Herramientas estadsticas

Contenido:

Las aplicaciones logsticas:

Distribucin de probabilidad
Esperanza matemtica y varianza
Distribucin normal
Distribucin normal estndar

Son de carcter no determinstico (Probabilidad)

Muchas decisiones dependen de Probabilidades basadas en
informacin limitada o incierta
Grficas de desempeo logstico

Objetivo: revisar herramientas estadsticas bsicas en la toma de

decisiones logsticas

Herramientas estadsticas

Distribuciones de probabilidad discretas: distribuciones en las

cuales los valores asociados no son continuos

Variables discretas: probabilidades asociadas a cada suceso

Reglas de las distribuciones de probabilidad:

Los sucesos mutuamente excluyentes y colectivamente exhaustivos

Las probabilidades estn comprendidas entre 0 y 1
La suma de las probabilidades es igual 1

El grfico de la distribucin de probabilidades: da una imagen

de su forma, y ayuda a identificar la tendencia central de la
distribucin (esperanza matemtica) y la variabilidad o dispersin
de la distribucin (varianza)

Distribucin de probabilidad discreta

Distribucin de probabilidad discreta

Esperanza matemtica

Ejemplo: esperanza matemtica

Ejemplo

Datos no agrupados

Distribucin Binomial: B(n;p)

Mide la probabilidad de que en n sucesos o

ensayos se obtengan k xitos:
Ejemplo: nmero de clientes que llegan en
15minutos.
Media = np (por ejemplo: nmero de xitos p o de
fracasos q)
n!
P( x k )
p k (1 p) n k
Varianza: pq/n
k!(n k )!
Eventos independientes
La probabilidad de observar el evento es constante
en cada intento (n<0,10N, o reposicin)

Distribucin Binomial:
ejemplo

Ejercicio . La proporcin de individuos de una

poblacin 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 prctica.

Distribucin Binomial:
ejemplo

Solucin:
P(X=2) la calcularemos mediante la distribucin 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%

Distribucin Binomial:
ejemplo

Aproximacin:
Dado que p es muy pequeo 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
parmetros m = np = 0,25.

Distribucin de Poisson:

P(X)

0,6
0,3
0,0

= 0,5

Realizar n tentativas de
X
un evento, y observar
0 1 2 3 4 5
el nmero k de
ocurrencias:
= 6,0
P(X)
Ejemplo: nmero de
0,6
clientes que llegan
0,3
en 15minutos.
0,0
X
0 2 4 6 8 10
Media = (por ejemplo:
5/hora)
e x
(T)n T para n=1,2,3.
P(n) = n ! e
Probabilidad: P( x ) x

Especifica la probabilidad de que n clientes lleguen en T peroods

de tiempo

Distribucin de Poisson:

Condiciones:

Las mismas de la binomial, adems de:

Muchas oportunidades de ocurrencia, pero con baja
probabilidad en cada tentativa con respecto a np:
nq es muy pequeo respecto a n

Aproximaciones a la binomial:

P es pequeo con respecto a n

Cualquier fenmeno aleatorio que ocurre por unidad (de rea,

volumen, de tiempo, etc.)

Distribucin de Poisson:

Las variaciones de , en fenmenos como los descritos

anteriormente, definen una familia de distribuciones Poisson
con :

Media =
Varianza =

e
P( x k )
k!

Para k=0,1,2
= np (n>50 y p <0,10)
=t, donde es la tasa (constante) de ocurrencia del evento
por unidad (pequea) de tiempo, longitud, de masa, de rea,
de volumen, .

Distribucin de Poisson: ejemplo

Distribucin de Poisson: ejemplo

Distribucin de Poisson:
ejemplo

Para representar la ley de probabilidad relativa a la distribucin

de Poisson seleccionaremos su rango de valores (x;p(x)).

Distribuciones de Poisson para

tiempos de llegada
0,30

0,25

0,25

0,20

0,20
Probabilidad

Probabilidad

0,30

0.15
0,10
0,05
0,00

0,15
0,10
0,05

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

=2

0,00

6 7
x

=4

= promedio de clientes por unidad de tiempo

9 10 11 12

Herramientas estadsticas

Distribuciones de probabilidad
continuas

El punto medio (y ms elevado) es el valor de la media de la

distribucin normal

En el eje de abscisas se mide en trminos del nmero de desviaciones

estndar, a partir de la media

Distribuciones de probabilidad
continuas

Tabla normal estndar

Tabla normal estndar

Tabla normal estndar

Grfica de desempeo

Proporcionan una descripcin grfica del

desempeo y una comparacin del
desempeo entre varios perodos
Para proporcionar un seguimiento en el
tiempo:

De los costos logsticos

Del servicio al cliente
De los ndices de productividad

Para dar una seal de alerta cuando ocurre

una tendencia adversa

Grfica de desempeo
Un ejemplo de rotacin de inventarios
9
Indice de rotacin de
inventarios

L m ite s u p e r io r

M e ta o p r o m e d io

L m ite in fe r io r
tie m p o

Ejemplo

Un servicio de paquetera express ofrece que todos los paquetes sern entregados
dentro de las 24 horas siguientes a su recoleccin. En la prctica, la compaa
desea que al menos 90% de las entregas se realicen dentro de este perodo. Se
han recopilado muestras de 100 entregas por cada uno de los 10 das operativos
representativos. Los resultados fueron los siguientes:

Muestr
a

Entrega
s

Muestra

Entregas

94

92

93

93

94

96

95

10

95

94

Total

939

93

Ejemplo

Solucin:
Se utiliza una grfica p
Promedio del proceso
p

nmero de entregas a tiempo

939

0,94
nmero total de entregas
(10)(100)

Desviacin estndar del proceso para un tamao de muestra n

= 100

Los lmites 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
Indice de rotacin de
inventarios

0 ,9 8

0 ,9 4

0 ,9 0

L m ite s u p e r io r

M e ta o p r o m e d io

L m ite in fe r io r
n m e ro d e
m u e s tra