“UNIVERSIDAD PRIVADA ANTENOR ORREGO”
Ingeniería industrial
Curso: Estadística inferencial
Profesor: Selene Claudelina Yengle Del Castillo
Integrantes:
Limay Trujillo, Adriana
Prieto Mudarra, Jhonkler Jhair
Hidalgo Rodriguez, Milagros
Tapia Sanchez, Katherine
Varas Rojas, Luis Gustavo
Roncal Bueno, Fernanda
1.
Variable aleatoria
Una variable aleatoria es una función que asigna un valor numérico a cada resultado posible
de un experimento aleatorio. Por lo tanto, una variable aleatoria es una cantidad cuyo valor
se determina por el azar.
Existen dos tipos de variables aleatorias: discretas y continuas. Las variables aleatorias
discretas solo pueden tomar valores enteros, mientras que las variables aleatorias continuas
pueden tomar cualquier valor dentro de un intervalo
Ejemplos de Variables Aleatorias Discretas
Algunos ejemplos de variables aleatorias discretas incluyen el número de veces que se
lanza una moneda hasta que sale cara, el número de bolas blancas extraídas de una urna
después de varios intentos, y el número de personas en una muestra de población que
tienen un determinado rasgo genético.
La función de probabilidad
La función de probabilidad de una variable aleatoria discreta se puede representar mediante
una tabla o un gráfico de barras. La función de probabilidad de una variable aleatoria
discreta asigna la probabilidad de que la variable tome cada uno de sus posibles valores. La
suma de todas las probabilidades debe ser igual a 1.
La función de densidad de probabilidad de una variable aleatoria continua describe la
probabilidad de que la variable tome un valor dentro de un rango particular. El área bajo la
curva de la función de densidad de probabilidad entre dos valores representa la probabilidad
de que la variable tome un valor dentro de ese rango.
Clases de Variables Aleatorias
Las variables aleatorias se clasifican en función de su naturaleza. Las variables aleatorias
discretas incluyen resultados como el número de caras en una moneda lanzada varias
veces o el número de hijos en una familia seleccionada al azar.
Las variables aleatorias continuas incluyen resultados como la altura de una persona, el
tiempo que tarda un automóvil en recorrer una distancia determinada o la cantidad de lluvia
caída en un día dado.
Función de Distribución
La función de distribución acumulativa de una variable aleatoria discreta describe la
probabilidad acumulativa de que la variable tome un valor menor o igual a un valor
particular. La función de distribución acumulativa de una variable aleatoria continua describe
la probabilidad acumulativa de que la variable tome un valor menor o igual a un valor
particular.La función de distribución acumulativa es útil para calcular probabilidades de
intervalos y para comparar diferentes distribuciones de probabilidad.
Ejemplos de Variables Aleatorias Continuas
Algunos ejemplos de variables aleatorias continuas incluyen la altura de una persona, el
tiempo que tarda un coche en recorrer una distancia determinada, y la cantidad de lluvia
caída en un día dado.
La función de densidad de probabilidad de una variable aleatoria continua se puede
representar mediante una curva en un gráfico.
2.
Distribución de probabilidad discreta
La distribución de probabilidad discreta se utiliza para modelar variables aleatorias discretas
que pueden tomar un número finito o infinito contable de valores. Es una función
matemática que asigna a cada posible valor de la variable aleatoria la probabilidad de que
ocurra. Existen dos tipos principales de distribución de probabilidad discreta: la distribución
binomial y la distribución de Poisson. Ambas distribuciones son ampliamente utilizadas en la
ingeniería industrial para modelar eventos aleatorios.
Distribución binomial
La distribución binomial es una distribución de probabilidad discreta que se utiliza para
modelar el número de éxitos en una secuencia de ensayos independientes e idénticos. La
distribución binomial tiene dos parámetros: n, el número total de ensayos, y p, la
probabilidad de éxito en cada ensayo.
Un ejemplo aplicativo de la distribución binomial en la ingeniería industrial podría ser el
número de productos defectuosos en una línea de producción. Si sabemos que la
probabilidad de que un producto sea defectuoso es del 5%, podemos usar la distribución
binomial para calcular la probabilidad de que haya cierto número de productos defectuosos
en una muestra de tamaño n.
Ejemplo: Supongamos que una fábrica produce piezas de metal y que el proceso de
fabricación tiene un defecto del 5%. Esto significa que de cada 100 piezas fabricadas, en
promedio, 5 tendrán un defecto.
El ingeniero industrial de la fábrica quiere asegurarse de que la tasa de defectos se
mantenga por debajo del 5% en el futuro. Para hacer esto, él o ella puede usar el método
binomial para calcular la probabilidad de que un número determinado de piezas en una
muestra de tamaño n tenga un defecto.
Por ejemplo, si la fábrica produce una muestra de 50 piezas, el ingeniero puede usar el
método binomial para calcular la probabilidad de que exactamente 2 piezas tengan un
defecto. La fórmula para el método binomial es:
P(x=k) = C(n,k) * p^k * (1-p)^(n-k)
Donde:
P(x=k) es la probabilidad de que k eventos de un tipo determinado ocurran en una muestra
de tamaño n
C(n,k) es el coeficiente binomial, que se utiliza para calcular el número de combinaciones
posibles de k elementos elegidos de un conjunto de n elementos
p es la probabilidad de que un evento de un tipo determinado ocurra en una sola
observación
(1-p) es la probabilidad de que el evento no ocurra en una sola observación.
K=2
N=50
P=5%=0.005
P(x=2) = C(50,2) * 0.05^2 * (1-0.05)^(50-2) = 0.238
Rpta: Esto significa que la probabilidad de que exactamente 2 piezas tengan un defecto en
una muestra de 50 piezas es del 23,8%.
El ingeniero industrial puede usar esta información para tomar decisiones informadas sobre
cómo mejorar el proceso de fabricación y mantener la tasa de defectos por debajo del 5%.
Por ejemplo, puede decidir aumentar la frecuencia de las inspecciones de calidad o mejorar
el proceso de fabricación para reducir aún más la tasa de defectos.
Distribución de Poisson
La distribución de Poisson es una distribución de probabilidad discreta que se utiliza para
modelar el número de eventos raros en un intervalo de tiempo o espacio. La distribución de
Poisson tiene un solo parámetro, λ, que representa la tasa media de ocurrencia de los
eventos raros.
Un ejemplo aplicativo de la distribución de Poisson en la ingeniería industrial podría ser el
número de llamadas de servicio técnico recibidas por una empresa en un día. Si sabemos
que la tasa media de llamadas es de 10 por día, podemos usar la distribución de Poisson
para calcular la probabilidad de que haya cierto número de llamadas en un día determinado.
Ejemplo: En una empresa pequeña de venta de electrodomésticos, un ingeniero industrial
quiere registrar las llamadas de pedidos por día para luego analizar la demanda. La tasa de
ocurrencia es de 10 llamadas por día.
1) ¿Probabilidad de que haya exactamente 5 llamadas de servicio técnico en un día?
Fórmula de distribución de Poisson:
P (X = x) = (e^-λ * λ^x) / x!
Donde:
- X es el número de eventos que ocurren en un intervalo de tiempo determinado.
- λ es la tasa de ocurrencia media de eventos en ese intervalo de tiempo.
- e es la constante matemática e (~2.71828).
- x! es el factorial de x.
P(X = 5) = (e^-10 * 10^5) / 5! = 0.037
La probabilidad de que haya exactamente 5 llamadas de servicio técnico en un día es de
3.7%
2) ¿Probabilidad de que haya menos de 3 llamadas de servicio técnico en un día?
P(X < 3) = P(X = 0) + P(X = 1) + P(X = 2) = (e^-10 * 10^0) / 0! + (e^-10 * 10^1) / 1! + (e^-10 *
10^2) / 2! = 0.125
La probabilidad de que haya menos de 3 llamadas de servicio técnico en un día es de
12.5%
Características de la distribución binomial
La distribución binomial tiene varias características importantes. En primer lugar, la
distribución es simétrica si p=0.5. En segundo lugar, la media de la distribución es igual a
np. En tercer lugar, la varianza de la distribución es igual a np(1-p).
Estas características hacen que la distribución binomial sea útil para modelar eventos con
dos posibles resultados (éxito o fracaso) y para calcular la probabilidad de obtener un
número específico de éxitos en un número específico de ensayos.
Ejemplos aplicativos en la ingeniería industrial
La distribución binomial y la distribución de Poisson son ampliamente utilizadas en la
ingeniería industrial para modelar eventos aleatorios. Algunos ejemplos aplicativos incluyen:
- El número de productos defectuosos en una línea de producción.
- El número de llamadas de servicio técnico recibidas por una empresa en un día.
- El número de accidentes laborales en una planta de fabricación.
- El número de clientes que ingresan a una tienda en una hora determinada.
- El número de errores en un informe financiero.
En todos estos casos, las distribuciones de probabilidad discreta pueden ayudar a los
ingenieros industriales a comprender mejor los eventos aleatorios y a tomar decisiones
informadas sobre cómo mejorar los procesos y reducir los riesgos.
-Un ejemplo aplicativo de la distribución de Poisson en ingeniería industrial puede ser en la
evaluación de la calidad del proceso de producción en una fábrica. Supongamos que una
empresa quiere asegurarse de que el número de productos defectuosos en una línea de
producción no exceda de cierto número durante un período de tiempo determinado. En este
caso, la distribución de Poisson se puede utilizar para calcular la probabilidad de que se
produzca un número determinado de productos defectuosos en la línea de producción.
-Un ejemplo aplicativo de la distribución binomial en ingeniería industrial puede ser en la
evaluación de la eficacia de una nueva técnica de producción. Supongamos que una
empresa quiere saber si una nueva técnica de producción aumenta la probabilidad de que
un producto se produzca sin defectos en una línea de producción. En este caso, la
distribución binomial se puede utilizar para calcular la probabilidad de que se produzca un
número determinado de productos sin defectos en un número fijo de ensayos.
