Você está na página 1de 48

Herramientas estadísticas

• Contenido:
• Distribución de probabilidad
• Esperanza matemática y varianza
• Distribución normal
• Distribución normal estándar

• Las aplicaciones :
• Son de carácter no determinístico (Probabilístico)
• Muchas decisiones dependen de Probabilidades basadas en
información limitada o incierta
• Gráficas de desempeño logístico

• Objetivo: revisar herramientas estadísticas básicas en la


toma de decisiones de los sistemas de producción
Distribuciones de probabilidad discretas
• Variables discretas: valores enteros asociados a cada suceso

• Distribuciones de variables discretas en las cuales los valores


asociados no son continuos
0,30
0,25

• Reglas de las distribuciones de probabilidad: 0,20


0,15
• Los sucesos mutuamente excluyentes y colectivamente 0,10
exhaustivos 0,05
0,00
• Las probabilidades están comprendidas entre 0 y 1 0 1 2 3 4 5 6 7 8 9 101112
x

• La suma de las probabilidades es igual 1

• El gráfico de la distribución de probabilidades: da una imagen de


su forma, y ayuda a identificar la tendencia central de la distribución
(esperanza matemática) y la variabilidad o dispersión de la
distribución (varianza). Además, permite calcular el Coeficiente de
variación CV.
Distribución de probabilidad discreta
 Ejemplo: Las salidas de un almacén ocurridas en los últimos cincuenta días
se muestra en la siguiente tabla
DIA
SEMANA LUNES MARTES MIERCOLES JUEVES VIERNES
1 39 80 47 54 80
2 88 90 80 96 87
3 77 78 90 69 88
4 69 80 40 60 100
5 76 77 87 101 80
6 79 60 80 70 70
7 60 80 79 70 70
8 80 78 82 55 111
9 60 81 81 70 70
10 77 57 79 70 70

 Construir la distribución de probabilidad de la variable de la calidad “ventas”


 Construir la ojiva
 Calcular la esperanza matemática, la varianza y la desviación estándar de
la distribución
 Establecer el Nivel de Servicio
Distribución de probabilidad discreta
DEMANDA MARCA DE CLASE d fa fr=P(x) fr (%) Fa (%)
36-45 40 2 0,04 4 4
46-55 50 3 0,06 6 10
56-65 60 5 0,1 10 20
66-75 70 10 0,2 20 40
76-85 80 20 0,4 40 80
86-95 90 6 0,12 12 92
96-105 100 3 0,06 6 98
106-115 110 1 0,02 2 100
Ʃ 50 1 100

0.45
Fa (%)
120
0.4
0.35 100
0.3
80
0.25
0.2 Series1 60
Fa (%)
0.15
40
0.1
20
0.05
0 0
40 50 60 70 80 90 100 110 40 50 60 70 80 90 100 110
Distribución de probabilidad discreta
 ¿Cuál es la probabilidad de que se presente una
demanda de hasta 82 unidades diarias?: 84%

 ¿Cuál es la probabilidad de que se presente una


demanda mayor a 82 unidades diarias?: 100-84%= 16%

 ¿Cuál es la probabilidad con que se presente demanda


entre 64 y 82 unidades diarias?:
 La probabilidad de que se presente una demanda menor o igual
a 64 unidades: 24%
 Luego: 84%-24%=60%

NIVEL DE CALIDAD O NIVEL DE SERVICIO: Valor


que determina la disponibilidad del producto
Esperanza matemática

Xi = valores que puede tomar la variable de la calidad


P(xi) = probabilidad de cada valor posible de la variable
DEMANDA Marca de clase d = x fr fr=P(x) d*x E(x)= x*P(x) (x-E(x))^2*P(x)
36-45 40 2 0,04 80 1,6 50,69
46-55 50 3 0,06 150 3,0 39,32
56-65 60 5 0,1 300 6,0 24,34
66-75 70 10 0,2 700 14,0 6,27
76-85 80 20 0,4 1600 32,0 7,74
86-95 90 6 0,12 540 10,8 24,88
96-105 100 3 0,06 300 6,0 35,72
106-115 110 1 0,02 110 2,2 23,67
Ʃ 50 1 3780 75,6 212,64
μ= 75,6 σ= 14,58

 El valor esperado de la demanda, o valor promedio, es de 75,6


unidades, lo cual es consistente con la distribución de
probabilidades
Datos no agrupados
Distribución Binomial: B(n;p)
 Mide la probabilidad de que en n sucesos o
ensayos se obtengan k éxitos:
 Ejemplo: número de clientes que llegan en
15minutos.
 Media = np (por ejemplo: número de éxitos p o de
fracasos q) n! nk
Varianza: pq/n P ( xk )  p k
(1  p )
 k!(n  k )!
 Eventos independientes
 La probabilidad de observar el evento es constante
en cada intento (n<0,10N, o reposición)
Distribución Binomial: ejemplo
 Ejercicio . La proporción de individuos de una
población con renta superior a los $20000 es de
0,005% (p). Determinar la probabilidad de que
entre 5000 (n) individuos consultados haya 2 ()
con ese nivel de renta, suponiendo que todos los
consultados responden. Ajustar el problema a un
modelo binomial y al modelo de Poisson
equivalente, comprobando que ambas leyes de
probabilidad coinciden en la práctica.
Distribución Binomial: ejemplo
 Solución:
P(X=2) la calcularemos mediante la distribución binomial B(5000;0,00005)

 X= individuos que tienen una renta superior a los 20000$


es una variable binomial con n = 5000 y p =0,00005. La
probabilidad pedida es P(x=2) = 2,4%
Distribución Binomial: ejemplo
 Aproximación:
Dado que p es muy pequeño y n muy grande , y m = np
=5000*0,00005= 0,25<5 y p <0,01 ya podemos aproximar la
variable X= B(5000;0,00005) por una variable de Poisson de
parámetros m = np = 0,25.
Distribución de Poisson:  = 0,5
P(X)
0,6
0,3
 Realizar n tentativas de 0,0
X
un evento, y observar 0 1 2 3 4 5
el número k de
ocurrencias:
Ejemplo: número de P(X)  = 6,0
0,6
clientes que llegan 0,3
en 15minutos. 0,0
X
 Media = λ (por ejemplo: 0 2 4 6 8 10
5/hora)
e  x
 Probabilidad: P( x ) 
x
Especifica la probabilidad de que x clientes lleguen en T períodos de tiempo
Distribución de Poisson:
 Condiciones:
 Las mismas de la binomial, además de:
 “Muchas oportunidades de ocurrencia, pero con baja
probabilidad en cada tentativa con respecto a np”:
 nq es muy pequeño respecto a n
 Aproximaciones a la binomial:
 P es pequeño con respecto a n

Cualquier fenómeno aleatorio que ocurre por unidad (de área,


volumen, de tiempo, etc.)
Distribución de Poisson:
 Las variaciones de µ, en fenómenos como los descritos
anteriormente, definen una familia de distribuciones Poisson
con :
 Media = µ ( o lambda)
 Varianza = µ

e  k
P( x  k ) 
k!
 Para k=0,1,2…
 µ = np (n>50 y p <0,10)
 µ=λt, donde λ es la tasa (constante) de ocurrencia del evento
por unidad (pequeña) de tiempo, longitud, de masa, de área,
de volumen, ….
Distribución de Poisson: ejemplo
Distribución de Poisson: ejemplo
Distribución de Poisson: ejemplo
Para representar la ley de probabilidad relativa a la distribución
de Poisson seleccionaremos su rango de valores (x;p(x)).
Distribuciones de Poisson para tiempos de llegada

0,30
0,30

0,25 0,25

0,20 0,20
Probabilidad

Probabilidad
0.15 0,15

0,10 0,10

0,05 0,05
0,00
0 1 2 3 4 5 6 7 8 9 10 11 12 0,00
0 1 2 3 4 5 6 7 8 9 10 11 12
x
x

=2 =4

 = promedio de clientes por unidad de tiempo


Herramientas estadísticas
Distribuciones de probabilidad continuas
 El punto medio (y más elevado) es el valor de la media µ de la
distribución normal

 En el eje de abscisas se mide en términos del número de desviaciones σ


estándar, a partir de la media

99,994 %
• 99,73 %
95,45 %
Frecuencia 68,27
 %

Punto de inflexión

Valores de medición
 2 
2 4 2
3 
6 3
4 8 4
Distribuciones de probabilidad continuas
Tabla normal estándar
Tabla normal estándar
Tabla normal estándar

=
Distribución del tiempo de servicio
La Distribución exponencial negativa describe el tiempo de servicio, y da la
probabilidad de que el tiempo de servico del cliente en una instalación no sea mayor
que T períodos de tiempo

 Tiempo de servicio y 0,4


=
tiempo entre llegadas: 1

Probabilidad
 Ejemplo: el tiempo de 0,3
=
servicio es de 20 2
minutos. 0,2 =
3

t>x
 Tasa de servicio media = =
 0,1 4
 Por ejemplo:
clientes/hora. 0
0 2 4 6 8 10
 Tiempo de servicio x
μx
medio = 1/ f (t  x)  e P(t≤T) =1-eµT
 Ecuación:
Distribución exponencial negativa
0.06
Tiempo de servicio
0.05
medio = 1 hora
P ro b a b ility

0.04

0.03
Tiempo de servicio medio = 20
0.02 minutos

0.01

0
0 30 60 90 120 150 180
Service tim e (m inutes )
Gráfica de desempeño

• Proporcionan una descripción gráfica del


desempeño y una comparación del
desempeño entre varios períodos
• Para proporcionar un seguimiento en el
tiempo:
• De los costos en la SC
• Del servicio al cliente
• De los índices de productividad
• Para dar una señal de alerta cuando ocurre
una tendencia adversa
Gráfica de desempeño

• Un ejemplo: rotación de inventarios

Límite superior
9
Indice de rotación de
inventarios

8
Meta o promedio

7 Límite inferior

tiempo
Gráfico p

 Es un gráfico de control de atributos.


 Datos categóricos en escala.
 Por ejemplo, bueno-malo.

 Muestra el tanto por ciento de los artículos


defectuosos.
 Ejemplo:
 Una silla puede ser defectuosa o no defectuosa.
Límites de control del gráfico p

p (1  p )
UCL p
 p + z z = 2 para límites del
n 95,5%; z = 3 para
límites del 99,7%
p (1  p )
LCL p
 p z
n
Número de
artículos
k k
 ni  xi defectuosos en la
n  i 1
y p  i 1 muestra i
k
Tamaño de la
k  ni
i 1 muestra i
Gráfico c
 Es un gráfico de control de atributos.
 Datos cuantitativos escasos.
 Muestra el número de registros
defectuosos que hay en una unidad.
 Una unidad puede ser una silla, una lámina
de acero, un automóvil, etc.
 El tamaño de la unidad tiene que ser
constante.
 Ejemplo: Contar el número de registros
defectuosos (rasguños, astillas, etc.) en
cada silla de una muestra de 100 sillas y
representarlo en un gráfico.
Límites de control del gráfico c

UCLc  c +  c Utiliza 3
para límites
del 99,7%
LCLc  c   c

Número de
k
registros
 ci
defectuosos en
c  i1 la unidad i
k
Número de
unidades de la
muestra
Ejemplo
• Un servicio de paquetería express ofrece que todos los paquetes serán entregados
dentro de las 24 horas siguientes a su recolección. En la práctica, la compañía
desea que al menos 90% de las entregas se realicen dentro de este período. Se
han recopilado muestras de 100 entregas por cada uno de los 10 días operativos
representativos. Los resultados fueron los siguientes:

Muestr Entrega
a s Muestra Entregas

1 94 7 92
2 93 8 93
3 94 9 96
4 95 10 95
5 94 Total 939
6 93
Ejemplo
• Solución:
• Se utiliza una gráfica p
• Promedio del proceso

número de entregas a tiempo 939


p   0,94
número total de entregas (10)(100)

• Desviación estándar del proceso para un tamaño de muestra n


= 100

• Los límites de control, para una z =1,96 (con una confianza del
95%) son:
LSC  p + z p  0,94 + 1,96(0,02)  0,98

LSC  p + z p  0,94 + 1,96(0,02)  0,98


Ejemplo
LSC  p + z p  0,94 + 1,96(0,02)  0,98
LSC  p + z p  0,94 + 1,96(0,02)  0,98
Límite superior
0,98
Fracción de entregas a
tiempo

0,94
Meta o promedio

0,90 Límite inferior

número de
muestra
La Distribución Normal
 Una variable aleatoria continua X tiene una Distribución normal
con una media µ y una desviación estándar σ>0, si la función de
densidad de probabilidad f(x; µ;σ) de la variable aleatoria está dada por
99,994 %
99,73 %
95,45 %
68,27
 %

Frecuencia
Punto de inflexión

Valores de medición
 2 
2 4 2
3 6 3
4 8 4

 La función de distribución normal acumulada se denota por F(X;µ;σ) y


es la probabilidad de que una variable aleatoria distribuida
normalmente con una media µ y una desviación estándar σ tome un
valor menor o igual a x. La función de distribución normal acumulada y
la función de densidad están relacionadas de la manera siguiente
Distribución normal estándar

 A una distribución normal con una media µ =


0 y desviación estándar σ =1 se le conoce como
distribución normal estándar.
 La función de densidad normal estándar se denota
por f s(x) y la función de distribución normal
estándar acumulada se denota por Fs(x). Por
tanto:
La función normal inversa

 Dada la probabilidad P, la función normal


inversa es el valor de x tal que P
es la probabilidad de que la variable aleatoria
normal tome un valor de x o menos.

 El inverso de la distribución normal estándar


se denota con
La distribución normal en excel

 Las siguientes funciones de excel se pueden


utilizar para calcular las diversas funciones
de distribución normal:

 Las funciones para calcular las diversas


funciones de distribución normal estándar
son
Costo de Desabastecimiento por ciclo

• Objetivo: establecer una formula alternativa para


el costo del desabasto esperado(ESC, por sus
siglas en inglés) para que se evalúe usando excel
• Análisis: Dado un punto de reorden de ROP = DL +
SS, el ESC está dado por

• Dado de que la demanda durante el tiempo de


espera está distribuida normalmente con una media
DL y una desviación estándar σL se tiene:
Costo de Desabastecimiento por ciclo

• Si recordamos que FS es la función de


distribución normal acumulada y fs() es la
función de densidad de probabilidad para la
distribución normal estándar con una media de
0 y una desviación estándar de 1, y usando la
ecuación y la distribución normal estándar, se
tiene

• Cuando se sustituye en la ecuación para


ESC
Nivel óptimo de disponibilidad del producto

Objetivo: evaluar el nivel de disponibilidad del producto


que maximiza la utilidad
Análisis: se supone que la demanda es una variable
aleatoria no negativa continua con función de densidad
f(x) y función de distribución normal acumulada F(x).
Cu es el margen unitario y el costo de faltantes por
unidad. Co es el costo de excedentes por unidad.

Si se compran Q unidades y surge una necesidad de x


unidades, siendo Q<x, todas las unidades se venden y
se obtiene Q*Cu. Por otro lado, si Q>x, sólo x unidades
se venden y se obtiene una utilidad de xCu-(Q-x)*Co.
La utilidad esperada P(Q) está dada por
Nivel óptimo de disponibilidad del
producto
Una evaluación intermedia
Utilidad esperada a partir de una orden
Excedentes esperados de un pedido
Faltantes esperados de un pedido