Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
junio ©
José Antonio Robles Flores de 2017 1
Análisis de Datos para la Gerencia
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
Variables
Random
Aleatorias
Variables
junio ©
José Antonio Robles Flores de 2017 5
Análisis de Datos para la Gerencia
junio ©
José Antonio Robles Flores de 2017 7
Análisis de Datos para la Gerencia
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
X P(X=xi)
– Ejemplo: Lance 2 monedas, 0 0.25
X = # de caras, 1 0.50
junio ©
José Antonio Robles Flores de 2017 9
Análisis de Datos para la Gerencia
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
σ [ xi E(X)] P(X x i )
2
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
Binomial Normal
Poisson
junio ©
José Antonio Robles Flores de 2017 12
Análisis de Datos para la Gerencia
junio ©
José Antonio Robles Flores de 2017 13
Análisis de Datos para la Gerencia
junio ©
José Antonio Robles Flores de 2017 14
Análisis de Datos para la Gerencia
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?
junio ©
José Antonio Robles Flores de 2017 16
Análisis de Datos para la Gerencia
Técnicas de Conteo
La Regla de las Combinaciones
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
n! x nx
P(X=x |n,π) π (1-π)
x! (n x )!
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) 51
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 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
Ejemplos:
n = 10, π = 0.35, x = 3: P(X = 3|10, 0.35) = 0.2522
n = 10, π = 0.75, x = 2: P(X = 2|10, 0.75) = 0.0004
junio ©
José Antonio Robles Flores de 2017 23
Análisis de Datos para la Gerencia
• 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
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
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
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
• Media
μλ
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
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
junio ©
José Antonio Robles Flores de 2017 32
Análisis de Datos para la Gerencia
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
junio ©
José Antonio Robles Flores de 2017 34
Análisis de Datos para la Gerencia
junio ©
José Antonio Robles Flores de 2017 35
Análisis de Datos para la Gerencia
Referencias
junio ©
José Antonio Robles Flores de 2017 36