Tema 4

Modelos Univariantes
Proceso de Bernoulli
El resultado de un experimento admite dos
categoras: Aceptable y Defectuoso.
Se repite el experimento n veces.
La probabilidad de defectuoso es la misma p
en todos los experimentos.
Los experimentos son independientes.
Modelos Univariantes 2
Ejemplos de procesos de Bernoulli

Lanzamiento de n monedas. Resultado: cara
o cruz.
Se extraen piezas al azar de un sistema
continuo de fabricacin. Se clasifican las
piezas en aceptables o no.
Lanzamiento de un dado n veces. En cada
lanzamiento se clasifica como 6 o distinto
de 6.
Distribucin Binomial (n,p)

n
Proporcin defectuosas = p
X = N de defectuosas al extraer n piezas
Distribucin de probabilidad binomial (n,p)

n=10
OPPOOPPPPO
p 4 (1 p) 6
OOOOPPPPPP
OOOPOPPPPP
PPPPPPOOOO
10

4
10 4
P( X = 4) = p (1 p ) 6
4
Distribucin de probabilidad binomial (n,p)

n k
P( X = k ) = p (1 p) n k , k = 0, 1, 2,..., n
k
0,4
(1) P(X = k) 0, k .
(2)
n k
nk
= 1.
p
(
1
p
)
k
k =0
n
n =10, p=0.2
0,3
0,2
0,1
0
0
10
x
Propiedades de la dist. binomial

n
E[ X ] = k P ( X = k ) = np.
k =0
Var[ X ] = E[ X 2 ] E[ X ] 2 = np (1 p )
0,08
0,06
0,04
n = 100, p = 0.5
0,02
0
0
20
40
50
60
80
100
Distribuciones binomiales
0,2
0,16
n = 25, p = 0.5
0,12
0,16
n = 25, p = 0.2
0,12
0,08
0,08
0,04
0,04
0
0
10
15
20
25
10
15
20
25
0,1
0,08
n = 100 , p = 0.5
0,06
n = 100, p = 0.2
0,08
0,06
0,04
0,04
0,02
0,02
0
0
20
40
60
80
100
20
40
60
80
100
Distribuciones binomiales
0,2
0,16
n = 25, p = 0.5
0,12
n = 25, p = 0.2
2
0,12
2.5
0,08
0,16
0,08
0,04
0,04
0
0
10 12.5 15
20
25
55
10
15
20
25
0,1
0,08
n = 100 , p = 0.5
0,06
0,06
0,04
n = 100, p = 0.2
0,08
0,04
0,02
0,02
0
0
20
40 50 60
80
100
20
20
40
60
80
100
Ejemplo
Un contrato estipula la compra de componentes en lotes
grandes que deben contener un mximo de 10% de piezas con
algn defecto. Para comprobar la calidad se toman 11
unidades y se acepta el lote si hay como mximo 2 piezas
defectuosas. Es un buen procedimiento de control?
Sea p la proporcin de piezas en un lote,
X Nmero de defectuosas en la muestra
P(Aceptar) = P(X 2)
11 0
11 1
11 2
11
10
= p (1 p ) + p (1 p ) + p (1 p ) 9
0
1
2
p
5%
10% 15% 20% 25%
P ( Aceptar ) 0.985 0.910 0.779 0.617 0.45
Distribucin Geomtrica (p)

Y
Y = Piezas extradas hasta que aparezca una defectuosa
Distribucin de probabilidad geomtrica (p)

O
PO
PPO
PPP...O
p
(1-p)p
(1-p)2p
(1-p)k-1p
1
2
3
k
P( X = k ) = (1 p )
k 1
p, k = 1,2,3,...
Propiedades de la v.a. geomtrica

1
E[Y ] = ,
p
Var[Y ] =
1 p
p2
0,3
0,25
0,2
p=0.3
0,15
0,1
0,05
0
0
12
16
20
Dist. Binomial Negativa (r,p)

W
Ejemplo r =4
W = Piezas extradas hasta que aparezcan r defectuosas
k 1 r
p (1 p ) k r , k = r , r + 1, r + 2,....
P(W = k ) =
r 1
Dist. Hipergeomtrica (N,M,n)

OPOPOP
PPPOPO
OPOPOP
PPPOOP
Se extraen al azar y sin reposicin n

piezas de un lote de N en total de las
que K son defectuosas (N pequeo).
n
PPPOPPOP
V = Nmero de piezas defectuosas al extraer n

K N K

k n k
, k = 0,1,2,..., n
P(V = k ) =
N

n
y n (N K ) k K
Distribucin de Poisson
Nmero de defectos aparecidos en tramos de
longitud fija de hilos de cobre.
Nmero de partculas por centmetro cbico
en lquidos con sustancias en suspensin.
Emisiones radiactivas: nmero de partculas
emitidas en intervalos de tiempo fijo.
Nmero de llamadas a una centralita de
telfonos en un da
Ejemplo: Fabricacin continua de conductor de

cobre.
Nmero medio de defectos cada 100 m
X Nmero de defectos en un tramo de 100 m
Lmite de la dist. binomial
p=
n
n x
PX ( x) = p (1 p ) n x ,
x
n!

PX ( x) = lim

n ( n x )! x! n

1
n
n x
x
n(n 1)L(n x + 1)
lim
=
1 1
x
x! n
n n
n
1
x
= e , x = 0,1,2,...
x!
x

P( X = x) = e , x = 0,1,2,..
x!
2,5000E-01
2,0000E-01
=3
1,5000E-01
1,0000E-01
5,0000E-02
0,0000E+00
0
10
12
14
16
Media y Varianza
x
P( X = x) = e , x = 0,1,2,...
x!
x x
E[ X ] = x e = x e
x!
x!
x =0
x =1
x 1
= e
=
x =1( x 1)!
E[ X ] =
Var[ X ] =
Ejemplo
Una fuente radiactiva emite partculas segn la
distribucin de Poisson de media 10 partculas por
minuto. Se desea calcular:
Probabilidad de 5 partculas en un minuto
Probabilidad de 0 partculas en un minuto
Probabilidad de ms de 5 partculas en un minuto.
Probabilidad de al menos 30 partculas en 5
minutos.
Ejemplo Poisson
5
10
1. P( X = 5) = e 10
= 0.0378
5!
2. P ( X = 0) = e 10 = 4.54 E 15.
3. P( X > 5) = 1 P( X 5)
x
10
= 1 e 10
= 0.933.
x = 0 x!
4. Y N de partculas en 5 minutos
' = 5 10 = 50
5
x
50
= 0.0016
P (Y 30) = e 50
x =0 x!
30
Poisson de media 10
1,4000E-01
1,2000E-01
1,0000E-01
8,0000E-02
6,0000E-02
4,0000E-02
2,0000E-02
0,0000E+00
0
10
15
20
25
Distribucin Exponencial
T
t1
t2 t3
t4
t5 t6
t7
Ejemplo: Fabricacin continua de conductor de

cobre.
Nmero medio de defectos cada 100 m
T Distancia entre dos defectos
Distribucin Exponencial
T t
0
P (T t ) = P {0 defectos en el intervalo [0, t)}

= e t , t 0
FT (t ) = P(T t )
= 1 e t , t 0
fT (t ) = e t , t 0.
Funcin de densidad
Propiedades (Exponencial)
fT (t ) = e
0,1
0,08
, t 0.
0,06
= 0.1
0,04
0,02
0
0
10
20
30
40
50
60
E[T ] = t fT (t )dt
Var[T ] = E[T 2 ] E[T ]2
= te
= t 2e t dt
dt =
1
2
1
2
Distribucin Normal
Campana de Gauss
1 x 2
1
exp
f X ( x) =
, x
2
2
Medidas Caractersticas
E[ X ] =
E[( X ) ] = 0
Asimetra = 0
X N ( , )
Var[ X ] =
E[( X ) ] = 3
Curtosis = 3.
0.68
0.955
- 2
+2
0.997
- 3
+3
Normal Estndar
1
Z N (0,1)
0
1 z2 / 2
, z
f Z ( z) =
e
2
( z ) =
1 t 2 / 2
e
dt
2
TABLAS
Estandarizacin
X N ( , )
P( X x) = P(
Z=
N(,)
N (0,1)
) = P(Z
) = (
).
N(0,1)
a
P( X a)
P( Z z )
z = (a-)/
TABLA
Normal
Estandar
P (Z z)
N(0,1)
z
Ejemplo.
P(Z 1.96) = 0.9750
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0
.5000
.5398
.5793
.6179
.6554
.6915
.7257
.7580
.7881
.8159
.8413
.8643
.8849
.9032
.9192
.9332
.9452
.9554
.9641
.9713
.9772
.9821
.9861
.9893
.9918
.9938
.9953
.9965
.9974
.9981
.9987
0,01
.5040
.5438
.5832
.6217
.6591
.6950
.7291
.7611
.7910
.8186
.8438
.8665
.8869
.9049
.9207
.9345
.9463
.9564
.9649
.9719
.9778
.9826
.9864
.9896
.9920
.9940
.9955
.9966
.9975
.9982
.9987
0,02
.5080
.5478
.5871
.6255
.6628
.6985
.7324
.7642
.7939
.8212
.8461
.8686
.8888
.9066
.9222
.9357
.9474
.9573
.9656
.9726
.9783
.9830
.9868
.9898
.9922
.9941
.9956
.9967
.9976
.9982
.9987
0,03
.5120
.5517
.5910
.6293
.6664
.7019
.7357
.7673
.7967
.8238
.8485
.8708
.8907
.9082
.9236
.9370
.9484
.9582
.9664
.9732
.9788
.9834
.9871
.9901
.9925
.9943
.9957
.9968
.9977
.9983
.9988
0,04
.5160
.5557
.5948
.6331
.6700
.7054
.7389
.7704
.7995
.8264
.8508
.8729
.8925
.9099
.9251
.9382
.9495
.9591
.9671
.9738
.9793
.9838
.9875
.9904
.9927
.9945
.9959
.9969
.9977
.9984
.9988
0,05
.5199
.5596
.5987
.6368
.6736
.7088
.7422
.7734
.8023
.8289
.8531
.8749
.8944
.9115
.9265
.9394
.9505
.9599
.9678
.9744
.9798
.9842
.9878
.9906
.9929
.9946
.9960
.9970
.9978
.9984
.9989
0,06
.5239
.5636
.6026
.6406
.6772
.7123
.7454
.7764
.8051
.8315
.8554
.8770
.8962
.9131
.9279
.9406
.9515
.9608
.9686
.9750
.9803
.9846
.9881
.9909
.9931
.9948
.9961
.9971
.9979
.9985
.9989
0,07
.5279
.5675
.6064
.6443
.6808
.7157
.7486
.7794
.8078
.8340
.8577
.8790
.8980
.9147
.9292
.9418
.9525
.9616
.9693
.9756
.9808
.9850
.9884
.9911
.9932
.9949
.9962
.9972
.9979
.9985
.9989
0,08
.5319
.5714
.6103
.6480
.6844
.7190
.7517
.7823
.8106
.8365
.8599
.8810
.8997
.9162
.9306
.9429
.9535
.9625
.9699
.9761
.9812
.9854
.9887
.9913
.9934
.9951
.9963
.9973
.9980
.9986
.9990
0,09
.5359
.5753
.6141
.6517
.6879
.7224
.7549
.7852
.8133
.8389
.8621
.8830
.9015
.9177
.9319
.9441
.9545
.9633
.9706
.9767
.9817
.9857
.9890
.9916
.9936
.9952
.9964
.9974
.9981
.9986
.9990
P (Z z)
N(0,1)
z
z
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
0,00
.9990323
.9993128
.9995165
.9996630
.9997673
.9998409
.9998922
.9999276
.9999519
.9999683
0,01
.9990645
.9993363
.9995335
.9996751
.9997759
.9998469
.9998963
.9999305
.9999538
.9999696
0,02
.9990957
.9993590
.9995499
.9996868
.9997842
.9998527
.9999004
.9999333
.9999557
.9999709
0,03
.9991259
.9993810
.9995657
.9996982
.9997922
.9998583
.9999042
.9999359
.9999575
.9999721
0,04
.9991552
.9994023
.9995811
.9997091
.9997999
.9998636
.9999080
.9999385
.9999592
.9999733
0,05
.9991836
.9994229
.9995959
.9997197
.9998073
.9998688
.9999116
.9999409
.9999609
.9999744
0,06
.9992111
.9994429
.9996102
.9997299
.9998145
.9998739
.9999150
.9999433
.9999625
.9999755
0,07
.9992377
.9994622
.9996241
.9997397
.9998215
.9998787
.9999184
.9999456
.9999640
.9999765
0,08
.9992636
.9994809
.9996375
.9997492
.9998282
.9998834
.9999216
.9999478
.9999655
.9999775
0,09
.9992886
.9994990
.9996505
.9997584
.9998346
.9998878
.9999247
.9999499
.9999669
.9999784
Ejemplo (Normal)
La longitud X de ciertos tornillos es una variable
aleatoria con distribucin normal de media 30 mm
y desviacin tpica 0.2 mm. Se aceptan como
vlidos aquellos que cumplen 29.5 < X < 30.3.
Proporcin de tornillos no aceptables por cortos.
Proporcin de tornillos no aceptables por largos.
Proporcin de tornillos vlidos.
Ejemplo (Solucin)
X N (30, 0.2)
Z=
N (0,1)
X 30 29.5 30
)
1. P( X 29.5) = P(
0.2
0.2
= P( Z 2.5) = (2.5) = 0.0068
0.0068
0.0068
0.9932
-2.5
Tablas
2.5
X 30 30.4 30
)
0.2
0.2
= P( Z 2.0) = 1 (2) = 0.0228
3. P(" Defectuosas" ) = 0.0228 + 0.0068 = 0.0296
Y N de piezas defectuosa en un lote de 1000
E[Y] = 1000 0.0296 = 29.6
2. P ( X 30.4) = P (
Binomial-Poisson-Normal
Binomial
n,p
n , p 0
= np
n
p 1/ 2
= np
= np (1 p)
Poisson
Normal
,
Aproximacin Binomial-Normal
n=25, p=1/2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Aproximacin de Normal y Binomial

n = 50, p=0.5
0.12
0.1
0.08
0.06
0.04
0.02
0
10
15
20
25
30
35
40
45
50
Correccin por continuidad

Binomial: P(X 10)
Normal: P(X 10.5)
Correccin por continuidad

Normal:
P(X 10.5)
Binomial:
P(X 10)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Se ha tomado una muestra de 45 piezas de un proceso

que fabrica un promedio de 25% de piezas fuera de
especificacin.
1.Cul es la probabilidad de que en la muestra haya exactamente
13 elementos defectuosos?
Clculo exacto : X Binomial(n = 45, p = 0.25 )
45
P(X = 13 ) = 0.25130.7532 = 0.110
13
Aproximacin Normal : Y N( 11.25, 2.9 )
P(X = 13 ) = P( 12.5 Y 13.5 ) = 0.1142
2. Cul es la probabilidad de que la muestra contenga
13 o ms piezas defectuosas?
E : P(X 13 ) = P(X = 13 ) + P(X = 14 ) + L + P(X = 45 ) = 0.325
12.5-11.25
A : P(Y 12.5 ) = 1- (
) = 1 ( 0.4310 ) = 0.333
2.9
Plan de muestreo simple por

atributos
Una compaa recibe lotes con un gran nmero de piezas. Segn el
contrato cada lote debe tener como mximo una proporcin de
piezas defectuosas igual pA (AQL).
Un plan de muestreo simple por atributos consiste en determinar
n: nmero de piezas muestreadas
c: nmero mximo de piezas defectuosas en la
muestra
De forma que si X es el nmero de piezas defectuosas en la
muestra se aplica la siguiente regla:
x c se acepta el lote
x > c se rechaza el lote
Riesgos del vendedor y comprador

Riesgo del vendedor: Probabilidad de
rechazar un lote bueno (con porcentaje de
defectuosas igual al pA (AQL))
=P( X > c| p = pA).
Riesgo del comprador: Probabilidad de
aceptar un lote malo (con un porcentaje de
defectuosas pR>> pA)
= P( X c| p = pR).
Planteamiento del problema

n
Muestra
Lote
DATOS:
OBJETIVO:
pA= AQL : Riesgo vendedor
n: tamao muestral
pR = RQL : Riesgo comprador
c: mximo defectuosas
Ecuacin del vendedor

p Proporcin de piezas defectuosas en el lote
X Nmero de piezas defectuosas en una muestra de n
X Binomial (n, p) N (np, np(1 p ) )
Si p = p A
= P(X > c|p = p A ) = P(
X np A
c np A
)
>
np A (1 p A )
np A (1 p A )
= P( Z z1 )
Conocido z1
N(0,1)
c np A
=
np A (1 p A )
0
z1-
Ecuacin del comprador

Si p = p R :
= P(X c|p = pR ) = P(
X npR
c npR
)
npR (1 pR )
npR (1 p R )
= P( Z z )
Conocido z =
c npR
np R (1 p R )
N(0,1)
0
Valores de n y c
z1
c npR
z =
npR (1 p R )
c np A
=
np A (1 p A )
z1
n=
p A (1 p A ) z
pR p A
p R (1 p R )
c = np A + z1 np A (1 p A )
Lote Bueno
p=pA
npA c
Lote Malo
p=pR
Probabilidad de
rechazar un lote
malo
Probabilidad de
aceptar un lote
bueno
npR
Rechazar Lote
Aceptar Lote
c
Ejemplo: plan de muestreo

Disear un plan de muestreo para lotes de 10000
unidades con un AQL igual al 0.02, RQL igual a
0.08, riesgo de comprador de 0.10 y del vendedor
igual al 0.05.
Para = 0.05 z1- = 1.64 y = 0.10 z = 1.28
2
1.65 0.02 0.98 + 1.28 0.08 0.92

93
n =
0.08 0.02
c = 93 0.02 + 1.65 93 0.02 0.98 4

Tema 4

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tema 4

Caricato da

Copyright:

Formati disponibili

Modelos Univariantes

Ejemplos de procesos de Bernoulli

Distribucin Binomial (n,p)

Distribucin de probabilidad binomial (n,p)

Distribucin de probabilidad binomial (n,p)

Propiedades de la dist. binomial

Distribucin Geomtrica (p)

Y = Piezas extradas hasta que aparezca una defectuosa

Distribucin de probabilidad geomtrica (p)

Propiedades de la v.a. geomtrica

Dist. Binomial Negativa (r,p)

Dist. Hipergeomtrica (N,M,n)

Se extraen al azar y sin reposicin n

V = Nmero de piezas defectuosas al extraer n

Ejemplo: Fabricacin continua de conductor de

Lmite de la dist. binomial

Ejemplo: Fabricacin continua de conductor de

P (T t ) = P {0 defectos en el intervalo [0, t)}

Var[T ] = E[T 2 ] E[T ]2

Aproximacin de Normal y Binomial

Correccin por continuidad

Normal: P(X 10.5)

Correccin por continuidad

Se ha tomado una muestra de 45 piezas de un proceso

Plan de muestreo simple por

Riesgos del vendedor y comprador

Planteamiento del problema

pA= AQL : Riesgo vendedor

pR = RQL : Riesgo comprador

Ecuacin del vendedor

Ecuacin del comprador

Ejemplo: plan de muestreo

1.65 0.02 0.98 + 1.28 0.08 0.92

c = 93 0.02 + 1.65 93 0.02 0.98 4

Potrebbero piacerti anche