Análisis de Datos para la Gerencia

CURSO: Análisis de Datos para la Gerencia

José Antonio Robles Flores

Sistemas de Información y Métodos Cuantitativos

ESAN Graduate School of Business
Lima - Peru

Basado en: Levine; Krehbiel & Berenson 2014.

Estadística para Administración 6ta Edición.
Pearson.

junio ©
José Antonio Robles Flores de 2017 1
 Análisis de Datos para la Gerencia

CURSO: Análisis de Datos para la Gerencia

SESION 03: Distribución de Probabilidad

(Capítulo 05)

Basado en: Levine; Krehbiel & Berenson 2014. Estadística para

Administración 6ta Edición. Pearson.

junio ©
José Antonio Robles Flores de 2017 2
 Análisis de Datos para la Gerencia

Objetivos de Aprendizaje
En este capítulo aprenderemos:
• Las propiedades de la distribución de probabilidad
• A calcular el valor esperado y la varianza de una
distribución de probabilidad
• A calcular probabilidades de una distribución binomial
• Cómo la distribución binomial puede utilizarse para
resolver problemas de negocios

junio ©
José Antonio Robles Flores de 2017 3
 Análisis de Datos para la Gerencia

Definiciones de Variables Aleatorias

• Una variable aleatoria representa un valor numérico

de un evento incierto.

• Las variables aleatorias discretas producen

resultados que provienen de un proceso de conteo
(ej: número de clases que usted está tomando en la
Universidad).

• Las variables aleatorias continuas producen

resultados que provienen de una medición (ej: su
salario anual, o su peso).
junio ©
José Antonio Robles Flores de 2017 4
 Análisis de Datos para la Gerencia

Definiciones de Variables Aleatorias

Variables
Random
Aleatorias
Variables

Cap. 5 Variables Aleatorias

Discrete Variables Aleatorias Cap. 6
Continuous
Random Variable
Discretas Random Variable
Continuas

junio ©
José Antonio Robles Flores de 2017 5
 Análisis de Datos para la Gerencia

Variables Aleatorias Discretas

• Sólo pueden asumir un número de valores que se

pueda contar
Ejemplos:

– Lanzar un dado dos veces

Sea X el número de veces que ocurre el 4
(entonces X puede ser 0, 1, o 2 veces)

– Lanzar una moneda 5 veces.

Sea X el número de caras
(entonces X = 0, 1, 2, 3, 4, o 5)
junio ©
José Antonio Robles Flores de 2017 6
 Análisis de Datos para la Gerencia

Distribución de Probabilidad para una Variable

Aleatoria Discreta
• Una distribución de probabilidad para una variable
aleatoria discreta es una lista mutuamente excluyente de
todos los posibles resultados numéricos para esa variable y
una probabilidad de ocurrencia asociada con cada
resultado.
Número de clases Probabilidad
matriculadas
2 0.20
3 0.40
4 0.24
5 0.16

junio ©
José Antonio Robles Flores de 2017 7
 Análisis de Datos para la Gerencia

Ejemplo de Distribución de Probabilidad de una

Variable Aleatoria Discreta
Experimento: Lanzar 2 Monedas. Sea X = # caras.
4 posibles resultados
Distribución de Probabilidad
S S Valor de X Probabilidad
0 1/4 = 0.25

S C 1 2/4 = 0.50
2 1/4 = 0.25
C S
Probabilidad

0.50

0.25
C C
0 1 2 X
junio ©
José Antonio Robles Flores de 2017 8
 Análisis de Datos para la Gerencia

Variables Aleatorias Discretas

Valor Esperado (Medida Central)
• Valor Esperado (o media) de una variable
aleatoria discreta (Promedio Ponderado)
N
  E(X)   xi P( X  xi )
i 1

X P(X=xi)
– Ejemplo: Lance 2 monedas, 0 0.25
X = # de caras, 1 0.50

calcule el valor esperado de X: 2 0.25

E(X) = ((0)(0.25) + (1)(0.50) + (2)(0.25))

= 1.0

junio ©
José Antonio Robles Flores de 2017 9
 Análisis de Datos para la Gerencia

Variables Aleatorias Discretas

Midiendo la Dispersión
• Varianza de una variable aleatoria discreta
N
σ 2   [x i  E(X)] 2 P(X  x i )
i 1

• Desviación Estándar de una variable aleatoria discreta

N
σ  σ2   i
[x
i 1
 E(X)] 2
P(X  x i )

donde:
E(X) = Valor esperado de una variable aleatoria discreta X
xi = el iésimo resultado de X
P(X=xi) = Probabilidad de ocurrencia del iésimo resultado de X
junio ©
José Antonio Robles Flores de 2017 10
 Análisis de Datos para la Gerencia

Variables Aleatorias Discretas

Midiendo la Dispersión (continuación)

– Ejemplo: Lance 2 monedas, X = # caras,

calcule la desviación estándar (recuerde E(X) = 1)

σ  [ xi  E(X)] P(X  x i )
2

σ  (0  1)2 (0.25)  (1 1)2 (0.50)  (2  1)2 (0.25)  0.50  0.707

Posible número de
caras = 0, 1, or 2

junio ©
José Antonio Robles Flores de 2017 11
 Análisis de Datos para la Gerencia

Distribución de Probabilidades

Distribuciones
de Probabilidad

Cap. 5 Distribuciones Distribuciones Cap. 6

de Probabilidad de Probabilidad
Discreta Continua

Binomial Normal

Poisson

junio ©
José Antonio Robles Flores de 2017 12
 Análisis de Datos para la Gerencia

Distribución de Probabilidad Binomial

 Un número fijo de observaciones, n

 Ej: 15 lanzamientos de una moneda; diez focos tomados
de un almacén
 Cada observación se categoriza según sea o no la
ocurrencia del “evento de interés”
 Ej: caras o sellos en cada lanzamiento de una moneda;
focos defectuosos o no defectuosos
 Puesto que estas dos categorías son mutuamente
excluyentes y colectivamente exhaustivas
 Cuando la probabilidad de un evento de interés se representa por
π, entonces la probabilidad de que no ocurra el evento de interés
es 1 - π

junio ©
José Antonio Robles Flores de 2017 13
 Análisis de Datos para la Gerencia

Distribución de Probabilidad Binomial

(continuación)

 Probabilidad constante para la ocurrencia del

evento de interés (π) para cada observación
 Probabilidad de obtener un sello es igual cada vez que se
lanza la moneda
 Las observaciones son independientes
 El resultado de una observación no afecta el resultado de
las otras
 Dos métodos de muestreo permiten la independencia
 Población infinita sin reemplazo
 Población finita con reemplazo

junio ©
José Antonio Robles Flores de 2017 14
 Análisis de Datos para la Gerencia

Posibles Aplicaciones para la Distribución

Binomial
• Una planta de manufactura describe los artículos
como defectuosos o aceptables
• Una empresa que se presenta a licitaciones
obtendrá un contrato o no lo obtendrá
• Una empresa de investigación de mercados recibe
las respuestas a una encuesta como “sí compraré”
o “no, no compraré”
• Los candidatos a una nueva posición de trabajo
aceptarán la oferta o la rechazarán

junio ©
José Antonio Robles Flores de 2017 15
 Análisis de Datos para la Gerencia

La Distribución Binomial
Técnicas de Conteo
• Supongamos que el evento de interés es obtener caras al
lanzar una moneda “buena”. Usted va a lanzar la moneda
tres veces. ¿De cuántas maneras se puede obtener dos
caras?

• Posibles formas: CCS, CSC, SCC, entonces hay tres

formas de obtener dos caras.

• Esta situación es bastante simple. Necesitamos la

capacidad de contar el número de formas para situaciones
más complejas.

junio ©
José Antonio Robles Flores de 2017 16
 Análisis de Datos para la Gerencia

Técnicas de Conteo
La Regla de las Combinaciones

• El número de combinaciones de seleccionar X

objetos de n objetos es

n!
n Cx 
x!(n  x)!
donde:
n! =(n)(n - 1)(n - 2) . . . (2)(1)
X! = (X)(X - 1)(X - 2) . . . (2)(1)
0! = 1 (por definicón)

junio ©
José Antonio Robles Flores de 2017 17
 Análisis de Datos para la Gerencia

Técnicas de Conteo
La Regla de las Combinaciones
• ¿De cuántas posibles combinaciones de 3
sabores se puede crear un helado si hay 31
sabores para elegir?
• El total de elecciones es n = 31, y seleccionamos
X = 3.
31! 31! 31  30  29  28!
31 C 3     31  5  29  4,495
3!(31  3)! 3!28! 3  2  1  28!

junio ©
José Antonio Robles Flores de 2017 18
 Análisis de Datos para la Gerencia

Fórmula de la Distribución Binomial

n! x nx
P(X=x |n,π)  π (1-π)
x! (n  x )!

P(X=x|n,π) = probabilidad de x eventos de interés

en n intentos, con probabilidad de un
“evento de interés” sea π para Ejemplo: lance una
cada intento moneda cuatro veces, sea
x = # caras:
x = número de “eventos de interés” en la n=4
muestra, (x = 0, 1, 2, ..., n)
π = 0.5
n = tamaño de muestra (número de intentos u
1 - π = (1 - 0.5) = 0.5
observaciones)
X = 0, 1, 2, 3, 4
π = probabilidad del “evento of interés”
junio ©
José Antonio Robles Flores de 2017 19
 Análisis de Datos para la Gerencia

Ejemplo:
Cálculo de una Probabilidad Binomial
¿Cuál es la probabilidad de un éxito en cinco observaciones
si la probabilidad de un evento de interés es 0.1?
x = 1, n = 5, y π = 0.1

n!
P(X  1 | 5,0.1)   x (1   ) n  x
x!(n  x)!
5!
 (0.1)1 (1  0.1) 51
1!(5  1)!
 (5)(0.1)(0 .9) 4
 0.32805

junio ©
José Antonio Robles Flores de 2017 20
 Análisis de Datos para la Gerencia

La Distribución Binomial
Ejemplo
Supongamos que la probabilidad de comprar una
computadora defectuosa es 0.02. ¿Cuál es la probabilidad
de comprar 2 computadoras defectuosas en un grupo de 10?
x = 2, n = 10, y π = 0.02
n!
P(X  2 | 10, 0.02)   x (1   ) n  x
x!(n  x)!
10!
 (.02) 2 (1  .02)10  2
2!(10  2)!
 (45)(.0004 )(.8508)
 .01531

junio ©
José Antonio Robles Flores de 2017 21
 Análisis de Datos para la Gerencia

La Forma de la Distribución Binomial

La forma de la distribución
binomial depende de los P(X=x|5, 0.1)
valores π y n .6
.4
.2
 Aquí, n = 5 y π = .1 0
0 1 2 3 4 5 x

P(X=x|5, 0.5)
.6
.4
 Aquí, n = 5 y π = .5 .2
0
0 1 2 3 4 5 x

junio ©
José Antonio Robles Flores de 2017 22
 Análisis de Datos para la Gerencia

La Distribución Binomial usando Tablas

Binomiales (en Internet)
n = 10
x … π=.20 π=.25 π=.30 π=.35 π=.40 π=.45 π=.50
0 … 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010 10
1 … 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098 9
2 … 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439 8
3 … 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172 7
4 … 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051 6
5 … 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461 5
6 … 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051 4
7 … 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172 3
8 … 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439 2
9 … 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098 1
10 … 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0

… π=.80 π=.75 π=.70 π=.65 π=.60 π=.55 π=.50 x

Ejemplos:
n = 10, π = 0.35, x = 3:
n = 10, π = 0.75, x = 2:
junio ©
José Antonio Robles Flores de 2017
P(X = 3|10, 0.35) = 0.2522
P(X = 2|10, 0.75) = 0.0004
23
 Análisis de Datos para la Gerencia

Características de la Distribución Binomial

• Media
μ  E(X)  n
• Varianza y Desviación Estándar
2
σ  nπ (1 - π )
σ  nπ (1 - π )
Donde n = tamaño de muestra
π = probabilidad del evento de interés para cualquier intento
(1 – π) = probabilidad del no evento de interés para cualquier intento

junio ©
José Antonio Robles Flores de 2017 24
 Análisis de Datos para la Gerencia

Características de la Distribución Binomial

Ejemplos
P(X=x|5, 0.1)
μ  nπ  (5)(.1)  0.5 .6
.4
σ  nπ (1 - π )  (5)(.1)(1  .1) .2
0
 0.6708 0 1 2 3 4 5 x

P(X=x|5, 0.5)
μ  nπ  (5)(.5)  2.5 .6
.4
σ  nπ (1 - π )  (5)(.5)(1  .5) .2
0
 1.118 0 1 2 3 4 5 x

junio ©
José Antonio Robles Flores de 2017 25
 Análisis de Datos para la Gerencia

Excel Para la Distribución Binomial

(n = 4, π = 0.1)

junio ©
José Antonio Robles Flores de 2017 26
 Análisis de Datos para la Gerencia

La Distribución de Poisson
Definiciones
• Se usa la distribución de Poisson cuando se
está interesado en el número de veces que ocurre
un evento en una determinada área de
oportunidad.
• un área de oportunidad es una unidad continua
o un intervalo de tiempo, volumen, o un área en la
cual más de una ocurrencia de un evento puede
ocurrir.
– El número de rayones en la pintura de un auto
– El número de picaduras de mosquito en una persona
– El número de fallas de computador en un día
junio ©
José Antonio Robles Flores de 2017 27
 Análisis de Datos para la Gerencia

La distribución de Poisson
• Aplicar la Distribución de Poisson cuando:
– Se quiere contar el número de veces que ocurre un evento
en un área de oportunidad
– La probabilidad de que ocurra un evento en un área de
oportunidad es la misma para todas las áreas de oportunidad
– El número de eventos que ocurren en un área de oportunidad
es independiente del número de eventos que ocurren en las
otras áreas de oportunidad
– La probabilidad de que dos o más eventos ocurran en un
área de oportunidad se aproxima a cero a medida que las
áreas de oportunidad se hacen más pequeñas
– El número promedio de eventos por unidad es  (lambda)
junio ©
José Antonio Robles Flores de 2017 28
 Análisis de Datos para la Gerencia

Fórmula de la Distribución de Poisson


e  x
P( X  x |  ) 
x!
donde:
x = número de eventos en un área de oportunidad
 = número esperado de eventos
e = base del sistema de logaritmo natural (2.71828...)

junio ©
José Antonio Robles Flores de 2017 29
 Análisis de Datos para la Gerencia

Características de la Distribución de Poisson

• Media
μλ
 Varianza y Desviación Estándar

σ2  λ
σ λ
donde  = número esperado de eventos

junio ©
José Antonio Robles Flores de 2017 30
 Análisis de Datos para la Gerencia

Utilizando Tablas de Poisson (Disponibles en Web)

X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066

1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Ejemplo: Encontrar P(X = 2 |  = 0.50)

e  λ λ x e 0.50 (0.50) 2
P(X  2 | 0.50)    0.0758
x! 2!

junio ©
José Antonio Robles Flores de 2017 31
 Análisis de Datos para la Gerencia

Excel Para la Distribución de Poisson

(λ= 3)

junio ©
José Antonio Robles Flores de 2017 32
 Análisis de Datos para la Gerencia

Gráfico de Probabilidades de Poisson

Gráficamente:
 = 0.50
=
X 0.50
0 0.6065
1 0.3033
2 0.0758
3 0.0126
4 0.0016
5 0.0002
6 0.0000
P(X = 2 | =0.50) = 0.0758
7 0.0000

junio ©
José Antonio Robles Flores de 2017 33
 Análisis de Datos para la Gerencia

Forma de la Distribución de Poisson

• La forma de la Distribución de Poisson

depende del parámetro  :
 = 0.50  = 3.00

junio ©
José Antonio Robles Flores de 2017 34
 Análisis de Datos para la Gerencia

Resumen del Capítulo

• Las propiedades de una distribución de probabilidad

de una variable aleatoria discreta
• Cómo calcular el valor esperado y la varianza de
una variable aleatoria discreta
• Discusión de la distribución binomial, cómo utilizarla
para calcular probabilidades y cómo utilizarla para
resolver problemas de negocios
• Discusión de la distribución de Poisson, cómo
utilizarla para calcular probabilidades y cómo
utilizarla para resolver problemas de negocios

junio ©
José Antonio Robles Flores de 2017 35
 Análisis de Datos para la Gerencia

Referencias

• Levine; Krehbiel & Berenson 2014. Estadística para

Administración 6ta Edición. Pearson.

junio ©
José Antonio Robles Flores de 2017 36