Clase de Estadística Postgrado

UGMA
CENTRO DE ESTUDIOS DE POSTGRADO
PROBABILIDAD Y ESTADÍSTICA
Instructores
Msc. José Marchan
Msc. Diógenes Suárez
Barcelona, Enero de 2007

1
INTRODUCCIÓN
La función de la Estadística es ayudar a decidir cuales datos son necesarios

y como se les recopilará, tabulará, analizará e interpretará de manera que
nos lleven a la mejor decisión posible.
La preparación del curso está orientado hacia profesionales, que desconocen

o tienen poca información de los métodos estadísticos, sin embargo se tiene
la plena confianza que al finalizar el mismo se habrá adquirido destreza en la
aplicación de tan relevante herramienta.
Se espera un beneficio integral intercambiando experiencias.
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
 Clasificar un conjunto de datos, realizar su representación gráfica e

interpretarlos.
 Comprender las relaciones existentes entre las variables que integran
modelos probabilísticos, los cuales pueden aplicarse en las proyecciones
y/o estimaciones.
 Simular modelos Regresivos Simples y Múltiples , Lineales y no Lineales.
 Utilizar resultados generados por los paquetes estadísticos empleados
durante el curso e interpretarlos.
 Realizar muestreos probabilísticos que garanticen la obtención de una

muestra representativa.
4
CONTENIDO PROGRAMÁTICO
TEMA 1. ESTADÍSTICA DESCRIPTIVA.

Clasificación y organización de datos, representación gráfica de distribución de
frecuencias, curvas de frecuencias, media aritmética, la mediana, la moda,
características de los promedios, medidas de dispersión, asimetría y utilización de las
medidas de dispersión, aplicaciones en el escenario de mantenimiento y del contexto
gerencial.
TEMA 2. DISTRIBUCIÓN DE PROBABILIDADES.

Conceptos básicos de probabilidad, reglas para el manejo de las probabilidades,
teorema de Bayes, Valor Esperado, Varianza y Desviación Estándar de distribuciones
de probabilidad, distribución Binomial, distribución de Poisson, Distribución Normal y
distribución Exponencial, distribución de Weibull, árboles de decisión, matrices de
selección, método Delphi, análisis de riesgo, aplicaciones en el escenario de
mantenimiento y del contexto gerencial.
5
CONTENIDO PROGRAMÁTICO
TEMA 3. ESTADÍSTICA INFERENCIAL

Error de muestreo, y sesgo, muestreo aleatorio simple, distribución de las medias
muéstrales, el error standart de la media, intervalos de confianza, proporciones,
determinación del tamaño de la muestra, estimación por puntos y por intervalos,
prueba de hipótesis, aplicaciones en el escenario de mantenimiento y del contexto
gerencial.
TEMA 4. MODELOS DE COMPORTAMIENTOS REGRESIVOS SIMPLE -

MÚLTIPLES, LINEALES - NO LINEALES.
Diagrama de dispersión, análisis de regresión, coeficiente de determinación y de

correlación, interferencias hechas a partir de las muestras, regresión de series
cronológicas, análisis de series de tiempo, análisis de regresión múltiple, coeficiente de
determinación múltiple, inferencia estadística en la regresión múltiple, uso de los
paquetes estadísticos, números índice, aplicaciones en el escenario de mantenimiento y
del contexto gerencial.
6
EVALUACION
PONDERACION
ASPECTO (%)
Asistencia y Puntualidad. 10
Participación y aportes significativos al logro de los

objetivos. 20
Asignaciones, exposiciones y trabajos prácticos en clase. 20
Trabajo de Investigación Grupal 25
Evaluaciones escritas. 25
7
PROCESAMIENTO ESTADÍSTICO
Media o Promedio
Mediana
Desviación Estándar
Asimetría
Continuas
Discretos Cuartiles RESULTADOS

Deciles
Percentiles
Kurtosis Diagrama de Tortas ANALISIS DE
Expresiones Gráficas Diagrama de barras RESULTADOS
Polígonos
Otras
DATOS
A priori No ¿Cubre las
Probabilidad  Enfoques A Posteriori Expectativas?
Axiomático
Subjetivo Si
Censurados
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
q Planteamiento del Problema.
General
 Objetivos Específicos
Referencial (Opcional)
 Marco Teórico
Conceptual
 Marco Metodológico
 Análisis de Resultados
 Conclusiones.
 Recomendaciones (aporte grupal).
 Bibliografía. (Fuente de Información)
 Anexos
9
FUNCIONES BÁSICAS DE LA ESTADÍSTICA MODERNA
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
 Mediana (MD)
Es una medida de posición de tendencia central,

representa el 50% del procesamiento de información
Casos para datos No Agrupados:

1.- Si el número de observaciones es Impar:
MD = Valor Central
2.- Si el número de Observaciones es Par
primer valor central  segundo valor central

MD 
2
12
Para datos Agrupados
n  LRi = Límite Real inferior

  FA ant   C n = Número de datos
M D  LR i   
2
FA ant.= Frecuencia Acumulada anterior
f MD fMD = Frecuencia de la clase Medianal
C = Ancho del Intervalo
Rango
Ancho del Intervalo ( C ) C
Nde clase
Rango = Diferencia entre la observación mayor y la menor
Número de Clase = 1 + 3,322 Log. (n)
13
CRITERIOS SUGERIDOS
Indica que la variable que se esta procesando,

SI X  MD tiende a incrementar, lo cual es recomendable
dependiendo de la variable que se esta evaluando.
Ejemplo:
Siempre se aconseja que el TEF se incremente pero que los costos
disminuyan.
14
 Variancia (S2)
Representa una medida de variabilidad o sesgo en forma cuadrática,

no es muy práctico su utilización, puesto que no es común señalar
que un equipo determinado fallo a las 150 horas cuadráticas de
operación. Se usa para determinar la Desviación Estándar.
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
 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
 Coeficiente de Asimetría (CA) CA  3

 X  MD 

 S 
16
 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
 0,263  Dispersión de los datos
K = 0.263  Comportamiento Normal de los datos
 0.263  Concentración de los datos
17
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
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
Nota: Presente las Observaciones que consideren necesarias y realice un

análisis comparativo de los dos ámbitos.
Equipo A Equipo B
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
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
Paso N° 3 Cálculo del número de clase 1110

1190
1802 2169 2879
2880
1805 2174
1290 1805 2187 2880
N° de Clase = 1 + 3,322 Log. (n) = 1 + 3,322 Log.(114) 1300
1339
1805 2193 2883
1862 2225 2883
1350 1886 2350 2900
N° de Clase = 7,833  8 1400
1400
1888 2400 2900
1894 2452 2900
1439
1908 2456
1439 2917
1920 2516
1440 3113
Paso N° 4 Ancho del Intervalo ( C ) 1443
1935
1983
2518
2519
3200
1446 3222
2000 2519
1450 3239
2001 2519
Rango 2880 1450
C   C  360 2048 2520 3240
1451
2050 2520 3600
Nde clase 8 1478
1497 2050 2536
1536 2066 2594 n = 114
1599 2122 2606
2150 2664
22
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
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
1800,3 a 2160,3 26 1980 51480 65
2160,4 a 2520,4 19 2340 44460 84
2520,5 a 2880,5 16 2700 43200 100
2880,6 a 3240,6 12 3060 36720 112
X
 mi  f i 236160
3240,7 a 3600,7

2 3420 6840
 X  2071,5789
114
n  114
114 236160
24
Paso N° 7 Cálculo de la mediana (MD)
n  Ubicación de la mediana: (n/2) = 57

  f A ant   C Se debe cumplir que : fA  n/2  65
M D  LR i   
2
f MD
Tabla. Escenario A
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
1800,3 a 2160,3 26 1980 51480 65 MD
2160,4 a 2520,4 19 2340 44460 84
2520,5 a 2880,5 16 2700 43200 100

25
X  2071,5789
MD = 2049,2308
En vista que la Media es mayor que la Mediana, se concluye que la

tendencia de los Montos de los Crédito es a incrementar, lo cual es
aconsejable, debido a la variable que se esta evaluando para el ente
financiero.
26
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
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
1080,1 a 1440,1 13 1260 16380 20 Q1 = 1601,0526

1440 ,2 a 1800,2 19 1620 30780 39 Q1
1800,3 a 2160,3 26 1980 51480 65 MD
2160,4 a 2520,4 19 2340 44460 84
2520,5 a 2880,5 16 2700 43200 100
2880,6 a 3240,6 12 3060 36720 112

27
3 
 n  FA ant. Q3  Ubicación del cuartil 3: (3n/4) = 85,5
Q3  LR i   4 C
 f Q3  Se debe cumplir que : fA  3n/4  100
 
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
1080,1 a 1440,1 13 1260 16380 20 Q3 = 2553,7500

1440 ,2 a 19 1620 30780 39 Q1
1800,2
1800,3 a 2160,3 26 1980 51480 65 MD
2160,4 a 2520,4 19 2340 44460 84
2520,5 a 16 2700 43200 100 Q3

2880,5
2880,6 a 3240,6 12 3060 36720 112

28
Paso N° 9 Cálculo de los Deciles (D1 y D9)
 n  Ubicación del Decil 1: (n/10) = 11,4
  FA ant. D1 
D1  LR i   10 C Se debe cumplir que : fA  n/10  20
 f D1 
 
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
2160,4 a 2520,4 19 2340 44460 84
2520,5 a 2880,5 16 2700 43200 100 Q3
2880,6 a 3240,6 12 3060 36720 112
3240,7 a 3600,7 2 3420 6840 114 29

 9 
 n  FA ant. D9  Ubicación del Decil 9: (9n/10) = 102,6
D9  LR i   10 C Se debe cumplir que : fA  9n/10  112
 f D9 
 
Tabla. Escenario A
Marca de Frecuencia
Frecuencia
LRi a LRs clase mi fi Acumulada
de clase (fi)
(mi) (fA) LRi =2880
7 900 6300 7
fD9 =12
720 a 1080
C = 360
1080,1 a 1440,1 13 1260 16380 20 D1
1440 ,2 a 1800,2 19 1620 30780 39 Q1
D9 = 2958,00
1800,3 a 2160,3 26 1980 51480 65 MD
2160,4 a 2520,4 19 2340 44460 84
2520,5 a 2880,5 16 2700 43200 100 Q3

2880,6 a 3240,6 12 3060 36720 112 D9
3240,7 a 3600,7 2 3420 6840 114
30
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:
 0,263  Dispersión de los datos
K = 0.263  Comportamiento Normal de los datos
 0.263  Concentración de los datos
Como el valor de K > 0,263 se concluye que existe Concentración de los

Datos, lo cual señala montos de créditos muy cercanos al promedio
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
Los modelos de proyección, son de carácter matemático y

comprenden descripciones que representan con buen grado de
fidelidad la realidad de la situación planteada.
Es importante asegurarse que el modelo se conciba

considerando las variables que mejor definan al sistema que se
pretende proyectar.
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
Se tiene el modelo determinístico:
E ( y / x)  yˆ c  a  bx
35
SIGNIFICADO DE LOS COEFICIENTES a yb
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
Geométricamente reseña la intersección con el eje vertical en el sistema xy
36
EXPRESIONES GRAFICAS
Oferta de Servicio de Financiero. Productividad

Modelo
Lógico Modelo
Lógico
Valor Mínimo Valor Mínimo

a
Periodo Periodo . Preventivo
Demanda de Servicio Productividad
Valor Máximo Valor Máximo
Modelo Modelo
Lógico No Lógico
Precio de Servicio Mantto. Preventivo

37
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.
En el contexto Matemático “b” es la pendiente de la recta
38
Los coeficientes a y b deben satisfacer condiciones de

tendencia normal y se determinan mediante el método de los
mínimos cuadrados ordinarios.
CALCULO DE LOS COEFICIENTES
n xy  ( x)( y )
b
n x 2  ( x) 2
a
 y b  x
n n
39
LÓGICA DEL MODELO

y  a  bx
Se analiza en el signo del coeficiente b.
Signo + : Indica relación positiva entre la variable de estudio (dependiente) y

la variable explicativa (independiente). Esto quiere decir : el mismo sentido, o
sea si aumenta la explicativa, entonces se incrementa la de estudio .
X Y X Y
Signo - : Señala relación negativa entre las variables. Sentido contrario, opuesto.
X Y X Y
40
PERTINENCIA CON LA TOMA DE DECISIÓN
Productividad Productividad
Cubre las expectativas No Cubre las expectativas
Horas de demoras Horas de demoras
ANÁLISIS DEL DIAGRAMA DE DISPERSIÓN

 Tipo de relación: Positiva o negativa
 Tendencia: Ascendente o descendente
41
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
1) Producción (hrs)= 720 - 3,45 Adiestramiento (hrs)

2) Producción (hrs)= 310 + 2,15 Adiestramiento (hrs)
INTERPRETACIÓN DEL MODELO LÓGICO

En el caso 1, el modelo señala una revisión del proceso de producción, debido a que
no esta cubriendo las expectativas deseadas, señalada en el signo - que acompaña al
coeficiente 3,45 el cual refleja una relación negativa entre los dos tipos de variables,
contrario a lo que debería ocurrir. Esto para la empresa representaría en un incremento
de los costos.
En el caso 2, el modelo esta señalando un comportamiento del proceso de producción
de acuerdo a las expectativas esperadas. Esta información esta indicada con el signo
+ del coeficiente 2,15.
El coeficiente 310 indica las horas promedio de producción mínima si no hubiese
ningún tipo de adiestramiento.
El coeficiente 2,15 expresa el promedio de incremento en la producción por cada

hora de Adiestramiento.
43
Producción (hrs)= 310+2,15 Adiestramiento (hrs)
Valor Mínimo
310
0 x
a = Señala el número de horas de Producción con un mínimo de

Adiestramiento Si X 0 entonces y 310 hrs.
b = El coeficiente 2,15 expresa el promedio de incremento en la producción

por cada hora de Adiestramiento.
44
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
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:
85 12 1020 144 b = 4,59

a = 33,5
80 9 720 81
Modelo  CP = 33,5 + 4,59 CM
70 6 420 36
60 4 240 16
50 7 350 49
65 10 650 100
80 12 960 144
105 14 1470 196 47

Taller Nº 2
Tomando en consideración los datos que a continuación se
muestran. Elaborar el Diagrama de Dispersión, Justifique si el
modelo obtenido es lógico y determine el modelo.
Caso 1 Caso 2
Producción Horas Disponible Producción Horas Disponible

(x) horas (y) horas (x) horas (y) horas
720 600 720 600
900 550 900 830
1400 501 1400 1100
1200 580 1200 900
1000 640 1000 700
1300 610 1300 1050
850 700 850 800 48

INDICADORES DEL MODELO
 Error Estándar de Estimación

 Coeficiente de Determinación: (R2)
 Coeficiente de Correlación: ( R )
 Prueba t
49
 Error Estándar de Estimación

El Error Estándar de estimación señala el sesgo o error en proyección
de futuro comportamiento de la variable de estudio.
 ( yi  yˆ c ) 2  ( yi  yˆ c ) 2  y 2  a  y  b xy
S yx   S yx 
nk n2 n2
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
 Coeficiente de Determinación: (R2)
Señala la importancia porcentual del modelo, es decir el peso

específico de la variable Independiente en el comportamiento o
cambios de la variable de Estudio o Dependiente, para la muestra
procesada. n
2
 ( yˆ c  y )
Variación Explicada por el Modelo R 2  i 1
R2  100 n
100
Variación Total
 ( yi  y ) 2
i 1
( y ) 2
a  y  b xy 
2
R  n 100
Otra forma puede ser: 2
( y )
 y2 
n
0%  R 2  100%
52
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
 Coeficiente de Correlación: ( R )
Mide el grado de asociación entre las variables (la de estudio y la

explicativa). Indica si la relación es débil, moderada o fuerte.
( 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
 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. ?
La respuesta a estas interrogantes, se tiene a través de la prueba t.

Ella señala si la variable independiente, predictora o explicativa esta
relacionada significativamente con la variable de estudio o
dependiente.
55
La orientación de esta prueba se logra mediante un criterio de

aceptación o rechazo de la denominada hipótesis nula, la cual
indica: El modelo utilizado no funciona como Modelo de
Estimación o de Predicción.
El criterio en referencia, en la práctica le indica al tomador de

decisiones, si puede usar el modelo para visualizar futuros
comportamientos de una variable de interés, por ejemplo el
Tiempo Promedio entre Fallas, con una alta confiabilidad.
56
PASOS SUGERIDOS PARA APLICAR LA PRUEBA “t”
Planteamiento de Hipótesis:
Nula, 0: B = 0  No existe relación lineal significativa entre las variables

para la muestra analizada y confiabilidad asignada.
Alternativa, A: B  0  Si existe relación lineal significativa entre las

variables para la muestra analizada y confiabilidad asignada.
Criterios
Si t c  t α / o - t c  t α / Se Cumple la Hipótesis Alternativa.

2 2 Se rechaza la Hipótesis Nula.
( x) 2
2
Nota: t/2 se obtiene de la Tabla t
b x 
tc  n
 y 2  a  y  b xy
R n2
Otra forma tc 
n2 1 R2
57
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
 Coeficientes “a” y “b” del modelo de Comportamiento Simple

Producción Disponibilidad
(Tn) (min) XY X2 Y2
Y X
3 300 900 90.000 9

4 360 1440 129.600 16
2 250 500 62.500 4
1 220 220 48.400 1
3 320 960 102.400 9
5 440 2200 193.600 25
2 270 540 72.900 4
Sumatoria 6.760 699.400 68
n XY  ( X )( Y ) a
 Y  b  X  2,66548
b  0,0178974
2
n X  ( X ) 2 n n
Producción = -2,66548 + 0,0178974 Disponibilidad de equipos

60
Solución
( 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
Si en el Modelo Anterior R = 0,985 indica que hay una estrecha relación

entre la Producción y la Disponibilidad de equipos.
61
Solución
( x) 2
2 Cont.
b x 
tc  n  73,97
Prueba t 2
 y  a  y  b xy
n2
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
n2
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
ae 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 n2
tc   tc   tc 
 (Y  Yˆ )
C
2
 (ln y)2  ln a ln y  b x ln y 1  R2
nk n2
Criterios:
tα t Existe relación significativa entre
Si t c  o - t c 
2 2 las dos variables.
Error Estándar de Estimación
2 2
S yx 
 i c 
( y  ˆ
y )  i c
( y  ˆ
y )
nk n2
66
ILUSTRACIÓN
ILUSTRACIÓN GRÁFICA
GRÁFICA
Modelo Lógico
yˆ c  aebx
Producción (hrs)
Produccion (hrs)  600 e 0,15 Demoras (hrs)
0 Demoras (hrs)
Modelo no cubre las expectativas
yˆ c  aebx
Producción (hrs)
Produccion (hrs)  350 e 0,50 Demoras (hrs)
350
0 Demoras (hrs)
67
Ejemplo de aplicación del Modelo Exponencial.
Tomando en consideración los datos que a continuación se muestran.

Elaborar el diagrama de dispersión y determine el modelo.
Horas de Demoras Horas Efectivas del equipo en

en Producción ( y) horas (X)
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
145 75 4,98 373,5 5625
85 125 4,44 555,0 15625
60 175 4,09 715,75 30625
45 225 3,81 857,25 50625
30 275 3,40 935,0 75625
12 325 2,48 806,0 105625
 1250 28,39 4502 286250
70
SOLUCIÓN
n x ln y    x  ln y  7(4502)  (1250)(28,39)

b 
n  x 2   x 2 7(286250)  (1562500)
31514  35487,5 3973,5

b   0,009
2003750  1562500 441250
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
ae  290,03
71
SOLUCIÓN
MODELO
bX
Yc  ae
Horas de Demoras en produccion  290,03 e 0,009(Horas Efectivas)
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
Yc : Valor estimado o esperado Yi : Valor real
Yi  Yc
 100 Error con respecto al estimado
VALIDACIÓN Yc
Yi  Yc Error con respecto al valor observado (real)

 100
Yi 73
Taller Nº 4
Horas de Demoras Horas Efectivas del equipo en

en producción horas (X)
( y)
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
Asumiendo:  i  0 (Error Aleatorio) ei = yi - yˆc
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
ii) Derivadas Parciales (cambios parciales) con Respecto a Cada Coeficiente:

z
 0  2 ( y  a  bx  cx 2 )(1)  0
a
z
 0  2 ( y  a  bx  cx 2 )( x)  0
b
z
 0  2 ( y  a  bx  cx 2 )( x 2 )  0
c
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.

Demoras (horas) Producción (horas)

(X) (y)
750 370
1200 900
1500 1250
2320 1340
2650 1450
3000 1600
3420 1330
3750 1060
4050 900
4300 460
5000 290
78
Diagrama de dispersión
2,000
Produccion
1,500
1,000 Serie1
500
-
- 2,000 4,000 6,000
Horas de Demoras
79
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
Produccion  160  1,4577 x  0,00003 x 2

Producción = 1267,7 horas
80
Taller Nº 5
Elaborar el diagrama de dispersión,determine el modelo y el coeficiente
de Determinación
Histórico Nº 1 Histórico Nº 2
Demoras Producción Demoras Producción
(horas) (X) (horas) (y) (horas) (X) (horas) (y)
2250 1110 2250 3250
3600 2700 3600 2500
4500 3750 4500 2200
6960 4020 6960 1750
7950 4320 7950 1600
9000 4800 9000 900
10260 3990 10260 1300
11250 3180 11250 1950
12150 2700 12150 2450
12900 1380 12900 2800
15000 870 15000 3650
81
Modelo Múltiple Lineal.
Expresión Determinística
E ( y / x)  a  b1x1  b2 x2  b3 x3        bk xk
donde:
xi; i=1,2,3,4…..k son factores, variables independientes o explicativas.
b1, b2 , b3, b4 ……. bk son coeficientes
Cambio de la variable de estudio o dependiente (y)

bi 
Cambio unitario de la variable explicativa (x i )
a: Se interpreta de acuerdo con el escenario donde se aplique el Modelo.
a: Señala una posición Límite. Indica la tendencia de la variable de estudio

(dependiente) cuando la variable explicativa o independiente tiende a valores
muy pequeños (tiende a cero),
82
ECUACIONES PARA UN MODELO MÚLTIPLE LINEAL

DETERMINISTICO CON DOS FACTORES: X1, X2
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
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.

Costo de Costo de Costo de

Producción Mantenimiento Operaciones
1720 720 1000
1980 1080 900
2070 1310 760
2190 1590 600
2210 1700 510
2410 2030 380
2620 2400 220
¿Cuánto será los Costos de Producción, si CM=2500 y CO=150?

Asume lo que considere necesario.
E ( y x)  yˆ c  a  b1x1  b2 x2
85
MODELOS DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
Modelo Simple Lineal en Función del tiempo

E(y/x)= a + bx ; donde x representa el tiempo.
Se consideran dos casos:
I) NUMERO DE PERIODO IMPAR.

Pasos sugeridos
i) Se identifica el periodo central y se le asigna el digito cero (0).

ii) Se asignan digitos -1, -2, -3,......1, 2, 3, .... a los periodos anteriores y
posteriores tal que la suma sea cero (0).
iii) a y b, se determinan utilizando las siguientes expresiones:
 y b  x  y b
n xy  ( x)( y ) 
→ b xxy
a
n n
→ a n n x 2  ( x) 2  2
86

Elaborar el diagrama de dispersión y determine el modelo.¿Cuanto
será el TO en el mes de agosto?
Tabla de datos
Tiempo de Operación (horas)
Meses
(y)
E 1500
F 1570
M 1490
A 1620
M 1700
J 1750
J 1860
87
Diagrama de Dispersión Aproximado
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
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
TO= 1641,4286 + 171,0714x

Para X = 4 TO en el mes de Agosto = 2325,7142
89
MODELO DE COMPORTAMIENTO EN FUNCION DEL TIEMPO
II ) NUMERO DE PERIODO PAR.

Pasos sugeridos
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
y posteriores talque la suma sea cero (0).

iii) a y b, se determinan utilizando las siguientes expresiones:
a
 y
b
 xy
n x 2
90

Elaborar el diagrama de dispersión y determine el modelo.¿Cuánto será el
TO en el mes de Septiembre?
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
E 1500 -3,5 12,25 -5250
F 1570 -2,5 6,25 -3925
M 1490 -1,5 2,25 -2235
A 1620 -0,5 0,25 -810
M 1700 0,5 0,25 850
J 1750 1,5 2,25 2625
J 1860 2,5 6,25 4650
A 1920 3,5 12,25 6720
Sumatoria 13410 0 42 2625
92
Y X
Meses X2 X*y
(Tiempo Operación) V. código
E 1500 -3,5 12,25 -5250
F 1570 -2,5 6,25 -3925 a

 y
 1676,25
M 1490 -1,5 2,25 -2235
n
A 1620 -0,5 0,25 -810
M 1700 0,5 0,25 850

b
 xy
 62,5
J 1750 1,5 2,25 2625 x 2
J 1860 2,5 6,25 4650
A 1920 3,5 12,25 6720
Sumatoria 13410 0 42 2625
TO= 1676,25 + 62,5x

Para X = 4,5 TO =1957,5 93
TALLER
Elaborar el diagrama de dispersión y determine el modelo.¿Cuanto
será el TO en el mes de agosto?
Tabla de datos
Tiempo de Operación (horas)

Meses
(y)
E 2520
F 2590
M 2510
A 2640
M 2720
J 2770
J 2880
94
Aplicación del Modelo Exponencial Determinístico en Función

del Tiempo.
E(y/t) = ŷ c  ae bt
Caso A) Nº de periodos Impar

Meses Tiempo de Operación (y)
E 600
F 850
M 1350
A 1180
M 2200
J 3100
J 4200
95
5000
Tiempo Operacion (hr)
4000
3000
2000
1000
0
0
E 1
F 2M 3A 4
M 5J 6J 7 8
Meses
96
Modelo Exponencial Deterministico en Función del Tiempo.
Meses y (Tiempo de Operación) t t2 ln y t*ln y yc
E 600 -3 9 6,397 -19,191 559,44
F 850 -2 4 6,745 -13,490 823,85
M 1350 -1 1 7,208 -7,208 1132,29
A 1180 0 0 7,073 0,000 0
M 2200 1 1 7,696 7,696 2138,79
J 3100 2 4 8,039 16,078 2939,51
J 4200 3 9 8,343 25,029 4040
Sumatorias 13480 0 28 51,502 8,914 ------
n  t * lny - ( t)( lny)  t ln y  8,92  0,318

b b
n t 2   t t 2
28
97
ln a 
 ln y
b
 t
ln a 
 ln y
k
n n n
ae k
51,46 a  e 7 ,35  1556,196

ln a   7 ,35
7
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 Exponencial Deterministico en Función del Tiempo.
Caso B –Nº de periodos PAR

Meses y (Operación) t t2 ln y t*ln y

E 600 -3,5 12,25 6,397 -22,389
F 850 -2,5 6,25 6,745 -16,863
M 1350 -1,5 2,25 7,208 -10,812
A 1180 -0,5 0,25 7,073 -3,537
M 2200 0,5 0,25 7,696 3,848

J 3100 1,5 2,25 8,039 12,059
J 4200 2,5 6,25 8,343 20,857
A 6100 3,5 12,25 8,716 30,506
Sumatorias 19580 0 42 60,218 13,669
a=? b=? TO = ? t = 4,5 99

TALLER
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
Meses y (Operación) horas

E 900
F 1860
M 3200
A 3750
M 4350
J 6500
J 4510
A 3920
S 2570
O 1650
N 740
101

Tiempo de Operacion (hr)
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
Meses y (Operación) hrs x x2 x3 x4 x*y x2*y

E 740 -5 25 -125 625 -3700 22500
F 1650 -4 16 -64 256 -6600 29760
M 2570 -3 9 -27 81 -7710 28800
A 3920 -2 4 -8 16 -7840 15000
M 4510 -1 1 -1 1 -4510 4350
J 6500 0 0 0 0 0 0
J 4350 1 1 1 1 4350 4510
A 3750 2 4 8 16 7500 15680
S 3200 3 9 27 81 9600 23130
O 1860 4 16 64 256 7440 26400
N 900 5 25 125 625 4500 18500
Sumatorias 33950 0 110 0 1958 3030 188630
103
Modelo: E(y/x)= a + bx + cx2
Ecuaciones:
∑y = na + b∑x + c∑ x2 ∑y = na + c∑ x2
∑yx = a∑x + b∑ x2 + c∑ x3 ∑yx = b∑ x2 Si C<0
- ∑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
Usando determinante para a y c;
11 33950 Asumiendo
110 18630
c C = -0,0021 ; a = 800 ; b = 27,54
11 110
110 1958
Modelo: E(y/x)= a + bx + cx2

Proyección al mes de diciembre x = 6
Tiempo de Operación = 350+ 27,54x -0,0021 x2
TO = 515,16
105
TALLER
Meses y (Operación ) horas

E 1800
F 1860
M 3200
A 3750
M 4350
J 6500
J 4510
A 3920
S 2570
O 1650
N 740
106
MODELOS DE ESTIMACIÓN
El propósito que se persigue cuando se utilizan Modelos de

Estimación consiste en lograr un pronóstico o proyección del
posible comportamiento futuro de una variable de estudio de
conducta aleatoria, la cual pudiese ser las horas de
Mantenimiento Correctivo que se deben ejecutar después de
haber implementado un Mantenimiento Preventivo.
De acuerdo con el enfoque estadístico, toda estimación está

asociada con los niveles de confiabilidad o margen de error teórico
que semánticamente se denomina nivel de Significación y se le
identifica comúnmente con la nomenclatura 
107
Se tomará en consideración dos tipos de estimación la Puntual y

por Intervalos de Confianza, haciendo énfasis en esta última.
Cuando el ente respectivo proyecta un único valor esperado de

una variable de estudio, esta pronosticando en forma puntual.
Si establece dos (2) valores esperados entre los cuales es posible

ubicar el promedio numérico de su variable de interés, asociado
con una confiabilidad o margen de error teórico, su proyección se
identifica con intervalos de confianza.
108
MODELO MATEMÁTICO PARA EL INTERVALO DE CONFIANZA

CON BASE DE DATOS EN FUNCIÓN DEL PROMEDIO Y
NÚMERO DE DATOS  30.

 PARA UNA BASE DE DATOS X  Z
2 n
De donde se tienen dos valores numéricos

X  Z  Li (Límite inferior del intervalo)
2 n
 (Límite superior del intervalo)

X  Z  Ls
2 n
109

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
También se recomienda utilizar la siguiente expresión:
n
 ( X i  X )2 n: número de datos analizados.
 S i 1
n 1
( X ) 2
2
X 
S n
n 1
111
¿De que manera puede señalarse el intervalo de confianza?
 [Li , Ls]
 Probabilístico.
   
P X  Z    X  Z   (1   )100 Nivel de confianza
 2 n 2 n
 : Promedio del universo, total o poblacional.
112
¿Qué significa una confiabilidad de 90%?
Si se selecciona 100 registros o muestras en 90 de ellas se cumple lo

planteado en la proyección o 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
Interpretación de acuerdo al escenario estadístico:
Seleccionando 100 registros o muestras, en 90 de ellas se cumple lo

planteado o señalado.
En la práctica generalmente se utiliza una muestra o registro salvo

excepciones.
114
PARA DOS BASE DE DATOS
 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
12: Varianza de la muestra 1

22: Varianza de la muestra 2
115
FORMA DE RESEÑAR EL INTERVALO DE CONFIANZA
 [Li , Ls]
  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
Modelo Matemático para el Intervalo de Confianza con Base de

datos en función del promedio y Número de Datos < 30.
S
 PARA UNA BASE DE DATOS X  t
2 n
De donde se tienen dos valores numéricos
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
FORMA DE RESEÑAR EL INTERVALO DE CONFIANZA
 [Li , Ls]
 S S 
P X  t    X  t   (1   )100 Nivel de confianza
 2 n 2 n
118
 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
Sp : Variabilidad o Desviación Estándar Combinada.
119
(n1  1) S12  (n2  1) S 22 Sp : Variabilidad o Desviación

Sp  Estándar Combinada.
n1  n2  2
S12: Varianza de la muestra 1
S22: Varianza de la muestra 2
120
Ejemplo de Aplicación
De acuerdo al histórico que se presenta a continuación estimar a

que tiempo de operación del equipo se puede presentar la
séptima falla, con un margen de error teórico de 5% (confiabilidad
95%).
Orden de observación de Tiempo de Operación del Equipo

ocurrencia de Falla (horas)
1 520
2 400
3 350
4 320
5 300
6 240
121
SOLUCIÓN UTILIZANDO VALOR PROMEDIO
Orden de observación de Tiempo de Operación del

ocurrencia de Falla Equipo (horas) X2
(y) (x)
1 520 270400
2 400 160000
3 350 125500
4 320 102400
5 300 90000
6 240 57600
 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
De acuerdo al histórico que se presenta a continuación estimar a

que tiempo de operación del equipo se puede presentar la décima
cuarta falla, con un margen de error teórico de 5% (confiabilidad
95%).
Orden de observación de Tiempo de Operación del Equipo

ocurrencia de Falla (horas)
2 1040
4 800
6 700
8 640
10 600
12 480
123
SOLUCIÓN UTILIZANDO VALOR PROMEDIO
t/2 = 2,571 Obtenido de la Tabla con n -1 grados de libertad y

confiabilidad de 95%
( 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
S 99,75 (Límite superior del intervalo)

X  t  355  2,571   451,78
2,65 Tomador de Decisión Optimista
2 n
Otros prefieren tomar un promedio entre los dos límites

124
INTERVALO DE CONFIANZA PARA UNA BASE DE DATOS
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
FORMA: Simple [Li,Ls]
 ps qs ps qs  = Nivel de Confianza
Probabilística: p p s  Z   po  p s  Z  
 n n 
 2 2 
ps Nº de Casos Favorables a una Característica

= Nº de Casos Totales
(Proporción favorable)
qs  1  ps
(Proporción desfavorable)
Z ; Estadístico obtenido de la Tabla de Distribución Normal en Función de la

2 Confiabilidad o Margen de Error Asignado.
126
INTERVALO DE CONFIANZA PARA DOS BASES DE DATOS
Estimación por intervalo de confianza, usando proporciones para dos (2)

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
FORMA: Simple [Li,Ls]
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.
En la siguiente tabla se refleja el mantenimiento correctivo ejecutado a tres

equipos de un determinado departamento.
Nº de Veces de Intervención EQUIPO 15 A
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
Generar un intervalo de confianza con un margen de error del 5% o

confiabilidad de 95%.
p sA q sA
p sA  Z 
p sA q sA 2
n
p sA  Z 
n p sA q sA
2
p sA  Z 
2
n
Nota: para determinar el
9 valor de Z/2 se entra a la
p sA   0 ,3 tabla con 0,5- /2
30
q sA  1  0 ,3  0 ,7 (Tabla de Dist. Normal)
Z   1,96 ( 0 ,3 )( 0 ,7 )
0 ,3  1,96  Li
2 30
( 0 ,3 )( 0 ,7 )
0 ,3  1,96  Ls
30
Intervalo de Confianza. [Li,Ls] P( Li  Po  Ls )  95%
NOTA: Hacerlo para B y C
130
PARA UNA BASE DE DATOS
Intervalo de Confianza. [Li,Ls]
( 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%
NOTA: Hacerlo para B y C
131
PARA DOS BASES DE DATOS
Generar un intervalo de confianza comparando B con A,

manteniendo el margen de error del 5%.
  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
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
Intervalo de Confianza. [Li,Ls]
P( Li  PoB  PoA  Ls )  95%
NOTA: Cotejar o comparar: A con C

B con C
134
PRUEBA DE HIPÓTESIS
DEFINICIÓN
Una suposición o conjetura sobre la posible ocurrencia de un

suceso, basándose en hechos o comportamiento histórico.
En la óptica Estadística se procesan dos tipos de hipótesis:
a) Nula (Ho)
b) Alternativa (HA o H1)
La Hipótesis Alternativa representa a la Investigación y esta asociada con

lo que se quiere probar, sin embargo otra opción sería procesar los
lineamientos de la hipótesis nula para cotejarla con la Hipótesis
Alternativa.
Si se acepta la Nula (Ho), se rechaza la Alternativa (HA ). Si se rechaza H0
se acepta HA.
135
En el contraste de hipótesis es posible cometer dos tipos de errores:

a) Tipo I
b) Tipo II
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
PASOS SUGERIDOS PARA REALIZAR UNA PRUEBA DE HIPÓTESIS.
1.- Planteamiento de Hipótesis:

Nula (Ho). Se identifica con el signo =
Alternativa (HA). Se identifica con el signo  0 = .
2.- Identificar el estadístico de prueba:

Z, t, , rs, F entre otros.
3.- Aplicar criterios de rechazo o aceptación de la hipótesis Nula,

considerando por ejemplo, el estadístico de prueba tHay evidencia suficiente
para rechazar la Hipótesis Nula para la muestra analizada y confiabilidad
asignada.Tabla t de Student
137
Para prueba de una cola:

Hay evidencia suficiente
Si t c  t o - t c  t para rechazar la Hipótesis
Nula para la muestra
Tabla t de Student analizada y confiabilidad
asignada.
Para prueba de dos colas:

Hay evidencia suficiente
t t
Si t c   o - t c   para rechazar la Hipótesis
2 2 Nula para la muestra
analizada y confiabilidad
Tabla t de Student. asignada.
138
OBSERVACIONES
Si se usa tabla de una cola t se consigue interceptando la vertical

correspondiente al valor de n-1 si es una base de datos y n1 + n2 –2 si se
tienen dos bases de datos con la horizontal del valor del nivel de
significación () o margen de error teórico.
Si la prueba es de dos colas en la horizontal se gráfica el valor de /2 y en

la vertical el mismo valor de la observación anterior.
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.
Equipo A (TO) Equipo B (TO)
15 14
17 16
18 19
15 13
14 13
16 16
TO en miles de horas 140

PASOS SUGERIDOS PARA LA SOLUCIÓN DEL PROBLEMA
1.- Planteamiento de Hipótesis.

Hipótesis Nula; H0 : A = B
Hipótesis Alternativa; HA : A  B
2.- Criterio a Utilizar.Hay evidencia suficiente para rechazar la Hipótesis

Nula para la muestra analizada y confiabilidad asignada.Tabla t de
Student
Para prueba de una cola:

 Hay evidencia suficiente
Si t c  t  α o - t c  t  para rechazar la
Hipótesis Nula para la
muestra analizada y
 Tabla t de Student
confiabilidad asignada.
141
XA  XB Se utiliza cuando se analizan dos bases de

tc 
1 1 datos
Sp 
n A nB
(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
3.- Elaboración de la Tabla para sustituir en la ecuación de tc
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
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
Tabla t para una cola.
=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
X 
tc  Se utiliza cuando se analiza una sola base
S
de datos
n
 : es la media poblacional y se refiere a la

proyección estimada o sea tendencia.
(
X2 n  X ) 2
S
n 1
146
TALLER DE APLICACIÓN PARA PRUEBA DE HIPÓTESIS
El Jefe de Operaciones de la empresa TLQ, expresa en una reunión con su

personal que la producción expresado en cantidad de artículos del Distrito
Anaco es superior a la del Distrito PLC. Aplicando la herramienta de Prueba de
Hipótesis con una Confiabilidad de 95%. ¿Considera su Equipo que el Jefe
tiene la Razón?. La información disponible para procesar se muestra en la
tabla1. ¿Qué conclusión se tendría para una Confiabilidad de 93%
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
Artículos expresado en unidades de mil
147

Clase de Estadística Postgrado

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase de Estadística Postgrado

Cargado por

Copyright:

Formatos disponibles

UGMA

CENTRO DE ESTUDIOS DE POSTGRADO

Barcelona, Enero de 2007

La función de la Estadística es ayudar a decidir cuales datos son necesarios

La preparación del curso está orientado hacia profesionales, que desconocen

Se espera un beneficio integral intercambiando experiencias.

 Clasificar un conjunto de datos, realizar su representación gráfica e

 Realizar muestreos probabilísticos que garanticen la obtención de una

TEMA 1. ESTADÍSTICA DESCRIPTIVA.

TEMA 2. DISTRIBUCIÓN DE PROBABILIDADES.

TEMA 3. ESTADÍSTICA INFERENCIAL

TEMA 4. MODELOS DE COMPORTAMIENTOS REGRESIVOS SIMPLE -

Diagrama de dispersión, análisis de regresión, coeficiente de determinación y de

Participación y aportes significativos al logro de los

Asignaciones, exposiciones y trabajos prácticos en clase. 20

Trabajo de Investigación Grupal 25

Discretos Cuartiles RESULTADOS

q Planteamiento del Problema.

 Recomendaciones (aporte grupal).

 Bibliografía. (Fuente de Información)

FUNCIONES BÁSICAS DE LA ESTADÍSTICA MODERNA

Es una medida de posición de tendencia central,

Casos para datos No Agrupados:

2.- Si el número de Observaciones es Par

primer valor central  segundo valor central

Para datos Agrupados

n  LRi = Límite Real inferior

Rango = Diferencia entre la observación mayor y la menor

Número de Clase = 1 + 3,322 Log. (n)

Indica que la variable que se esta procesando,

Representa una medida de variabilidad o sesgo en forma cuadrática,

 Coeficiente de Asimetría (CA) CA  3

 0,263  Dispersión de los datos

K = 0.263  Comportamiento Normal de los datos

 0.263  Concentración de los datos

Nota: Presente las Observaciones que consideren necesarias y realice un

Paso N° 3 Cálculo del número de clase 1110

1800,3 a 2160,3 26 1980 51480 65

2160,4 a 2520,4 19 2340 44460 84

2520,5 a 2880,5 16 2700 43200 100

2880,6 a 3240,6 12 3060 36720 112

n  Ubicación de la mediana: (n/2) = 57

1800,3 a 2160,3 26 1980 51480 65 MD

2160,4 a 2520,4 19 2340 44460 84

2520,5 a 2880,5 16 2700 43200 100

En vista que la Media es mayor que la Mediana, se concluye que la

1080,1 a 1440,1 13 1260 16380 20 Q1 = 1601,0526

2160,4 a 2520,4 19 2340 44460 84

2520,5 a 2880,5 16 2700 43200 100

2880,6 a 3240,6 12 3060 36720 112

1080,1 a 1440,1 13 1260 16380 20 Q3 = 2553,7500

2160,4 a 2520,4 19 2340 44460 84

2520,5 a 16 2700 43200 100 Q3

2880,6 a 3240,6 12 3060 36720 112

2160,4 a 2520,4 19 2340 44460 84

2520,5 a 2880,5 16 2700 43200 100 Q3

2880,6 a 3240,6 12 3060 36720 112

3240,7 a 3600,7 2 3420 6840 114 29

2160,4 a 2520,4 19 2340 44460 84

2520,5 a 2880,5 16 2700 43200 100 Q3

3240,7 a 3600,7 2 3420 6840 114

 0,263  Dispersión de los datos

K = 0.263  Comportamiento Normal de los datos

 0.263  Concentración de los datos