Curso de actualizacin

en Ingeniera de calidad

I. VI. FASE DE MEDICIN

II. 2. Probabilidad

Dr. Primitivo Reyes Aguilar / febrero 2009

1
VI. FASE DE MEDICIN -
PROBABILIDAD

1. Conclusiones estadsticas vlidas

2. Teorema del lmite central
3. Conceptos de probabilidad
4. Distribuciones de probabilidad
5. Distribuciones de probabilidad discretas
6. Distribuciones de probabilidad continuas
7. Distribuciones de prob. para decisin
2
1. Conclusiones estadsticas vlidas
Estudios enumerativos :
Los datos enumerativos son los que
pueden ser contados.

Para Deming:
En un Estudio enumerativo la accin se toma
en el universo.
En un estudio analtico la accin ser tomada
en un proceso para mejorar su desempeo

3
Obteniendo conclusiones vlidas
El objetivo de la estadstica inferencial es
obtener conclusiones vlidas acerca de las
caractersticas de la poblacin (parmetros
, , ) con base en la informacin obtenida
de muestras (estadsticos X, s, r)

Los pasos de la estadstica inferencial son:

La inferencia
La evaluacin de su validez

http://www.hrc.es/bioest/Introducion.html 4
2. Teorema del lmite central
Las medias muestrales son normales

http://serc.carleton.edu/introgeo/teachingwdata/Statce
ntral.html 5
2. Teorema del lmite central
Las medias muestrales son normales

6
3. Probabilidad

P E
# Favorable 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(AB) = P(A) + P(B) P(AB)

4. Si B1B2Bn = S entonces
n
P( E ) P( E B )
i 1
i

P A B P A PB A

8
 A B

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

PA .7

PB PZ B
P(A)=.3 P B Z
P A PZ APB PZ 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
nmero con cada resultado en el espacio muestral SS.

1. 0 P( y ) 1 0 F ( x) 1
2. P( y ).= 1
toda
Lim x F ( x) 1
y
Lim x F ( x) 0
FX ( x) P( X x)
X E ( X ) xf X ( x) xP( X x)
x x

f X ( x) P( X x) X 2 E[( X X ) 2 ] ( x X ) 2 P( X x)
x

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

P(x,N,n,D) es la probabilidad de exactamente x

xitos en una muestra de n elementos tomados de
una poblacin de tamao N que contiene D xitos.
La funcin de densidad de distribucin
hipergeomtrica:
C xD C nNxD n!
P( x) C
n

x!(n x)!
N x
Cn
12
Distribucin hipergeomtrica

La media y la varianza de la distribucin

hipergeomtrica son:
nD nD D N n
1
2

N N N N 1

13
Distribucin hipergeomtrica
Ejemplo: De un grupo de 20 productos, 10 se
seleccionan al azar para prueba. Cul 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

P(x=5) = 0.0183 = 1.83% 5! 15!

P(5)
5!0! 5!10!
0.0183
20!
10!10!
14
Distribucin binomial
Se aplica para poblaciones grandes N>50 y
n<0.1N con p >= 0.1.

El muestreo binomial es con reemplazo

La binomial es una aproximacin de la

hipergeomtrica

La distribucin normal se aproxima a la

binomial cuando np > 5
15
La variable aleatoria X tiene una distribucin 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
Distribucin de Poisson
Se utiliza para modelar datos discretos

Se aproxima a la binomial cuando p es

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

17
 Distribucin de Poisson

Una Variable aleatoria X tiene distribucin Poisson si

toma probabilidades con.

e x
f ( x) x 0,1,...
x!
np
np

18
6. DISTRIBUCIONES DE
PROBABILIDAD
CONTINUAS

1. Distribucin exponencial
2. Distribucin normal
19
Distribucin Exponencial
Modela artculos con una tasa de falla
constante y est relacionada con Poisson.
Modela el tiempo medio entre llegadas

Si x se distribuye exponencialmente,
y=1/x sigue una distribucin de Poisson

La funcin de densidad de probabilidad

exponencial es: Para x >= 0
x
1
f ( x) e
e x
20
Distribucin Exponencial
Donde Lambda es la tasa de falla y theta
es la media
La funcin de densidad de la distribucin
exponencial

21
Distribucin Exponencial
El modelo exponencial, con un solo parmetro, es el ms
simple de todo los modelos de distribucin del tiempo de
vida.
t
CDF : F (t ) 1 e
t
CONFIABILIDAD : R(t ) e
Funcin de Densidad de Probabilidad Exponencial
0.0035

0.0030 = 0.003, MEDIA = 333

= 0.002, MEDIA = 500
0.0025

0.0020

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

0.0010

0.0005

0.0000
0 500 1,000 1,500 2,000
Tiempo
 La distribucin Normal estndar

Tiene media 0 y desviacin estndar de 1.

El rea bajo la curva de infinito a ms infinito vale 1.

Es simtrica, cada mitad de curva tiene un rea de 0.5.

La escala horizontal se mide en desviaciones estndar, Z.

Para cada valor Z se asigna una probabilidad en Tabla

normal

23
 CARACTERISTICAS DE UNA DISTRIBUCION NORMAL

La Normal is simtrica -
-

Cola
Cola

Tericamente, la
Tericamente, la Media, mediana, y curva se extiende a
curva se extiende a moda son iguales + infinito
- infinito
 La Distribucin Normal Estndar
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

X
x-3 x-2 x- x x+ x+2 x+3

z
-3 -2 -1 0 1 2 3

25
 Normales con Medias y
Desviaciones estndar diferentes

= 5, = 3
= 9, = 6
= 14, = 10
Entre:

1. 68.26%

2. 95.44%

3. 99.97%

3 2 1 1 2 3
z= x-

P(0 < z < 0.8)

= 0.2881.

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

30
Distribucin t de Student
Prueba igualdad de medias.

31
Distribucin F
Prueba igualdad de varianzas

32