinación (R2)
Coeficiente de Correlación ( R )
Prueba t
Error Estándar de Estimación
Tome en consideración el siguiente modelo:
Producción = a + b Disponibilidad de equipos
Produccón (Toneladas) Disponibilidad de equipos
(Y) (minutos)
(X)
3 300
4 360
2 250
1 220
3 320
5 440
2 270
59
Solución
n XY ( X )( Y ) a
Y b X 2,66548
b 0,0178974
2
n X ( X ) 2 n n
( y ) 2
Cont.
a y b xy
Coeficiente de Determinación (R2) 2
R n 100 97,02%
2
( y )
y2
n
Interpretación:
Los cambios en la Disponibilidad de Equipos influyen en la Producción en
un 97,02%. La diferencia o margen de 2,98% será explicada por otros
factores o variables explicativas no consideradas en el modelo.
( x)( y )
xy
R n 0,985
Coeficiente de Correlación ( R ) 2 2
( x)
y2
( y)
x2
n n
61
Solución
( x) 2
2 Cont.
b x
tc n 73,97
Prueba t 2
y a y b xy
n2
Suponga una Confiabilidad de 95%
Margen de error = 5%
t/2 = 2,571
Criterios:
t t
Si t c α o - t c Existe relación lineal significativa
2 2 entre las dos variables.
y 2 a y b xy
Error Estándar de Estimación (EEE) EEE 0,254
n2
Señala el sesgo o error en proyección de futuro comportamiento
de la variable de estudio.
62
Taller Nº 3
De la tabla que ha continuación se muestra, Determine e Interprete
los siguientes Coeficientes.
“a” y “b” del Modelo de Comportamiento Simple
Coeficiente de Determinación (R2)
Coeficiente de Correlación ( R )
Prueba t
Error Estándar de Estimación
Tome en consideración el siguiente modelo:
Producción (Tn) = a + b Disponibilidad de equipos (min)
Producción (Toneladas) Disponibilidad de
(Y) equipos (minutos)
(X)
5,25 525
7 630
3,5 438
1,75 385
5,75 560
8,75 770
3,5 473
63
COMPORTAMIENTO EXPONENCIAL
MODELO EXPONENCIAL
yˆ c ae bx
ln y n ln a b x
Ecuaciones
x ln y ln a x b x 2
n x ln y x ln y ln y b x
b ln a
n x x n n
2 2
si ln a = K
ae k
64
INDICADORES DEL MODELO EXPONENCIAL
R
2 C
(Yˆ Y ) 2
COEFICIENTE DE DETERMINACIÓN
(Y Y )
i
2
COEFICIENTE DE CORRELACIÓN
R R 2 R = + si b = +
R = - si b = -
65
PRUEBA t
( x ) 2
b (X X ) 2 b x 2
n R n2
tc tc tc
(Y Yˆ )
C
2
(ln y)2 ln a ln y b x ln y 1 R2
nk n2
Criterios:
tα t Existe relación significativa entre
Si t c o - t c
2 2 las dos variables.
2 2
S yx
i c
( y ˆ
y ) i c
( y ˆ
y )
nk n2
66
ILUSTRACIÓN
ILUSTRACIÓN GRÁFICA
GRÁFICA
Modelo Lógico
yˆ c aebx
Producción (hrs)
0 Demoras (hrs)
yˆ c aebx
Producción (hrs)
350
0 Demoras (hrs)
67
Ejemplo de aplicación del Modelo Exponencial.
180 50
145 75
85 125
60 175
45 225
30 275
12 325
68
Ejemplo de aplicación del Modelo Exponencial.
DIAGRAMA DE DISPERSIÓN
Horas de Demoras
en producción
Tendencia Exponencial
Horas Efectivas
69
SOLUCIÓN
Horas de
Horas
Demoras en
Efectivas lnY XlnY X2
Producción
(X)
(Y)
180 50 5,19 259,5 2500
70
SOLUCIÓN
ln a
ln y b x 28,39
0,009
1250
n n 7 7
ln a 4,06 1,61 5,67
si ln a = K
5,67
ae 290,03
71
SOLUCIÓN
MODELO
bX
Yc ae
72
VALIDACIÓN DEL MODELO
Horas de Horas
Yi Yc Yi Yc
Demoras Efectivas Yc ae bX |Yi-Yc|
(Y) (X) Yc Yi
180 50 184,91 4,91 9,66% 2,73%
145 75 147,67 2,67 1,81% 1,84%
85 125 94,16 9,16 9,73% 10,78%
60 175 60,04 0,04 0,06% 0,07%
45 225 38,28 6,72 17,55% 14,93%
30 275 24,41 5,59 22,9% 18,63%
12 325 15,56 3,56 22,91% 29,67%
1250
Yi Yc
100 Error con respecto al estimado
VALIDACIÓN Yc
540 150
420 225
255 375
180 525
135 675
90 825
36 975
74
Comportamiento Parabólico
MODELO PARABÓLICO
E ( y / x) Yˆc a bx cx 2 i Probabilístico
Donde: C
c Cc
E(y/x) : Valor esperado de la variable
dependiente dado que se tiene
conocimiento del comportamiento de
la variable independiente.
Cp Cp
E ( y / x) Yˆc a bx cx 2 Determinístico
75
ECUACIONES PARA DETERMINAR a,b y c.
Pasos sugeridos:
n
i) Función Error Cuadrático: Z ( yi yˆ c ) 2 Yi : Valor real
i 1
Yc : Valor estimado o esperado
Z=(y-a-bx-cx2)2
76
ECUACIONES PARA DETERMINAR a,b y c.
Desarrollando queda:
y na b x c x 2 n=número de datos
xy a x b x 2 c x3
x 2 y a x 2 b x3 c x 4
77
Ejemplo de aplicación del Modelo Parabólico.
Diagrama de dispersión
2,000
Produccion
1,500
1,000 Serie1
500
-
- 2,000 4,000 6,000
Horas de Demoras
79
Ejemplo de aplicación del Modelo Parabólico.
2
Considere: y na b x c x
a = -160
2 3
b = 1,4577 xy a x b x c x
c = -0,00003 2 2 3 4
x y a x b x c x
¿Cuánto horas de Producción, serán necesarias, si ocurren
1000 horas de Demoras.?
ˆ
E ( y / x) Yc a bx cx 2
82
Modelo Múltiple Lineal.
E ( y x) yˆ c a b1x1 b2 x2
Pasos Sugeridos:
n
i) Función Error Cuadrático: Z ( yi yˆ c ) 2
i 1
Z ( y a b1x1 b2 x2 ) 2
83
Modelo Múltiple Lineal.
Cambios Parciales:
z
2 ( y a b1x1 b2 x2 )(1) 0
a
z
2 ( y a b1x1 b2 x2 )( x1 ) 0
b1
z
2 ( y a b1x1 b2 x2 )( x2 ) 0
b2
Desarrollando queda:
y na b1 x1 b2 x2 n=número de datos
x1 y a x1 b1 x12 b2 x1x2
x2 y a x2 b1 x1x2 b2 x2 2
84
Taller de aplicación del Modelo Múltiple Lineal.
y b x y b
n xy ( x)( y )
→ b xxy
a
n n
→ a n n x 2 ( x) 2 2
86
Modelo Simple Lineal en Función del tiempo
E 1500
F 1570
M 1490
A 1620
M 1700
J 1750
J 1860
87
Modelo Simple Lineal en Función del tiempo
2000
Tiempo de Operación (hr)
1800
1600
1400
1200
Tendencia Lineal
1000
800
600
400
200
0
E
0 F
2 M
4 A
6 8M J
10 12
J Meses
88
Modelo Simple Lineal en Función del tiempo
Nº de periodos Impar
Y X
Meses (Tiempo Entre Fallas) V. código x2 x*y
E 1500 -3 9 -4500
F 1570 -2 4 -3140
M 1490 -1 1 -1490
A 1620 0 0 0
M 1700 1 1 1700
J 1750 2 4 3500
J 1860 3 9 5580
Sumatorias 11490 0 28 4790
a
y
1641,4286 b
xy
171,0714
n x 2
i) Se identifica los dos periodo centrales y se le asigna los digito -0,5 y + 0,5.
ii) Se asignan digitos -1,5; -2,5; -3,5;......1,5; 2,5; 3,5; .... a los periodos anteriores
a
y
b
xy
n x 2
90
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
Nº de periodos Par
Meses (Tiempo de Operación)
Y
E 1500
F 1570
M 1490
A 1620
M 1700
J 1750
J 1860
A 1920
91
Modelo Simple Lineal en Función del Tiempo
Nº de periodos Par.
Y X
Meses Tiempo Operación V. código X2 X*y
92
Modelo Simple Lineal en Función del Tiempo
Y X
Meses X2 X*y
(Tiempo Operación) V. código
TALLER
Tomando en consideración los datos que a continuación se muestran.
Elaborar el diagrama de dispersión y determine el modelo.¿Cuanto
será el TO en el mes de agosto?
Tabla de datos
E 2520
F 2590
M 2510
A 2640
M 2720
J 2770
J 2880
94
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
E(y/t) = ŷ c ae bt
Tomando en consideración los datos que a continuación se muestran.
Elaborar el diagrama de dispersión y determine el modelo.
95
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
5000
Tiempo Operacion (hr)
4000
3000
2000
1000
0
0
E 1
F 2M 3A 4
M 5J 6J 7 8
Meses
96
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
97
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
ln a
ln y
b
t
ln a
ln y
k
n n n
ae k
ŷ c ae bt
TO = 1556,196e 0 ,318t
0 ,318 4
proyección al mes de agosto: t = 4 TO = 1556,196e
TO = 5552 horas
98
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
TALLER
Tomando en consideración los datos que a continuación se muestran.
Elaborar el diagrama de dispersión y determine el modelo.
Meses y (Operación)
E 300
F 425
M 675
A 590
M 1100
J 1550
J 2100
A 3050
Sumatorias
100
Modelo Parabólico en Función del Tiempo
Nº DE PERIODOS IMPAR
7000
6000
5000
4000
3000
2000
1000
0
0 E F2 M A4 M 6J J 8
A S 10
O N 12
Meses
102
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
103
Modelo Parabólico en Función del Tiempo
Ecuaciones:
∑y = na + b∑x + c∑ x2 ∑y = na + c∑ x2
- ∑yx = b∑ x2 Si C>0
∑ x2y = a∑x2 + b∑ x3 + c∑ x4 ∑ x2y = a∑x2 + c∑ x4
33950 = 11a + 110c
-3030 = 110b
188630 = 110a + 1958c 104
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
11 33950 Asumiendo
110 18630
c C = -0,0021 ; a = 800 ; b = 27,54
11 110
110 1958
TO = 515,16
105
Modelo Parabólico en Función del Tiempo
TALLER
Tomando en consideración los datos que a continuación se muestran.
Elaborar el diagrama de dispersión y determine el modelo.
106
MODELOS DE ESTIMACIÓN
107
MODELOS DE ESTIMACIÓN
108
MODELOS DE ESTIMACIÓN
X Z Li (Límite inferior del intervalo)
2 n
109
MODELOS DE ESTIMACIÓN
X Z Li (Límite inferior del intervalo)
2n
(Límite superior del intervalo)
X Z Ls
2 n n
Xi
X promedio i 1
n
Z Variabilidad o desviación tipificada adimencional
2
Se determina en base a la confiabilidad asignada de tablas de
Distribución Normal.
= Sigma: Desviación Estándar o Variabilidad de los datos de la
población alrededor del promedio.
Nota: Generalmente no se conoce y se puede aproximar por la
Desviación Estándar de la Muestra (S).
110
MODELOS DE ESTIMACIÓN
n
( X i X )2 n: número de datos analizados.
S i 1
n 1
( X ) 2
2
X
S n
n 1
111
MODELOS DE ESTIMACIÓN
[Li , Ls]
Probabilístico.
P X Z X Z (1 )100 Nivel de confianza
2 n 2 n
112
MODELOS DE ESTIMACIÓN
Ejemplo:
La producción de un cierto artículo, se incrementará entre 1400 y 1500
después de implementar un mantenimiento preventivo con una
confiabilidad de 90% o margen de error teórico de 10%.
113
MODELOS DE ESTIMACIÓN
114
MODELOS DE ESTIMACIÓN
12 22
X1 X 2 Z
2 n1 n2
Donde:
n1 : número de datos de la muestra 1
n2 : número de datos de la muestra 2
115
MODELOS DE ESTIMACIÓN
[Li , Ls]
Probabilístico.
12 22 12 22
P X1 X 2 Z 1 2 X1 X 2 Z
2 n1 n2 2 n1 n2
(1 )100 Nivel de confianza
n n
X1i X 2i
2 : Promedio de muestra 2 i 1
1 : Promedio de muestra 1 i 1 n2
n1
116
MODELOS DE ESTIMACIÓN
S n
X t Li (Límite inferior del intervalo) Xi
2 n
X promedio i 1
n
S
X t Ls (Límite superior del intervalo)
2 n
t/2 : Indicador estadístico, determinado con la confiabilidad o margen
de error teórico y los grados de libertad establecidos para la variable de
estudio.
117
MODELOS DE ESTIMACIÓN
[Li , Ls]
Probabilístico.
S S
P X t X t (1 )100 Nivel de confianza
2 n 2 n
118
MODELOS DE ESTIMACIÓN
PARA DOS BASE DE DATOS
1 1
X1 X 2 t S p
2 n1 n2
1 1
X1 X 2 t S p Li Límite inferior del intervalo de confianza
2 n1 n2
1 1
X1 X 2 t S p Ls Límite superior del intervalo de confianza
2 n1 n2
119
MODELOS DE ESTIMACIÓN
120
Ejemplo de Aplicación
121
SOLUCIÓN UTILIZANDO VALOR PROMEDIO
2130 805900
S
X t
2 n
S n
X t Li (Límite inferior del intervalo) Xi
2 n
X promedio i 1 2130 / 6 355
S n
X t Ls (Límite superior del intervalo)
2 n
122
Taller
123
SOLUCIÓN UTILIZANDO VALOR PROMEDIO
( X ) 2
2 4536900
X 805900
S n 6 99,75
n 1 5
Para la observación séptima, se obtiene que: 7 2,65
S 99,75 (Límite inferior del intervalo)
X t 355 2,571 258,22
2 n 2,65 Tomador de Decisión Pesimista
Estimación usando proporciones para una base de datos y una confiabilidad asignada.
Expresión del intervalo de confianza:
ps qs
ps Z ;
2
n
ps qs
ps Z = límite inferior (valor más pequeño)
n
2
ps qs
ps Z = límite superior (valor mayor)
2
n
125
INTERVALO DE CONFIANZA PARA UNA BASE DE DATOS
ps qs ps qs = Nivel de Confianza
Probabilística: p p s Z po p s Z
n n
2 2
(Proporción favorable)
qs 1 ps
(Proporción desfavorable)
126
INTERVALO DE CONFIANZA PARA DOS BASES DE DATOS
Expresión:
1 1
p s1 p s 2 Z p q ;
2 n1 n 2
1 1
p s1 p s 2 Z p q = Límite inferior, Li
2 n1 n2
1 1
p s1 p s 2 Z p q = Límite superior, Ls
2 n1 n2
127
INTERVALO DE CONFIANZA PARA DOS BASES DE DATOS
Probabilística:
1 1 1 1
P p s 1 p s 2 Z p q Po1 Po 2 p s 1 p s 2 Z
p q
n1 n 2 n1 n2
2 2
= Nivel de Confianza
128
Ejercicios aplicados a Intervalos de Confianza de proporciones y
diferencia de proporciones en el área de mantenimiento.
1 A 16 B
2 A 17 B
3 B 18 B
19 B
4 B
20 B
5 B
21 B
6 B
22 C
7 C
23 A
8 C
24 B
9 A
25 A
10 A
26 B
11 C
27 B
12 C 28 B
13 B 29 A
14 A 30 B
129
PARA UNA BASE DE DATOS
( 0 ,3 )( 0 ,7 )
0 ,3 1,96 Li
30
( 0 ,3 )( 0 ,7 )
0 ,3 1,96 Ls
30
P( Li Po Ls ) 95%
131
PARA DOS BASES DE DATOS
1 1
p sB p sA Z
p q
2 n A nB
1 1
p sB p sA Z p q
2 n A nB
1 1
p sB p sA Z
p q
2 n A nB
132
PARA DOS BASES DE DATOS
16
p sB 0 ,53
30
9
p sA 0 ,30
30
p * n A p sB * n B ( 0 ,30 )( 9 ) ( 0 ,53 )( 16 ) 2 ,70 8 ,48 11 ,18
p sA 0 ,4472
n A nB 9 16 25 25
q 1 0 ,4472 0 ,5528
Z 1,96
2
1 1
0 ,53 0 ,30 1,96 ( 0 ,4472 )( 0 ,5528 ) Li
9 16
1 1
0 ,53 0 ,30 1,96 ( 0 ,4472 )( 0 ,5528 ) Ls
9 16
133
PARA DOS BASES DE DATOS
134
PRUEBA DE HIPÓTESIS
DEFINICIÓN
a) Nula (Ho)
b) Alternativa (HA o H1)
135
PRUEBA DE HIPÓTESIS
Error Tipo I: Rechazar un supuesto que puede ser cierto. Se identifica con
el nivel de significación, alfa ()
Error Tipo II: Aceptar un supuesto que puede ser falso. Se identifica con
beta ()
136
PRUEBA DE HIPÓTESIS
137
PRUEBA DE HIPÓTESIS
138
PRUEBA DE HIPÓTESIS
OBSERVACIONES
139
EJEMPLO DE APLICACIÓN PARA PRUEBA DE HIPÓTESIS
El Lider de Operaciones expresa a sus supervisores que habría que revisar los
Programas de mantenimiento, para determinar los ajustes necesarios en el equipo
B por cuanto considera que los Tiempo de Operación del equipo A están más
controlados. Aplicando la herramienta de Prueba de Hipótesis con una
Confiabilidad de 95%. ¿Considera su Equipo que el Lider tiene la Razón?. La
información disponible para procesar se muestra en la tabla1.
Tabla 1. Información referente a Rendimiento Estudiantil de los Liceos A y B.
15 14
17 16
18 19
15 13
14 13
16 16
141
PRUEBA DE HIPÓTESIS
(n A 1) S A2 (nB 1) S B2
Sp
n A nB 2
( X ) 2
B
( X ) 2
2 B
X A2 A
X
nA nB
S A2 SB
2
nA 1 nB 1
142
PRUEBA DE HIPÓTESIS
Equipo A Equipo B X A2 X B2
XA XB
15 14 225 196
17 16 289 256
18 19 324 361
15 13 225 169
14 13 196 169
16 16 256 256
16 19 256 361
19 18 361 324
Sumatoria
130 128 2.132 2.092
143
PRUEBA DE HIPÓTESIS
130 128
XA 16,25 XB 16
8 8
4.- Determinación de tc
X B2 B
2
( X )
XA XB nB
tc S B2 6,2857
1 1 nB 1
Sp
n A nB
(n A 1) S A2 (nB 1) S B2
Sp 2,1297
(n A 1) S A2 (nB 1) S B2 n A nB 2
Sp
n A nB 2
XA XB
tc 0,2347
( X A ) 2 1 1
X 2
A
nA
Sp
n A nB
S A2 2,7857
nA 1
144
PRUEBA DE HIPÓTESIS
=0,05
XA XB
tc 0,2347
1 1
Sp
nA + nB -2 n A nB
t = 1,761
Se rechazar la Hipótesis
Como t c t Alternativa y se acepta la
Nula.
145
PRUEBA DE HIPÓTESIS
X
tc Se utiliza cuando se analiza una sola base
S
de datos
n
(
X2 n X ) 2
S
n 1
146
TALLER DE APLICACIÓN PARA PRUEBA DE HIPÓTESIS
Información Histórica
Períodos Distrito Anaco Distrito PLC
Mensuales
Enero 5 4
Febrero 3 4
Marzo 4 2
Abril 2 2
Mayo 5 3
Junio 6 5
Julio 4 2
Agosto 6 4
147