Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 2 ESTADÍSTICA BÁSICA 99,7% Tema 5: Modelos de probabilidad Tema 5: Modelos de probabilidad 1. Introducción. 2. El proceso de Bernoulli. 3. El proceso de Poisson. 4. Variables aleatorias asociadas al proceso de Poisson. 5. La variable aleatoria normal. 6. Relación entre la normal, la binomial y la Poisson. 3 4 ESTADÍSTICA BÁSICA 1. Introducción Objetivo: Catálogo de modelos de probabilidad que sean útiles para describir variables aleatorias en problemas reales en ingeniería Dados una datos reales... ...seleccionamos el modelo que más se parezca a esos datos ¿f(x)? ¿f(x)? ¿f(x)? Tema 5: Modelos de probabilidad 1. Introducción. 2. El proceso de Bernoulli. 3. El proceso de Poisson. 4. Variables aleatorias asociadas al proceso de Poisson. 5. La variable aleatoria normal. 6. Relación entre la normal, la binomial y la Poisson. 5 6 ESTADÍSTICA BÁSICA 2. El proceso de Bernoulli Supongamos un experimento que sólo tiene dos resultados posibles: • Éxito/fracaso • Observamos un atributo/no observamos dicho atributo Ejemplos: • Artículo aceptable/defectuoso • Cliente satisfecho/no satisfecho • Conexión/bloqueo • Cara/cruz • Votará/no votará • Compra/no compra 7 ESTADÍSTICA BÁSICA Supongamos un proceso productivo que genera artículos que pueden ser defectuosos o aceptables ... Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 Cada artículo puede ser defectuoso o aceptable Asignamos una variable Xi a cada artículo... Xi= 1 si el artículo i es defectuoso 0 si el artículo i no es defectuoso Variable aleatoria de Bernoulli 2.1 La distribución de Bernoulli 8 ESTADÍSTICA BÁSICA Supongamos un proceso productivo que genera artículos que pueden ser defectuosos o aceptables ... Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 x1 x2 x3 x4 xn xn+1 xn+2 1 ó 0 1 ó 0 1 ó 0 1 ó 0 1 ó 0 1 ó 0 1 ó 0 A la secuencia de estas v. aleatorias: X1,X2,X3,... PROCESO DE BERNOULLI 2.1 La distribución de Bernoulli 9 ESTADÍSTICA BÁSICA Supongamos un proceso productivo que genera artículos que pueden ser defectuosos o aceptables ... Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 0 1 1 0 0 1 0 ... ... 2.1 La distribución de Bernoulli 9 10 ESTADÍSTICA BÁSICA Hipótesis simplificadoras: La probabilidad de que un artículo sea defectuoso es siempre la misma = p P(Xi=1)=p; i=1,2,... Estabilidad: el riesgo de que un artículo sea defectuoso es siempre el mismo. El sistema ni empeora ni mejora con el tiempo Independencia: la probabilidad de que un artículo sea defectuoso no depende de si el anterior artículo fue o no defectuoso. Un artículo será defectuoso por causas que aparecen de forma fortuita. NO HAY MEMORIA 2.1 La distribución de Bernoulli 11 ESTADÍSTICA BÁSICA Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 𝑋1 𝑋2 𝑋3 Todas las Xi tienen las mismas propiedades 𝑋1,𝑋2,𝑋3, … es una sucesión de Bernoullis idénticas 𝑋4 𝑋𝑛−2 𝑋𝑛−1 𝑋𝑛 2.1 La distribución de Bernoulli 11 12 ESTADÍSTICA BÁSICA Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 x1 x2 x3 x4 xn xn+1 xn+2 Xi = 1 si el artículo i es defectuoso ......... P(Xi =1)=p 0 si el artículo i no es defectuoso ..... P(Xi =0)=1-p E(Xi)=p; Var(Xi)=p(1-p) 2.1 La distribución de Bernoulli 12 13 ESTADÍSTICA BÁSICA Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 x1 x2 x3 x4 xn xn+1 xn+2 ... ... X= variable aleatoria BINOMIAL X~B(n,p) Tomamos una muestra de n artículos X= número de artículos defectuosos en n X=¿? ¿0,1,2,3,4,...,n? 2.2 La distribución de Binomial 14 ESTADÍSTICA BÁSICA X= variable aleatoria BINOMIAL X~B(n,p) • Espacio muestral: x={0,1,2,...,n} • Función de probabilidad 2.2 La distribución de Binomial 15 ESTADÍSTICA BÁSICA Tenemos 4 artículos. La probabilidad de que cada uno sea defectuoso es p Sea X=número de artículos defectuosos ¿P(X=2)? Opción 1: DDAA primer artículo: Defectuoso (D) cuarto artículo: Aceptable (A) P(Opción 1)=P(DDAA)=P(D)P(D)P(A)P(A) =p2(1-p)2 Opción 2: DADA P(Opción 1)=P(DADA)=P(D)P(A)P(D)P(A) =p2(1-p)2 Otras opciones: AADD, ADAD,ADDA,ADAD, cada una de probabilidad p2(1-p)2 P(X=2)=P[(Opción 1) U (Opción 2) U ... U (Opción 6)] = P(Opción 1) + P(Opción 2)+ ... +P (Opción 6)]=6 p2(1-p)2 Ejemplo: 2.2 La distribución de Binomial 16 ESTADÍSTICA BÁSICA en general... Número de opciones: combinaciones con r defectuosos y (n-r) aceptables Probabilidad de cada una de las opciones r con atributo de probabilidad p n-r sin el atributo (probabilidad 1-p) 2.2 La distribución de Binomial Proceso productivo Artículo 1 Artículo n+2 Artículo 2 Artículo 3 Artículo n Artículo n+1 ... ... Artículo 4 x1 x2 x3 x4 xn xn+1 xn+2 1 ó 0 1 ó 0 1 ó 0 1 ó 0 1 ó 0 1 ó 0 1 ó 0 X= número de artículos defectuosos en n Bernoullis (1 ó 0) X= suma de las n Bernoullis 17 18 ESTADÍSTICA BÁSICA X= variable aleatoria BINOMIAL X~B(n,p) Propiedades: Bernoullis (1 ó 0) 2.2 La distribución de Binomial 19 ESTADÍSTICA BÁSICA Ejemplo: Se sabe por información histórica que cuando la máquina M opera en condiciones normales produce un 0.5% de artículos defectuosos. Se produce un lote con 200 artículos: •¿Cuál es la probabilidad de producir 2 artículos defectuosos? •¿Cuál es la probabilidad de producir 4 artículos defectuosos? •¿Cuál es la probabilidad de producir más de 4 artículos defectuosos? X= número de artículos defectuosos en n=200 Si la máquina funciona correctamente, supondremos que X~B(200,0.005) Máquina 1 ... 2 200 2.2 La distribución de Binomial 20 ESTADÍSTICA BÁSICA Ejemplo: X= número de artículos defectuosos en n=200 X~B(200,0.005) P(X5)=1-P(X4)=1-(0.367+0.369+0.184+0.061+0.015)=0.004 Se sabe por información histórica que cuando la máquina M opera en condiciones normales produce un 0.5% de artículos defectuosos. Se produce un lote con 200 artículos: •¿Cuál es la probabilidad de producir 2 artículos defectuosos? •¿Cuál es la probabilidad de producir 4 artículos defectuosos? •¿Cuál es la probabilidad de producir más de 4 artículos defectuosos? Si en este lote de artículos hubiese más de 4 artículos defectuosos, los técnicos de calidad deberían investigar si algo está fallando (¿por qué?) 2.2 La distribución de Binomial Tema 5: Modelos de probabilidad 1. Introducción. 2. El proceso de Bernoulli. 3. El proceso de Poisson. 4. Variables aleatorias asociadas al proceso de Poisson. 5. La variable aleatoria normal. 6. Relación entre la normal, la binomial y la Poisson. 21 22 ESTADÍSTICA BÁSICA 3. El proceso de Poisson Proceso de Bernoulli: sucesión de elementos en los que SI/NO se observa un suceso Los sucesos aparecen de forma fortuita sobre un soporte discreto Algunos elementos tienen el suceso y otros no lo tienen Proceso de Poisson: los sucesos aparecen de forma fortuita... sobre un soporte continuo (longitud, tiempo, superficie, etc) 23 ESTADÍSTICA BÁSICA Proceso productivo Soporte en el que se observan los sucesos: tiempo, longitud, superficie ... 0 1 2 3 4 5 6 ... Unidad de medida ... X=sucesos observados (p.e. defectos) en cada unidad de medida Proceso de Poisson: los sucesos aparecen con una media estable y de forma independiente sobre un soporte continuo: no hay memoria 3. El proceso de Poisson Tema 5: Modelos de probabilidad 1. Introducción 2. El proceso de Bernoulli 3. El proceso de Poisson 4. Variables aleatorias asociadas al proceso de Poisson4.1 Distribución de Poisson 4.2 Distribución exponencial 5. La variable aleatoria normal 6. Relación entre la normal, la binomial y la Poisson 24 25 ESTADÍSTICA BÁSICA Proceso productivo Soporte en el que se observan los sucesos: tiempo, longitud, superficie ... 0 1 2 3 4 5 6 ... x1=2 sucesos x2=2 sucesos x3=4 sucesos x4=1 sucesos x5=3 sucesos x6=1 sucesos i i-1 xi=? sucesos X=sucesos observados en cada unidad de medida x={0,1,2,3,...} X es una variable aleatoria de Poisson X~P(λ) X~Poi(λ) 4.1 Distribución de Poisson 25 26 ESTADÍSTICA BÁSICA X es una variable aleatoria de Poisson X~P(λ) X~Poi(λ) •Función de probabilidad: •Medidas características: •Aditividad: Sea X1 y X2 dos v. aleatorias de Poisson independientes X1 ~Poi(λ1) ; X2 ~Poi(λ2) Entonces Y= X1 + X2 es también Poisson Y ~Poi(λ1 +λ2) número medio de sucesos por unidad de medida 4.1 Distribución de Poisson Ejemplo: Un servidor de una pequeña red recibe una media de 7 accesos al minuto. Suponiendo que los accesos a dicho servidor suceden de forma independiente y con un ritmo medio constante. Se quiere calcular la probabilidad de que reciba 3 accesos en un minuto, que es el número de accesos a partir del cual el servidor tendría un rendimiento deficiente. X= número de accesos en un minuto; X~Poi(7) t 𝑃 𝑋 = 3 = 73 3! 𝑒−7 = 0.0521 27 Ejemplo: Un servidor de una pequeña red recibe una media de 7 accesos al minuto. Suponiendo que los accesos a dicho servidor suceden de forma independiente y con un ritmo medio constante. Se quiere calcular la probabilidad de que reciba más de 10 accesos en un minuto, que es el número de accesos a partir del cual el servidor tendría un rendimiento deficiente. X= número de accesos en un minuto; X~Poi(7) t 28 29 ESTADÍSTICA BÁSICA 4.2 La distribución exponencial Proceso productivo Soporte en el que se observan los sucesos: tiempo, longitud, superficie ... 0 1 2 3 t5 t3 t2 t1 t4 • T=intervalo entre dos sucesos consecutivos de un proceso de Poisson • Intervalos: unidades de tiempo, longitud, etc • V. aleatoria continua. Sus valores: 𝑡 ≥ 0 T se denomina variable aleatoria exponencial T~Exp(λ) La media del proceso de Poisson. Número medio de sucesos por unidad de medida 30 ESTADÍSTICA BÁSICA T=intervalo entre dos sucesos consecutivos de un proceso de Poisson T~Exp(λ) •Función de densidad: •Función de probabilidad •Medidas características 4.2 La distribución exponencial 𝑓 𝑡 = 𝜆𝑒−𝜆𝜆; 𝑡 ≥ 0, 𝜆 > 0 𝐹 𝑡 = 𝑃 𝑇 ≤ 𝑡 = 1 − 𝑒−𝜆𝜆 El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e independiente, siendo el intervalo transcurrido entre la llegada de dos clientes consecutivos una variable aleatoria exponencial. Por término medio llega un cliente cada minuto. (a) ¿Cuál es la probabilidad de que no lleguen clientes en 3 minutos? (b) ¿Cuál es la probabilidad de que el intervalo de tiempo entre dos clientes consecutivos sea inferior a un minuto? Ejemplo: T=intervalo (minutos) entre dos clientes consecutivos T~Exp(λ); λ=1 cliente/minuto (a) (b) t5 t3 t2 t1 t4 t6 31 Ausencia de memoria El proceso de Poisson no tiene memoria. Por ejemplo, no se acuerda de cuánto tiempo ha transcurrido desde el último suceso observado ¿Probabilidad de que esperemos menos de un minuto al próximo cliente? ¿T<1? Después de esperar 10 minutos sin venir clientes... ¿Probabilidad de que llegue en el próximo minuto? 10 ¿T<1? [ ] ( ) ( )11 10 1 10 ( 11) ( 10) (10 11)( 11| 10) ( 10) ( 10) ( 11) ( 10) ( 10) 1 1 1 ( 1) P T T P TP T T P T P T P T P T P T e e e P T e λ λ λ λ − × − × − × − × < ∩ > < < < > = = > > < − < = > − − − = = − = < 11 10 t 1 1 1 0 0 ( 1) ( ) 1tP T f t dt e dt eλ λλ − − ×< = = = −∫ ∫ 32 33 ESTADÍSTICA BÁSICA La distribución exponencial también es útil para modelizar el tiempo transcurrido desde un instante dado hasta que aparece una avería por causa fortuita T=tiempo hasta que un equipo, componente, comunicación, etc, falla por causa fortuita T~Exp(λ) ¿Por qué fortuita? Porque NO HAY MEMORIA No hay envejecimiento ni mejora, E(T)=1/λ es constante 0 Tiempo hasta fallo fortuito Componente 1 Componente 2 Componente 3 Componente K t1 t2 t3 tK 4.2 La distribución exponencial 34 ESTADÍSTICA BÁSICA Ejemplo: La duración de un componente es una v. aleatoria exponencial de media 5000 h. (a) ¿Cuál es la probabilidad de que dure (más de) 6000 horas? (b) ¿Cuál es la probabilidad de que dure (más de) 6000 horas si lleva funcionando 1000 horas? (6000 horas adicionales a las 1000 que lleva funcionando) T= duración: tiempo hasta FALLO T~Exp(λ) E(T)=1/λ=5000 horas λ=(1/5000) fallos/hora (a) (b) No hay envejecimiento. Tampoco fallos ‘infantiles’ (por defectos de fabricación) ¿Es esta hipótesis siempre razonable? 4.2 La distribución exponencial Tema 5: Modelos de probabilidad 1. Introducción. 2. El proceso de Bernoulli. 3. El proceso de Poisson. 4. Variables aleatorias asociadas al proceso de Poisson. 5. La variable aleatoria normal. 6. Relación entre la normal, la binomial y la Poisson. 35 36 ESTADÍSTICA BÁSICA 5. La variable aleatoria normal Sea X una variable aleatoria continua con 𝐸(𝑋) = 𝜇 y 𝑣𝑣𝑣(𝑋) = 𝜎2 Sigue una distribución normal o Gaussiana si tiene la siguiente función de densidad X~N(μ,σ2) 37 ESTADÍSTICA BÁSICA Propiedades más importantes: • Simétrica con forma de campana (‘campana de Gauss’) • Media y varianza son características independientes • Concentrada alrededor de la media (moda=media) 95% μ±2σ 99,7% μ±3σ 5. La variable aleatoria normal 38 ESTADÍSTICA BÁSICA Otras propiedades importantes: • Si hacemos una transformación lineal de una normal, el resultado es una variable aleatoria normal • La combinación lineal de variables aleatorias normales, da como resultado una variable aleatoria normal Ejemplo: Sean X₁∼N(μ1, σ1²) y X₂∼N(μ2, σ2²), dos variables aleatorias normales independientes la una de la otra. Entonces Y=aX₁+bX₂ es también una distribución normal. Además se tendrá que E(Y)=E(aX₁+bX₂)=aμ₁+bμ₂ Por ser ambas variables aleatorias independientes se tiene también que Var(Y)=Var(aX₁+bX₂)=a²σ1²+b²σ2², 5. La variable aleatoria normal 39 ESTADÍSTICA BÁSICA Es difícil de integrar • Integramos usando ordenador • Integramos usando Tablas • Sólo hay tablas de la N(0,1), que también se llama Normal Estándar o Z • Transformamos un problema de X~N(μ,σ2) a Z~N(0,1). Esta transformación se llama estandarización o tipificación 5. La variable aleatoria normal Entonces: Función de distribución de la normal estándar: P(z<z0) μ σ a b X 0 1 za z zb El área es la misma 40 𝑃(𝑧 < −2.25)=0.0122 41 Ejemplo: La longitud L en milímetros, de las piezas fabricadas en un proceso es una variable aleatoria que se distribuye según una N(32,0.3²), considerándose aceptables aquellas cuya medida se encuentra dentro del intervalo (31.1,32.6). Calcular la probabilidad de que una pieza elegida al azar sea aceptable. Ejemplo Varios tests de inteligencia dieron una puntuación que sigue una ley normal con media 100 y desviación típica 15. (a) Determinar el porcentaje de población que obtendría un coeficiente entre 95 y 100. (b) ¿Qué intervalo centrado en 100 contiene al 50% de la población? (b) (a) L 42 43 ESTADÍSTICA BÁSICA El Teorema Central del Límite (TCL) • Sean X1,X2,...,Xn un conjunto de v. aleatorias cualquiera tal que • Sea Y= X1+X2+...+Xn Entonces, si n→∞ Y-N[E(Y),Var(Y)] Si sumamos muchas variables aleatorias, el resultado es una normal, aunque las variables que sumemos no lo sean 5. La variable aleatoria normal Para completar un proceso productivo es necesario realizar un total de 60 tareas que se van ejecutando una a continuación de la otra. Laduración de cada tarea sigue una distribución exponencial de media 1 minuto. ¿Cuál es la probabilidad de que el proceso se complete antes de una hora? (2 puntos). Por el TCL El tiempo T total será una normal N(60,60). Por tanto P(T<60)=0.5 Ejemplo Tema 5: Modelos de probabilidad 1. Introducción. 2. El proceso de Bernoulli. 3. El proceso de Poisson. 4. Variables aleatorias asociadas al proceso de Poisson. 5. La variable aleatoria normal. 6. Relación entre la normal, la binomial y la Poisson. 44 Aplicación del TCL a la Binomial Sea X~B(n,p). Entonces 𝑋 = 𝑋1 + 𝑋2 + ⋯+ 𝑋𝑛 , donde Xi son variables de Bernoulli Entonces, si n es suficientemente grande, tal que 𝑛𝑛(1 − 𝑛) > 5 B(10,0.1) B(30,0.5) Ejemplo: Se tiene un lote de 5000 artículos fabricados por la misma máquina M. Se sabe que en condiciones habituales de funcionamiento, la máquina produce un 1% de artículos defectuosos. ¿Cuál es la probabilidad de que en ese lote haya más de 50 artículos defectuosos? X∼B(5000,0.01). Como np(1-p)=5000×0.01×0.99=49.5 tendremos que X∼N(50,49.5), P(X>50)=0.5 𝑋~𝑁(𝑛𝑛,𝑛𝑛(1 − 𝑛)) 45 Aplicación del TCL a la Poisson Sea Yi ~Poi(λi) Entonces 𝑌 = 𝑌1 + 𝑌2 + ⋯+ 𝑌𝑛 ~Poi(λ) con λ = λ1 + ⋯+ λ𝑛 Si n es suficientemente grande, tal que λ>5, entonces Y~N(λ, λ) Ejemplo: Un cable de fibra óptica tiene por término medio 2 defectos por cada 10 metros de cable. ¿Qué unidad de medida deberíamos usar para utilizar la normal en el cálculo de probabilidades? Para que λ>5 defectos por unidad de medida necesitamos utilizar como unidad de medida mínima los 25 metros -1 0 1 2 3 4 5 6 7 8 10 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 λ=1.5 0 5 10 15 20 25 30 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 λ=15 46 Número de diapositiva 1 Número de diapositiva 2 Tema 5: Modelos de probabilidad Número de diapositiva 4 Tema 5: Modelos de probabilidad Número de diapositiva 6 Número de diapositiva 7 Número de diapositiva 8 Número de diapositiva 9 Número de diapositiva 10 Número de diapositiva 11 Número de diapositiva 12 Número de diapositiva 13 Número de diapositiva 14 Número de diapositiva 15 Número de diapositiva 16 Número de diapositiva 17 Número de diapositiva 18 Número de diapositiva 19 Número de diapositiva 20 Tema 5: Modelos de probabilidad Número de diapositiva 22 Número de diapositiva 23 Tema 5: Modelos de probabilidad Número de diapositiva 25 Número de diapositiva 26 Número de diapositiva 27 Número de diapositiva 28 Número de diapositiva 29 Número de diapositiva 30 Número de diapositiva 31 Número de diapositiva 32 Número de diapositiva 33 Número de diapositiva 34 Tema 5: Modelos de probabilidad Número de diapositiva 36 Número de diapositiva 37 Número de diapositiva 38 Número de diapositiva 39 Número de diapositiva 40 Número de diapositiva 41 Número de diapositiva 42 Número de diapositiva 43 Tema 5: Modelos de probabilidad Número de diapositiva 45 Número de diapositiva 46
Compartir