ESTADISTICA
TECNICA
CURSO LUNES
1er CUATRIMESTRE
2007
Equipo Docente
• Profesor Titular Consulto:
» Ing Osvaldo MERMOZ
• Profesor Asociado : Ing Roberto GARCÍA
• Profesores Adjuntos:
» Ing. Jorge BURSKY
» Ing. Javier GIL
Curso Lunes
• María STEWART HARRIS
• Pablo CENTENO LAPPAS
• Tamara PARDIEUX
Tema
Repaso de Distribuciones
Combinación Lineal, TCL, Mezcla Módulo I
Esperanza Parcial y Problemas
económicos
Inferencia sobre la media
Inferencia sobre la varianza Módulo II
Regresión lineal simple
Regresión lineal múltiple Módulo III Parcial
Inferencia comparación de Poblaciones
Normales
Inferencia en Procesos de Poisson Módulo II
Inferencia en Procesos de Bernoulli
Análisis de La Varianza
Ténicas de Muestreo Módulo III
Ajuste de Distribuciones
Evaluación Integradora
Bibliografía
Inferencia Estadística y Diseño de Experimentos (Ing. García,
Eudeba 2004) (*)
Distribuciones Univariantes de Probabilidad (Mermoz, García
Nueva Librería 2005)
Apuntes Estadística Técnica (Ing. Mermoz)
Probabilidad y Estadística para Ingenieros (Walpole & Myers) Ed.
Prentice Hall
Probabilidad y Estadística Aplicaciones y Métodos (Canavos) Ed.
Mc Graw Hill
Trabajos Prácticos de Estadística Técnica
Clase Repaso Distribuciones
Bibliografía sugerida
Inferencia Estadística y Diseño de Experimentos (Ing.
García, Eudeba 2004) (Cap. I y Cap. XV)
Distribuciones Univariantes de Probabilidad (Cap 1 y 2)
Apuntes de Estadística Técnica: Ing. Mermoz (Cap 1 al 5)
Variables Aleatorias
Sucesos Aleatorios: resultados cualitativos o cuantitativos
Variable Aleatoria: es una función que le asigna a cada suceso
aleatorio de un determinado experimento un número real
Variable Aleatoria Discreta: el número de valores que puede
tomar es contable (finito o infinito)
Variable Aleatoria Continuas: sus valores consisten en uno o
más intervalos de la recta real
Variables Aleatorias Discretas
Función de Probabilidad:
Definición: Dada una variable aleatoria X, p(x) es una
función de probabilidad si cumple:
p( x) ≥ 0 ∀ x
∑ p( x) =1
Notación: p(x) = p(X=x)
Variables Aleatorias Discretas
Función de Distribución o Probabilidad Acumulada.
F ( x) = p( X ≤ x) = ∑ p( xi )
x ≤ xi
G ( x) = p ( X ≥ x) = ∑ p( xi )
x ≥ xi
F ( x) + G ( x) = 1 + p( x)
G ( x) = 1 − F ( x − 1)
p (a ≤ x ≤ b) = F (b) − F (a − 1)
Variables Aleatorias Continuas
RECORDEMOS P (X=x) = 0 , nos interesan
entonces las probabilidades de intervalos
Función de densidad : f(x) es una función de
densidad de probabilidad si cumple
f ( x) ≥ 0 ∀ x
∞
∫ f ( x) dx =1
∞
b
∫ f ( x) dx = p(a ≤ x ≤ b)
a
Variables Aleatorias Continuas
Función de Distribución o Probabilidad Acumulada.
x
F ( x) = p ( X ≤ x) = ∫ f (t ) dt
−∞
+∞
G ( x) = p( X ≥ x) = ∫ f (t ) dt
x
F ( x) + G ( x) = 1
P (a ≤ x ≤ b) = F (b) − F (a ) = G (a ) − G (b)
Variables Aleatorias
Medidas Descriptivas
Momentos ∞
E ( x ) = μ = ∫ x f ( x ) dx E ( x ) = μ = ∑ xi p ( xi )
∞
∞
E ( x K ) = ∑ xi p ( x i )
k
E(x ) = ∫ x
K K
f ( x ) dx
∞
∞
E ( x − μ ) = ∫ ( x − μ ) f ( x ) dx
K k E ( x − μ )k = ∑ (x − μ) k
p( x)
∞
∞
Var ( x ) = ∫ ( x − μ ) 2 f ( x ) dx Var ( x ) = ∑ ( x − μ ) 2 p ( x )
∞
Var ( x ) = E ( x 2 ) − E ( x ) 2
Var ( x ) = E ( x 2 ) − E ( x ) 2
Sesgo
α3 = 0
α3 > 0
Asimetría positiva Simétrica
Coeficiente de asimetría
α 3 = E ( x − μ )3 / (Var ( x))3 / 2
α3 < 0
Asimetría negativa
Curtosis
α4 > 3
leptocúrtica
Coeficiente de curtosis
α 4 = E ( x − μ ) 4 / (Var ( x)) 2
α 4= 3
mesocúrtica
platicúrtica α 4< 3
Variables Aleatorias
Discretas Continuas
• Bernoulli • Uniforme
• Pascal • Normal
• Binomial • Lognormal
• Poisson • Gamma
• Hipergeométrica • Beta
• Weibull
• Pareto
• Gumbel
Binomial
⎡n⎤ r
Pbi (r / n; p ) = ⎢ ⎥ p (1 − p )
n−r
⎣r ⎦
E (r ) = n. p
Var (r ) = n. p.(1 − p )
Poisson
• Sucesos puntuales que ocurren en un continuo, de
magnitud muy pequeña en relación a éste.
•La probabilidad de ocurrencia de los sucesos en una porción
de continuo es independiente de la posición de la porción
dentro del mismo
•La probabilidad de ocurrencia de un suceso dentro del
continuo es independiente de la ocurrencia de sucesos en
otras porciones
mr e−m
PPo (r / m = λ t ) =
r!
Poisson
E ( x) = Var ( x) = m
1
α3 =
m
1
α4 = 3 +
m
Uniforme
f ( x) = 1 /(b − a ) ∀ a ≤ x ≤ b
E ( x ) = ( a + b) / 2
Var ( x) = (b − a ) / 12
2
α3 = 0
α 4= 9 / 5
Función de Densidad:
Clasificación de los Parámetros
• Forma: de ellos depende la simetría, curtosis de la
curva de la función de densidad
•Posición: desplazan a la función de densidad sin
alterar su forma. Afecta a los momentos ordinarios
pero no a los centrados.
•Escala: contraen o expanden a la curva de la función
de densidad (modifica la dispersión) sin alterar su
forma. Pueden ser eliminados con un cambio de
variable
Normal
x−μ
1 −1 / 2 ( )2
f ( x / μ ;σ ) = e σ
σ 2π
E ( x) = μ
Var ( x) = σ 2
α3 = 0
α 4= 3
x−μ
z=
σ
E ( z) = 0
Var ( z ) = 1
Normal Ejercicio Propuesto
Una PYME autopartista produce ejes en un torno. El
diámetro de los ejes producidos por el torno es
aleatorio de media μ y varianza σ 2
Calcular el porcentaje de defectuosos para las
siguientes especificaciones del diámetro
a) μ ± σ
b) μ ± 2σ
c) μ ± 3σ
Lognormal x=e y
∴ ln x = y
con y ≈ N ( μ *,σ *)
ln x − μ * 2
1 −1 / 2 ( )
f ( x / μ *;σ *) = e σ*
σ * x 2π
σ *2
( μ *+ )
E ( x) = μ = e 2
( 2 μ *+ σ * 2 ) σ *2
Var ( x) = σ = e
2
.(e − 1)
μ ⎡ ⎛ σ ⎞2 ⎤
μ = ln(
*
)
σ σ *2 = ln ⎢1 + ⎜⎜ ⎟⎟ ⎥
1 + ( )2 ⎢⎣ ⎝ μ ⎠ ⎥⎦
μ
Ejercicio Propuesto
Lognormal
Nro 14
Los montos pagados en concepto de siniestros por
una aseguradora en el último trimestre, pueden ser
considerados distribuidos por una lognormal con
valor medio$12000 y desvio $10000. Para
establecer el nuevo valor para las primas a cobrar,
calcular el monto que es superado por el 80% de los
siniestros y el valor que solamente supera el 20%
de los siniestros.
Gamma
−x α −1
1 ⎛x⎞
f (x /α; β ) = eβ ⎜⎜ ⎟⎟
β Γ(α ) ⎝β⎠
x≥0 α ≥0 β >0 2
α =
E ( x) = α β 3
α
Var ( x) = α β 2 α
⎛
= 3⎜1 +
2 ⎞
⎟
α
4
Forma estandarizada ⎝ ⎠
x
z=
β
Re lación de MOLINA
⎛ 1⎞
Fγ ⎜ t / α = r ; β = ⎟ = GPo (r / m = λ t )
⎝ λ⎠
Gamma Aproximación de
Wilson Hilferty
⎡ ⎡ x 1 ⎤⎤
Fγ ( x / α , β ) ≅ FN * ⎢3 α ⎢ + − 1⎥ ⎥
⎢⎣ ⎣ α β 9 α ⎦ ⎥⎦
⎡ x −α β ⎤
Aprox.Normal Si α ≥ 25 FN * ⎢ ⎥
⎢⎣ αβ ⎥⎦
2
Cálculo exacto con Excel
DISTR.GAMMA(x;alfa;beta;acum)
acum=1 función de probabilidad acumulada.
Ejercicio Propuesto
Gamma Nro 18
Las ventas mensuales de un artículo tienen
distribución Gamma de media 20000 unidades y
desvio 4000 unidades.
a) Calcular la venta mensual que es superada con
70% de probabilidad.
b) Calcular la probabilidad de que en un año
determinado las ventas mensuales superen las
16000 unidades en más de 8 meses.
Segundo Ejercicio Propuesto
Gamma
El control de recepción de una tela consiste en revisar 5
rollos por lote. En caso de encontrar algún rollo de longitud
inferior a 50 m el lote es rechazado.
La longitud de los rollos queda determinada por la
aparición de la segunda falla. Se sabe que estas fallas se
producen en promedio 1 cada 160 m de tela.
A) Calcular el porcentaje de lotes rechazados.
B) La longitud que puede garantizarse en un rollo
cualquiera con 90% de probabilidad.
ω > 3,6
Weibull
ω
⎛ x⎞
− ⎜⎜ ⎟⎟
GW ( x / ω ; β ) = e ⎝β⎠ ω < 3,6
⎛ 1⎞
E ( x ) = β Γ ⎜1 + ⎟
⎝ ω⎠
⎡ ⎛ 2⎞ 2⎛
Var ( x ) = β ⎢Γ ⎜1 + ⎟ − Γ ⎜1 +
2 1 ⎞⎤
⎟⎥
ω = 3,6
⎣ ⎝ ω⎠ ⎝ ω ⎠⎦
Ejercicio Propuesto
Weibull
Nro 22
La resistencia a la fatiga de una pieza del motor de un
avión tiene distribución Weibull. Se ha determinado
que la resistencia media es de 20000 k ciclos y el
desvio es de 5600 k ciclos. Se desea que la
probabilidad de que la pieza falle por fatiga sea del
1%. Establecer el máximo periodo de recambio (en
ciclos ) para lograr la confiabilidad deseada
Pareto
⎛θ ⎞
b
FP ( x ) = 1 − ⎜ ⎟ x ≥θ
⎝x⎠
θ b
E ( x) =
b −1
b
Var ( x ) = θ 2
(b − 1) 2 (b − 2)
Gumbel del Mínimo
⎛ x−θ ⎞
⎜⎜ ⎟
G (x / β,θ ) = e
⎝ β ⎟⎠
−e
E(x) =θ − 0.5772β
π
Var(x) = β
6
Gumbel del Máximo
⎛ x−θ ⎞
− ⎜⎜ ⎟
F (x / β,θ ) = e
⎝ β ⎟⎠
−e
E(x) =θ + 0.5772β
π
Var(x) = β
6
Beta
f (x /ν ρ ) = (1 − x )
1 ρ −1 ν − ρ −1
x
β ( ρ ;ν − ρ )
0 ≤ x ≤1 ν > 0 ρ > 0
ρ Otra parametrización
E ( x) = ρ =m
ν
ρ⎛ ρ⎞ ν = m+n
⎜1 − ⎟
ν ν⎠
Var ( x) = ⎝
ν +1
Re lación con la binomial
Fβ ( x / ν , ρ ) = Gbi ( ρ / n = ν − 1 ; p = x )
Beta m < 1, n > 1
ρ m > 1, n < 1
= 0 .5
ν
ρ ρ
´> 0.5 ´< 0.5
ν ν
Beta Aproximación de Paulson
⎡ ⎤
⎢ ⎥
A M − N
Fβ ( x / m, n ) ≅ GN * ⎢ ⎥
⎢ A2 1 ⎥
A=
m ⎛ 1 ⎞ 1 ⎢ + ⎥
3 ⎜ − 1⎟ M = 3− ⎣ m n ⎦
n⎝x ⎠ 3m
1
N = 3−
3n
Cálculo exacto con Excel
DISTR.BETA(x,m,n,0,1)
DISTR.BETA.INV(probabilidad;alfa;beta;0;1)
Ejercicio Propuesto
Beta Nro 19
El rendimiento de un proceso de fabricación sigue
una distribución Beta cuya media es de 57% y el
desvio estándar de 17%.
A) Calcular la probabilidad de que durante tres días el
rendimiento sea inferior al 50%
B) Calcular el valor del rendimiento que solo es
superado el 5% de los casos
Aproximación de la Binomial
Si n>20............aproximaciones
CRITERIO Si n p > 10 ∧ n (1 − p ) > 10
CLASICO es valida la aproximaci ón Normal
CRITERIO DE MERMOZ
≤n aproximaci ón Normal
(1− p)
2
⎛ r + 0.5 − np ⎞
0,23 =n Fbi (r / n; p ) = FN * ⎜ ⎟
⎜ np (1 − p ) ⎟
o
p3
⎝ ⎠
>n aproximaci ón Poisson
Fbi (r / n; p ) = FPo (r / m = np )
