Professional Documents
Culture Documents
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
GUIA DE APRENDIZAJE
Trabajo Autnomo del Estudiante
1. OBJETIVOS
Objetivo General:
Conocer los trminos bsicos de la estadstica a nivel de distribuciones de probabilidad.
Objetivos Especficos:
Verificar como la estadstica nos ayuda a encontrar soluciones a problemas de diferentes ndoles que se
presentan en nuestra vida profesional.
El de usar diversas formas de organizar y manejar un conjunto de datos para poder hacer una interpretacin
visual de la informacin, de manera concisa y rpida de leer.
2. COMPETENCIAS A DESARROLLAR
1. COMPETENCIAS BSICAS:
INTERPRETATIVA: Capacidad de relacionar los diversos leguajes y formas que describe el proceso
estadstico, las caractersticas de cada uno de sus componentes.
2. COMPETENCIAS ESPECFICAS
COMPETENCIAS DE ACCION: Docente- Estudiante
Conocimientos y destrezas de aptitudes.
Procedimientos.
Comportamientos.
Formas de organizacin.
Habilidad en el registro de datos y contraste con los parmetros estadsticos que le permitan estudiar el
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
3. DIAGRAMA DE PROCESOS
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
4. TEMATICA.
Para el desarrollo de la presente gua se deber tener algunos conceptos previos con el fin de entender e interpretar
temticas abordadas en esta unidad.
Fiabilidad estadstica:
La fiabilidad estadstica es necesaria para garantizar la validez y precisin del anlisis estadstico.
Se relaciona con la capacidad de reproducir los resultados tantas veces como sea necesario. Esto es esenci
ya que genera confianza en el anlisis estadstico y en los resultados obtenidos.
Por ejemplo, supongamos que ests estudiando el efecto de un nuevo medicamento en la presin arterial en
ratones. Quieres hacer una serie de pruebas y si los resultados son positivos para controlar la presin
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
DISTRIBUCIONES DE PROBABILIDAD.
Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede
de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque pue
tomar diferentes valores, aleatoria, porque el valor tomado es totalmente
azar y discreta porque solo puede tomar valores enteros y un nmero fin
de ellos.
Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio que s
generadas en un proceso dado.
x0, 1, 2, 3, 4, 5, etc., etc. burbujas por envase
xVariable que nos define el nmero de productos defectuosos en un lote de
productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variabl
siempre sern enteros, nunca fraccionarios.
Ejemplos:
xVariable que nos define la longitud de un cable o circuito utilizado en un arns de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
Como se observa en los ejemplos anteriores, una variable continua puede tomar cualqu
valor, entero o fraccionario, una forma de distinguir cuando se trata de una variable contin
es que esta variable nos permite medirla o evaluarla, mientras que una variable discreta no
medible, es una variable de tipo atributo, cuando se inspecciona un producto este puede
defectuoso o no, blanco o negro, cumple con las especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de probabilidad, las q
pueden ser.
2. p (xi) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben
mayores o iguales a cero.
3.p (xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores q
toma x debe ser igual a 1.
x Es una variable que puede tomar tanto valores enteros como fraccionarios.
2. f(x) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayore
iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar s
valores mayores o iguales a cero. La funcin de densidad de probabilidad slo puede estar defin
en los cuadrantes I y II.
Donde:
= media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
Donde:
= desviacin estndar
= media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x
Ejemplos:
1. Segn estadsticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y ma
sufra de algn desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban tres automv
de esta marca y modelo, encuentre el nmero esperado de autos que no sufren de algn desperfe
en los primeros doce meses de uso y su desviacin estndar.
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se obtiene el espa
muestral como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso.
x = variable que nos define el nmero de autos que no sufre de algn desperfecto en el mo
durante los primeros 12 meses de uso
p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS, SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)(0.98)==0.0576
p(NNN) = (0.98)(0.98)(0.98) =0.941192
=E(x) = (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=
=0.0+0.001176+0.115248+2.823576=2.94 3 autos que no sufren algn desperfecto en el mo
en los primeros 12 meses de uso
La interpretacin de la media o valor esperado es; se espera que los 3 autos probados no sufr
de algn desperfecto en el motor en los primeros 12 meses de uso.
= =
Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn desperfecto en
motor en los primeros 12 meses de uso y la variabilidad de este experimento es de cero.
La distribucin de Bernoulli, que toma valores "1", con probabilidad p, o "0", con probabilidad q = 1 p
La distribucin de Rademacher, que toma valores "1" o "-1" con probabilidad 1/2 cada uno.
La distribucin binomial, que describe el nmero de aciertos en una serie de n experimentos
independientes con posibles resultados "s" o "no" (ensayo de Bernoulli, todos ellos con probabilidad de
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
La distribucin binomial negativa o distribucin de Pascal, que describe el nmero de ensayos de Bernou
independientes necesarios para conseguir n aciertos, dada una probabilidad individual de xito p constante
La distribucin geomtrica, que describe el nmero de intentos necesarios hasta conseguir el primer acierto
La distribucin beta-binomial negativa, que describe el nmero de experimentos del tipo "si/no" necesarios
para conseguir n aciertos, cuando la probabilidad de xito de cada uno de los intentos est distribuida de acue
con una beta.
La distribucin binomial negativa extendida.
La distribucin de Boltzmann, importante en mecnica estadstica, que describe la ocupacin de los niveles
de energa discretos en un sistema en equilibrio trmico. Varios casos especiales son:
La distribucin de Gibbs.
La distribucin de MaxwellBoltzmann.
La distribucin elptica asimtrica.
La distribucin fractal parablica.
La distribucin Hipergeometrca extendida.
La distribucin logartmica.
La distribucin logartmica generalizada.
La distribucin de Poisson, que describe el nmero de eventos individuales que ocurren en un periodo de
tiempo. Existen diversas variantes como la Poisson desplazada, la hper-Poisson, la binomial de Poisson y la
ConwayMaxwellPoisson entre otras.
La distribucin de Polya-Eggenberger.
La distribucin Skellam, que describe la diferencia de dos variables aleatorias independientes con
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
Distribucin binomial
Una sucesin de n pruebas se dice que es de Bernoulli cuando los experimentos individuales verifican las
siguientes condiciones: 1. Las n pruebas son independientes. 2. Cada prueba es de Bernoulli. 3. La
probabilidad p de xito es igual en todas las pruebas. La variable aleatoria definida como nmero de xit
en n pruebas, X B(n, p), se dice que sigue una distribucin binomial de parmetros n, p. La variable pue
tomar los valores {0, 1, 2, . . . , k, . . . , n}
DISTRIBUCION POISSON
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
DISTRIBUCIN HIPERGEOMTRICA
La distribucin Hipergeometrca es especialmente til en todos aquellos casos en los que se
extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento extrado o s
retornar a la situacin experimental inicial.
Media y varianza.
Es bien sabido que la media de la suma de variables aleatorias (sean stas independientes o no) e
la suma de las medias y por tanto la media de una distribucin Hipergeometrca ser , como en el
caso de la binomial :
En cambio si las variables sumando no son independientes la varianza de la variable suma no ser l
suma de las varianzas.
Si se evala el valor de la varianza para nuestro caso se obtiene que la varianza de una distribuci
Hipergeometrca de parmetros N, n, p es : si
Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos
resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los dems.
d) El nmero de repeticiones del experimento (n) es constante.
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay u
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos
azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos?
Solucin:
Luego;
donde:
p(x, n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra
NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES
donde:
Fuentes documentales:
3. La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de los
lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:
Cul es la probabilidad de que el grupo hayan ledo la novela 2 personas? Y cmo
mximo 2?
4. La probabilidad de que un artculo producido por una fbrica sea defectuoso es 0.02. Se
envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero esperado de
artculos defectuosos, la varianza y la desviacin tpica.
5. Un agente de seguros vende plizas a cinco personas de la misma edad y que disfrutan de
buena salud. Segn las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 aos o ms es 2/3. Hllese la probabilidad de que, transcurridos 30
aos, vivan:
6. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan ms caras que
cruces.
7. En unas pruebas de alcoholemia se ha observado que el 5% de los conductores controlados
dan positivo en la prueba y que el 10% de los conductores controlados no llevan puesto el
cinturn de seguridad. Tambin se ha observado que las dos infracciones son
independientes. Un guardia de trfico para cinco conductores al azar. Si tenemos en cuenta
que el nmero de conductores es suficientemente importante como para estimar que la
proporcin de infractores no vara al hacer la seleccin:
a. Determinar la probabilidad de que exactamente tres conductores hayan cometido alguna
de las dos infracciones
b. Determine la probabilidad de que al menos uno de los conductores controlados haya
cometido alguna de las dos infracciones.
8. La probabilidad de que un artculo producido por una fbrica sea defectuoso es p = 0.02. Se
envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero esperado de
artculos defectuosos, la varianza y la desviacin tpica.
p.
8.1. En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican
0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una
imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una
imperfeccin en 15 minutos.
9. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades
de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en
cualquiera de dos das consecutivos?
10. La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cul es la probabilidad de tener 3 accidentes?
11. La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que
entre 800 recin nacidos haya 5 pelirrojos?
8. REFLEXIONES
A continuacin encuentra una serie de preguntas que debe contestar adecuadamente, apoyado de su
creatividad y de lecturas.
a) La Importancia de la distribucin de probabilidades.
9. OBSERVACIONES ESPECIALES