Control estadístico de procesos

CEP

ESTADISTICA DESCRIPTIVA

1
ESPERANZA DE VARIABLES ALEATORIAS
En las primeras clases estudiamos la media muestral, que es la media
aritmética de los datos.

Ahora considere la siguiente situación: si dos monedas se lanzan 16 veces y X

es el numero de caras que resultan en cada lanzamiento, entonces los valores
de X pueden ser 0, 1 y 2.

Suponga que los resultados del experimento son: cero caras, una cara y dos
caras, un total de 4, 7 y 5 veces, respectivamente.

El numero promedio de caras por lanzamiento de las dos monedas es,

entonces,

2
Este es un valor promedio de los datos, aunque no es un resultado posible de
{0, 1, 2}.

Por lo tanto, un promedio no es necesariamente un resultado posible del

experimento.

Por ejemplo, es probable que el ingreso mensual promedio de un vendedor

no sea igual a alguno de sus cheques de pago mensuales.

Reestructuremos ahora nuestro calculo del numero promedio de caras para

tener la siguiente forma equivalente

3
Los números 4/16, 7/16 y 5/16 son las fracciones de los lanzamientos totales
que dan como resultado 0, 1 y 2 caras, respectivamente. Tales fracciones
también son las frecuencias relativas de los diferentes valores de X en
nuestro experimento.

Este método de frecuencias relativas se utiliza para calcular el numero

promedio de caras que esperaríamos obtener a largo plazo por el lanzamiento
de dos monedas.

A este valor promedio se le conoce como media de la variable aleatoria X o

media de la distribución de probabilidad de X, y se le denota como μx o
simplemente como μ.

También es común entre los estadísticos referirse a esta media como la

esperanza matemática o el valor esperado de la variable aleatoria X y
denotarla como E(X).

4
Ejemplo:

• Suponiendo que una moneda legal se lanza dos veces, encontramos que el
espacio muestral para el experimento es S = {HH ,HT, TH,T T}.

 Como los 4 puntos muestrales son igualmente probables, se deduce que la

probabilidad de que la variable aleatoria X, tome estos valores, es la
siguiente:

5
donde un elemento típico, digamos TH, indica que el primer lanzamiento dio
como resultado una cruz seguida por una cara en el segundo lanzamiento.
Así, estas probabilidades son precisamente las frecuencias relativas para los
eventos dados a largo plazo.

Por lo tanto,

Este resultado significa que una persona que lance 2 monedas una y otra vez
obtendrá, en promedio, 1 cara por cada lanzamiento.

6
Se debe advertir que la forma para calcular el valor esperado, o media, que
se muestra aquí es diferente del método para calcular la media muestral que
se describió en las primeras clases, donde la media muestral se obtuvo
usando los datos.

En la esperanza matemática el valor esperado se obtiene usando la

distribución de probabilidad.
7
Ejemplo

Sea X la variable aleatoria que denota la vida en horas de cierto dispositivo

electrónico. La función de densidad de probabilidad es

8
Consideremos ahora una nueva variable aleatoria g(X), la cual depende de X;
es decir, cada valor de g(X) es determinado por el valor de X.

Por ejemplo, g(X) podría ser X^2 o 3X – 1, y siempre que X asuma el valor 2,
g(X) toma el valor g(2).
En particular, si X es una variable aleatoria discreta con distribución de
probabilidad f (x), para x = –1, 0, 1, 2 y g(X) = X^2, entonces,

así que la distribución de probabilidad de g(X) se escribe como

9
Por medio de la definición del valor esperado de una variable aleatoria
obtenemos.

10
Ejemplo:

Suponga que el numero de automóviles X que pasa por un local de lavado de

autos entre las 4:00 p.m. y las 5:00 p.m. de cualquier viernes soleado tiene la
siguiente distribución de probabilidad,

Sea g(X) = 2X – 1 la cantidad de dinero en dólares que el administrador paga

al operador.
Calcule las ganancias esperadas del operador en este periodo especifico.

11
VARIANZA DE VARIABLES ALEATORIAS

La media o valor esperado de una variable aleatoria X es de especial

importancia en estadística porque describe en donde se centra la distribución
de probabilidad.

Sin embargo, la media por si misma no ofrece una descripción adecuada de la

forma de la distribución.

También se necesita clasificar la variabilidad en la distribución.

En la figura tenemos los histogramas de dos distribuciones de probabilidad

discretas con la misma media μ = 2, pero que difieren de manera considerable
en la variabilidad o dispersión de sus observaciones sobre la media.

12
13
La medida de variabilidad mas importante de una variable aleatoria X se obtiene
aplicando g(X) = (X – μ)^2. A esta cantidad se le denomina varianza de la variable
aleatoria X o varianza de la distribución de probabilidad de X y se denota como
Var(X), o con el símbolo σ^2

La cantidad x – μ se llama desviación de una observación respecto a su media.

Como estas desviaciones se elevan al cuadrado y después se promedian, σ2 será

mucho menor para un conjunto de valores x que estén cercanos a μ, que para un
conjunto de valores que varíe de forma considerable de μ.
14
Ejemplo:

Suponga que la variable aleatoria X representa el numero de automóviles que

se utilizan con propósitos de negocios oficiales en un día de trabajo dado. La
distribución de probabilidad para la empresa A.

y para la empresa B

15
Es evidente que la varianza del numero de automóviles que se utilizan con propósitos
de negocios oficiales es mayor para la empresa B que para la empresa A.

16
17
Ejemplo:

La demanda semanal de una bebida artesanal para una cadena local, en miles
de litros, es una variable aleatoria continua X que tiene la siguiente densidad
de probabilidad.

18
19
Ejemplo:

Calcule la varianza de g(X) = 2X + 3, donde X es una variable aleatoria con la

siguiente distribución de probabilidad

20
COVARIANZA

La covarianza entre dos variables aleatorias es una medida de la naturaleza de la

asociación entre ambas.

Si valores grandes de X a menudo dan como resultado valores grandes de Y, o valores

pequeños de X, dan como resultado valores pequeños de Y, X – μX positiva con
frecuencia dara como resultado Y – μY positiva, y X – μX negativa a menudo dará como
resultado Y – μY negativa.

Por consiguiente, el producto (X – μX)*(Y – μY) tendera a ser positivo.

El signo de la covarianza indica si la relación entre dos variables aleatorias

dependientes es positiva o negativa.

Cuando X y Y son estadísticamente independientes, se puede demostrar que la

covarianza es cero

21
Dos variables pueden tener covarianza cero y aun así no ser estadísticamente
independientes.

Observe que la covarianza solo describe la relación lineal entre dos variables
aleatorias.

Por consiguiente, si una covarianza entre X y Y es cero, X y Y podrían tener una

relación no lineal, lo cual significa que no necesariamente son
independientes.

22
23
Demostración:

24
Solución:

25
EJERCICIO:

La fracción X de corredores y la fracción Y de corredoras que compiten en

carreras de maratón se describen mediante la función de densidad conjunta

Lo primero que debemos hacer es calcular las funciones de densidad de

probabilidad marginales

26
27
Aunque la covarianza entre dos variables aleatorias brinda información
respecto de la naturaleza de la relación, la magnitud de σXY no indica
nada respecto a la fuerza de la relación, ya que σXY depende de la
escala.

Su magnitud dependerá de las unidades que se utilicen para medir X y Y.

Hay una versión de la covarianza sin escala que se denomina coeficiente

de correlación y se utiliza ampliamente en estadística.

28
CORRELACIÓN

ρXY no tiene las unidades de X y Y.

El coeficiente de correlación satisface la desigualdad –1 ≤ ρXY ≤ 1.
Toma un valor de cero cuando σXY = 0.

Donde hay una dependencia lineal exacta, digamos Y = a + bX, ρXY = 1 si b >
0 y ρXY = - 1 si b < 0

29
En general, en la industria no se tienen las funciones de densidad de
probabilidades, sino que el conjunto de informaciones proviene de datos
obtenido de manera discreta.

Tal es el caso de los siguientes situación, se tiene un proceso (proceso1) y los

datos simulados del modelo representativo del proceso (proceso2), a ambos
se les desea analizar su relación. proceso1 proceso2
65 68
63 66
Para lo cual se recolecta la información de cantidad de 67 68
elementos conformes al primero de ellos y se modelan 64 65
estos datos para realizar la columna de proceso2. 68 69
62 66
70 68
66 65
68 71
67 67
69 68
61 69
30
72

71 y = 0,2342x + 52,082
R² = 0,1405

70

69

68

67

66

65

64
60 61 62 63 64 65 66 67 68 69 70 71

31
32
33
RSTUDIO

34
35
36
37
38
Si existiera una fuerte dependencia lineal, los puntos estarían sobre
la recta roja
39
BIBLIOGRAFÍA.

 Métodos estadísticos para toma de decisiones Deutschen Gesellshaft für Qualität, DGQ.
 Aplicación de control estadístico, Dr. Carlos Fernandez Pedrera, Ing Filipe Portofilipe.
 Probabilidad y estadística para ingeniería y ciencias, Walpole-Myers-Myers.
 Control estadístico de la calidad, Montgomery.
 Familia ISO 9000.

40