Curso de actualización

en Ingeniería de calidad

I. VI. FASE DE MEDICIÓN

II. 2. Probabilidad

Dr. Primitivo Reyes Aguilar / febrero 2009

1
1. Conclusiones estadísticas
válidas
VI. FASE DE MEDICIÓN -
2. Teorema del límite central
PROBABILIDAD
3. Conceptos de probabilidad
4. Distribuciones de probabilidad
5. Distribuciones de probabilidad
discretas
6. Distribuciones de probabilidad
continuas
7. Distribuciones de prob. para
decisión 2
1. Conclusiones estadísticas
válidas
Estudios enumerativos :
Los datos enumerativos son los que
pueden ser contados.

Para Deming:
◦ En un Estudio enumerativo la acción se
toma en el universo.
◦ En un estudio analítico la acción será
tomada en un proceso para mejorar su
desempeño
3
Obteniendo conclusiones
válidas
El objetivo de la estadística inferencial es
obtener conclusiones válidas acerca de las
características de la población (parámetros
, , ) con base en la información obtenida
de muestras (estadísticos X, s, r)

Los pasos de la estadística inferencial son:

◦ La inferencia
◦ La evaluación de su validez

http://www.hrc.es/bioest/Introducion.html 4
2. Teorema del límite
central
Lasmedias muestrales son
normales

http://serc.carleton.edu/introgeo/teachingwdata/Statce
ntral.html 5
2. Teorema del límite
central
Lasmedias muestrales son
normales

6
3. Probabilidad
# Favorable E
P E  
# Total resultados

7
 Probabilidades de Eventos

1. P(E)  0
2. P(S) = 1
3. Si E1,En son mutuamente disjuntos
entonces
 n  n
P Ei  
 i 1 
 P( E )
i 1
i

Resultados
1. Si A  B entonces P(A)  P(B)

2. Si P(Ec)=1-P(E)

3. P(AB) = P(A) + P(B)  P(AB)

4. Si B1B2…Bn = S entonces
n
P( E )   P( E  B )
i 1
i

P  A  B   P  A   P  B A

8
 A B

3. Probabilidad P(A) =.98 P(B) =.98

P A  .7 

P B   P Z B 
P(A)=.3 P B Z  
 P A  P Z A   P B   P Z B  

B
P(B/A)=.97
A

P(A) =.98

http://www.math.gatech.edu/~bour
baki/math1711/html/bayes.html 9
4. Distribuciones de
probabilidad
 Variable aleatoria: es cualquier regla que
relaciona un número con cada resultado en
el espacio muestral SS.

1. 0  P( y )  1 0  F ( x)  1
2.  P ( y ).
toda
Lim x  F ( x)  1
y
Lim x  F ( x)  0
 =1
FX ( x)  P( X  x)
 X  E ( X )   xf X ( x)  xP( X  x)
x x

f X ( x)  P( X  x)  X  E[( X   X ) 2 ]   ( x   X ) 2 P ( X  x)
2

10
5. DISTRIBUCIONES
DE PROBABILIDAD
DISCRETAS
1. Distribución hipergeométrica
2. Distribución Binomial
3. Distribución de Poisson
11
Distribución
hipergeométrica
Se aplica cuando n > 0.1N
El muestreo se hace sin reemplazo

P(x,N,n,D)es la probabilidad de
exactamente x éxitos en una muestra de
n elementos tomados de una población de
tamaño N que contiene D éxitos. La
función de densidad de distribución
hipergeométrica:
D N D
C x C n x n!
P ( x) N C 
n
x
Cn x!(n  x)!
12
Distribución
hipergeométrica
La media y la varianza de la
distribución hipergeométrica son:
nD  nD D  N  n 
    1 
2

N  N  N  N 1 

13
Distribución
hipergeométrica
Ejemplo: De un grupo de 20 productos, 10
se seleccionan al azar para prueba. ¿Cuál
es la probabilidad de que 10 productos
seleccionados contengan 5 productos
buenos? Los productos defectivos son 5
en el lote.

N = 20, n = 10, D = 5, (N-D) = 15, x = 5

 5!  15! 
  
P(x=5) = 0.0183 = 1.83%
P(5)  
5!0!  5!10!   0.0183
20!
10!10!
14
Distribución binomial
Seaplica para poblaciones grandes
N>50 y n<0.1N con p >= 0.1.

El muestreo binomial es con reemplazo

La binomial es una aproximación de la

hipergeométrica

La distribución normal se aproxima a la

binomial cuando np > 5
15
La variable aleatoria X tiene una distribución binomial

n x
f ( x)  P( X  x)    p (1  p ) n  x x  0,1,..., n
 x

Tiene media y varianza.

E ( X )   X  np
V ( X )    np(1  p)
2
X

16
Distribución de Poisson
Se utiliza para modelar datos
discretos

Se aproxima a la binomial

cuando p es igual o menor a 0.1,
y el tamaño de muestra es
grande (n > 16) por tanto np >
1.6

17
 Distribución de Poisson

Una Variable aleatoria X tiene distribución Poisson si

toma probabilidades con.


e  x
f ( x)  x  0,1,...
x!
  np
    np

18
6. DISTRIBUCIONES
DE PROBABILIDAD
CONTINUAS

1. Distribución exponencial
2. Distribución normal
19
Distribución Exponencial
Modela artículos con una tasa de falla
constante y está relacionada con
Poisson.
Modela el tiempo medio entre llegadas

Six se distribuye exponencialmente,

y=1/x sigue una distribución de Poisson

Lafunción de densidad de probabilidad

exponencial es: Para x >=
x 0
1 
f ( x) e  e x
 20
Distribución Exponencial
Donde Lambda es la tasa de falla
y theta es la media
La función de densidad de la
distribución exponencial

21
Distribución Exponencial
El modelo exponencial, con un solo parámetro,
es el más simple de todo los modelos de
distribución del tiempo de vida.
-lt
CDF : F (t ) = 1 - e
-lt
CONFIABILIDAD : R(t ) = e
Función de Densidad de Probabilidad Exponencial
0.0035

0.0030 = 0.003, MEDIA = 333

0.0025
= 0.002, MEDIA = 500
0.0020

f(t)
= 0.001, MEDIA = 1,000
TASA DE FALLA :h (t ) = l 0.0015

0.0010

0.0005

0.0000
0 500 1,000 1,500 2,000
Tiempo
 La distribución Normal
estándar
• Tiene media 0 y desviación estándar de 1.

• El área bajo la curva de infinito a más infinito vale 1.

• Es simétrica, cada mitad de curva tiene un área de 0.5.

• La escala horizontal se mide en desviaciones estándar,

Z.

• Para cada valor Z se asigna una probabilidad en Tabla

normal

23
 CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA DISTRIBUCION
DISTRIBUCION NORMAL
NORMAL

La Normal is simétrica -
-

Cola
Cola

Teóricamente, la
Teóricamente, la Media, mediana, y curva se extiende a
curva se extiende a moda son iguales + infinito
- infinito
 La Distribución Normal Estándar
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal

X
x-3s x-2s x-s x x+s x+2s x+s3

z
-3 -2 -1 0 1 2 3

25
 Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estándar
estándar diferentes
diferentes

m 5, ss== 33
m == 5,
m 9, ss == 66
m == 9,
m 14, ss == 10
m == 14, 10
Entre:
Entre:

1.
1. 68.26%
68.26%

2.
2. 95.44%
95.44%

3.
3. 99.97%
99.97%

m+3s m-2s m-1s m m+1s m+2s m+3s

z= x-m
s

P(0
P(0 << zz << 0.8)
0.8)
== 0.2881.
0.2881.

0.8
0.8
7. DISTRIBUCIONES
DE PROBABILIDAD
PARA DECISIÓN
1. Distribución Chi Cuadrada
2. Distribución t de Student
3. Distribución F de Fisher
29
Distribución Chi Cuadrada
Prueba un varianza e igualdad de
proporciones

30
Distribución t de Student
Prueba igualdad de medias.

31
Distribución F
Prueba igualdad de varianzas

32