Transcript Introducción a la Estadística y a la descripción de datos
Curso de Probabilidad y Estadística Tema: (7) Estadística Descriptiva
Dr. José Antonio Camarena Ibarrola [email protected]
Facultad de Ingeniería Eléctrica
El campo de la Estadística
Recopilación, Presentación, Análisis y Uso de Información para resolver problemas, tomar decisiones, hacer estimaciones y diseñar productos y procedimientos
La variabilidad
La Estadística sirve para presentar, describir y entender la variabilidad Un proceso produce un resultado, al repetirse un proceso, los resultados cambian a pesar de que el proceso se reprodujo aparentemente en las mismas circunstancias.
Población
Colección de mediciones de un universo respecto al cual queremos obtener conclusiones o tomar decisiones.
Ej. Conjunto de valores de consumo de energía (KWH) facturados en el primer bimestre de 2008
Tipos de datos
Datos numéricos (continuos o discretos) Datos categóricos (Ej. Sexo, marca, ..) Datos identificadores de unidades
Muestreo de datos
Muestra
Muestreo aleatorio
Población
Nota: Si la muestra es igual a la población, al muestreo le llamamos censo
Estadística
Descriptiva. Organización, resumen y presentación de datos Inferencial. Llegar a una conclusión acerca de la población, el proceso o el modelo de asignación de las variables
Presentación gráfica de la información
Diagrama de puntos Gráficas de dispersión Diagramas de tallos y hojas Histogramas Diagramas de cajas con bigotes Gráficas de Pareto Series de tiempo
Diagrama de puntos
Ejemplo: Datos de resistencia a la tensión de muestras de mortero Portland (Kg/cm2) con polímero agregado: 16.85 16.40 17.21 16.35 16.52 17.04 16.96 17.15 16.59 16.57
mortero Portland sin modificar: 17.50 17.63 18.25 18.00 17.86
17.75 18.22 17.90 17.96 18.15
* * ** * * * * * * + + + + + + + + + + 17.5
18.0
16.0 16.5
17.0
* = Mortero modificado + = Mortero sin modificar 18.5
Graficas de dispersión
Gráfica de dispersión
Grafica de dispersión 3D
Gráfica de burbujas
Ejemplo: Resistencia a la tensión de 80 muestras de aleación Aluminio-Litio
105 221 183 186 121 181 180 143 97 154 153 174 120 168 167 141 245 228 174 199 181 158 176 110 163 131 154 115 160 208 158 133 207 180 190 193 194 133 156 123 134 178 76 167 184 135 229 146 218 157 101 171 165 172 158 169 199 151 142 163 145 171 148 158 160 175 149 87 160 237 150 135 196 201 200 176 150 170 118 149
Diagrama de tallos y hojas
14 15 16 17 18 19 20 21 Tallo 7 8 9 10 11 12 13 22 23 24 Hoja 6 7 7 5 1 5 8 0 1 0 3 4 1 3 5 3 5 2 9 5 8 3 1 6 9 4 7 1 3 4 0 8 8 6 8 0 8 3 0 7 3 0 5 0 8 7 9 8 5 4 4 1 6 2 1 0 6 0 3 6 1 4 1 0 9 6 0 9 3 4 7 1 0 8 8 1 8 9 7 5 7 6 4 1 8 12 10 10 Frecuencia 1 1 1 2 3 3 6 3 1 1
Tallos y Hojas ordenado
14 15 16 17 18 19 20 21 Tallo 7 8 9 10 11 12 13 22 23 24 Hoja 6 7 7 1 5 0 5 8 0 1 3 1 3 3 4 5 5 1 2 3 5 8 6 9 9 0 0 1 3 4 4 6 7 8 8 8 8 0 0 0 3 3 5 7 7 8 9 0 1 1 2 4 4 5 6 6 8 0 0 1 1 3 4 6 0 3 4 6 9 9 0 1 7 8 8 1 8 9 7 5 7 6 4 1 8 12 10 10 Frecuencia 1 1 1 2 3 3 6 3 1 1
Los datos ordenados
76 87 97 101 105 110 115 118 120 121 123 131 133 133 134 135 135 141 142 143 145 146 148 149 149 150 150 151 153 154 154 156 157 158 158 158 158 160 160 160 163 163 165 167 167 168 169 170 171 171 172 174 174 175 176 176 178 180 180 181 181 183 184 186 190 193 194 196 199 199 200 201 207 208 218 221 228 229 237 245 Son 80 datos, como es un numero par, la mediana será el promedio de los que ocupan los lugares 40 y 41, o sea (160+163)/2=161.5
El primer cuartil es el valor en (0.25)*80+0.5=20.5, es decir, el promedio de los valores en los puestos 20 y 21, o sea (143+145)/2=144 El tercer cuartil es el promedio de los valores en los puestos 60 y 61, es decir, (181+181)/2=181
El rango intercuartil
RIC=Q3-Q1 Es una medida de dispersión de datos En el ejemplo anterior: RIC=181-144=37
Tabla de Frecuencias
Clase 70 a 90 90 a 110 110 a 130 130 a 150 150 a 170 170 a 190 190 a 210 210 a 230 230 a 250 Frecuencia 2 3 6 14 22 17 10 4 2 Frec. Relativa 0.0250
0.0375
0.0750
0.1750
0.2750
0.2125
0.1250
0.0500
0.0250
Frec. Rel. Acum.
0.0250
0.0625
0.1375
0.3125
0.5875
0.8000
0.9250
0.9750
1.0000
Histograma
25 20 15 10 5 0 70 90 110 130 150 170 190 210 230 250
Cajas con bigotes
Presenta al mismo tiempo una medida de dispersión, de tendencia central y de valores extremos Se debe determinar la mediana, el primero y el tercer cuartil y los valores máximo y mínimo Rango Intercuartílico RIC=Q3-Q1
Las gráficas de Caja son útiles para hacer comparaciones
Supongamos que un corredor entrena para una determinada carrera y se toman los tiempos que necesita para recorrer los 100m, durante 10 días consecutivos (cada día se toman varios tiempos y se calculan mediana, cuartiles, valores mínimo y máximo) El desplazamiento de las gráficas de caja hacia la izquierda indica que el entrenamiento ha dado resultado, ya que se tardan menos segundos en recorrer la misma distancia, siendo la diferencia entre el máximo y el mínimo menor, como así también la diferencia intercuartílica
Ejemplo
En un diario presentan el siguiente gráfico de caja y bigotes. La variable en estudio es “calificación en un examen de ingreso” Teniendo en cuenta esta gráfica indique en forma aproximada: a)¿Qué calificación obtuvo el estudiante con menor nota? b)¿Qué calificación obtuvo el estudiante con mayor nota? c)¿Cuál es el primer cuartil?
d)¿Cuál es el tercer cuartil?
e)¿Cuál es la mediana?
Ejercicio
En un aeropuerto se registran los vuelos que arriban en una semana determinada y los datos se vuelcan en la siguiente tabla: Día Lunes Martes Miércoles Jueves Viernes Sábado Domingo Vuelos 25 37 45 50 32 40 30 Ordene en forma creciente y calcule mediana y cuartiles.
¿Cuántos vuelos hay el día que hay menos vuelos?
¿Cuántos vuelos hay el día que hay más vuelos? Represente mediante un diagrama de caja y bigotes.
Diagrama de Pareto
Se ordenan la frecuencias en orden descendente La escala horizontal no es necesariamente numérica La línea indica los porcentajes acumulados Útiles en análisis de datos de defectos en procesos de producción Muy usada en los programas de mejoramiento de calidad pues permite a los ingenieros concentrarse en los problemas realmente importantes
Ejemplo, Proceso de fabricación de un puerta de automóvil
Tipo de Defecto
Mancha Rayón Defecto en manija Floja Abollada Defecto en vidrio
TOTAL Cant
21 35 17 29 3 5
110 Tipo de Defecto
Rayón Floja Mancha Defecto en manija Otros
TOTAL Cant
35 29 21 17 8
110 %
32 26 19 16 7
100
Diagrama de Pareto
Serie de tiempo
300 250 200 150 100 50 0 Resist a la tensión 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Descripción numérica de los datos
Media Varianza Moda Mediana Sesgo Curtosis Covarianza Factor de correlación
La media
La media muestral
x
x
1
x
2 ...
x n n
1
n i n
1
x i
La media de la población 1
N i N
1
x i
La media geométrica
Mg
n i n
1
x i
n x
1
x
2 ...
x n
La varianza
La varianza muestral
s n
2 1
n i n
1 (
x i
x
) 2 1
n
i n
1
x i
2
x
2 La varianza de la población 2 1
N i N
1 (
x i
) 2
Varianzas muestrales, Covarianza muestral y correlación muestral
s xy s x
2
s
2
y
1
n i n
1 (
x i
1
n i n
1 (
y i
x
) 2
y
) 2 1
n
i n
1
x i
2 1
n
i n
1
y i
2
x
2
y
2 1
n i n
1 (
x i
x
)(
y i
y
)
r xy
S xy S x S y
1
n
i n
1
x i y i
x y
La cuasi-varianza muestral
s
2
n
1
i n
1 (
x i n
1
x
) 2
n
1 1
i n
1
x i
2 1
n
i n
1
x i
2 Esta medida de dispersión tiene la propiedad de insesgadez
La moda
El valor de mayor frecuencia Si hay dos, la distribución es bi-modal
El rango dinámico
La diferencia entre el máximo y el mínimo de los valores de la población
Sesgo y Curtosis
sesgo
n
(
n
1 )(
n
2 )
i n
1 (
x i s
3
x
) 3
curtosis
(
n
1
n
(
n
1 ) )(
n
2 )(
n
3 )
i n
1 (
x i s
4
x
) 4
Regresión lineal
Es una técnica estadística para investigar la relación entre dos o mas variables Se utiliza para realizar predicciones de una variable (respuesta) en términos de otras (regresivas) El término “regresión” fue acuñado por el frances Francis Galton quien lo usó en sus estudios de la herencia La regresión simple o bivariada consiste de hacer predicciones de una variable en términos de otra solamente En la regresión múltiple, la predicción se hace tomando en cuenta a varias variables
Regresión lineal simple
Asumimos que la relación entre la variable respuesta y la variable regresiva es una línea recta
E
[
y
|
x
] 0 1 Cada observación cumple
x y i
0 1
x i
La suma de los cuadrados de los errores es
n i
1 2
i n
1 (
y i
0 1
x i
) 2
Regresión lineal simple
Para minimizar el error derivamos e igualamos a cero respecto a 0
n
2 (
y i
0 1
x i
) 0
i
1 De la misma manera derivando respecto a
n
2
i
1 (
y i
0 1
x i
)
x i
Simplificando estas dos ecs: 0
n
0 1
i n
1
x i
i n
1
y i
0
i n
1
x i
1
i n
1
x i
2
i n
1
y i x i
1
Regresión lineal simple
Reconociendo que
x
1
n i n
1
x i y
1
n i n
1
y i
La ecuación Se convierte en 0
y n
0 Esto lo reemplazamos en 1
x
1
i n
1 0
i n
1
x i x i
i n
1 1
i n
1
y i x i
2
i n
1
y i x i
Para obtener (
y
1
x
)
i n
1
x i
1
i n
1
x i
2
i n
1
y i x i
Regresión lineal simple
De la ecuación (
y
1
x
)
i n
1
x i
1
i n
1
x i
2
i n
1
y i x i
Despejamos 1
y i n
1
x i
1
x i n
1
x i
i n
1
x i
2
i n
1
y i x i
Para obtener 1
i n
1
y i x i x i n
1
x i
y i n
1
i n
1
x i x i
2
Regresión lineal simple
1
i n
1
y i x i x i n
1
x i
y i n
1
x i
i n
1
x i
2 Es lo mismo que 1
i n
1
y i x i i n
1
x i
2 1
n
1
n i n
1
y i i n
1
x i
i n
1
x i
2
i n
1
y i
(
x i i n
1 (
x i
x
) 2
x
)
S xy S xx
Ejemplo
Un Ingeniero está investigando el efecto de la temperatura sobre el rendimiento de un producto, sus experimentos arrojan los siguientes resultados Temp 100 Rend 45 110 51 120 54 130 61 140 66 150 70 160 74 170 78 180 85 190 89
La gráfica de dispersión
Esta gráfica nos indica una fuerte suposición de que la relación entre las dos variables puede ser lineal
Haciendo los cálculos
n
10
i
10 1
x i
1450
i
10 1
y i
673
x
145
y
67 .
3
i
10 1
x i
2 218 , 500
i
10 1
y i
2 47 , 225
i
10 1
x i y i
101 , 570
S xx
i
10 1
x i
2 1 10
i
10 1
x i
2 218 , 500 ( 1450 ) 2 10 8 , 250
S xy
i
10 1
x i y i
1 10
i
10 1
x i i
10 1
y i
101 , 570 ( 1450 )( 673 ) 10 3 , 985
Finalmente
1
S xy S xx
3985 8250 0 .
483 0
y
1
x
67 .
3 ( 0 .
483 )( 145 ) 2 .
739
y
0 1
x
2 .
739 0 .
483
x
Orígenes: Siglo XX: Perspectiva histórica de la teoría de la fiabilidad • Estudios para poder evaluar la mortalidad derivada de las epidemias.
• Compañías de seguros, para determinar los riesgos de sus pólizas de seguro de vida.
• Tablas de vida: La primera tabla de vida data de 1693 y es debida a Edmund Halley se utilizaban los métodos actuariales tanto para estimar la supervivencia de pacientes sometidos a distintos tratamientos como para estudiar la fiabilidad de equipamientos, en particular de los ferrocarriles.
En 1939 Waloddi Weibulll, cuando era profesor del Royal Institute of Technology en Suiza, propuso una distribución para describir la duración de materiales, que más tarde llevaría su nombre.
En 1951 Epstein y Sobel empezaron a trabajar con la distribución exponencial como modelo probabilístico para estudiar el tiempo de vida de dispositivos 48
Fiabilidad y Mantenimiento Desde el punto de vista de la ingeniería, la fiabilidad es la probabilidad de que un aparato, dispositivo o persona desarrolle una determinada función bajo condiciones fijadas durante un periodo de tiempo determinado.
• La confiabilidad de un elemento puede ser caracterizada a través de distintos modelos de probabilidades.
• Podemos describir varias distribuciones de fallas comunes y ver qué podemos aprender de ellas para gestionar los recursos de mantenimiento. Convirtiendo el conocimiento ganado de ellas en acciones PROACTIVAS de Mantenimiento y aplicarlas en el Diseño.
49
Herramientas de Fiabilidad
Se estudia mediante el análisis estadístico de datos de supervivencia.
ISO define fiabilidad como la probabilidad de que un componente o sistema, desarrolle durante un periodo de tiempo dado, la tarea que tiene encomendada sin fallos, y en las condiciones establecidas.
Estudiar Duraciones de Procesos que es común en muchas ciencias: • Duración de un componente (Fiabilidad) • Supervivencia de un paciente a un tratamiento (Medicina) • Duración del desempleo (Economía) • Edad de las personas (Demografía y sociología) 50
Veamos, a partir de un histograma podemos desarrollar las cuatro funciones de importancia para la caracterización de la fiabilidad.
MES ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE TOTAL fallas 2 5 7 8 7 6 5 4 3 1 48 9 8 7 6 5 4 3 2 1 0 ENERO FEBRERO MARZO ABRIL MAYO
Meses
JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE Serie1 Serie2 51
En estudios de mantenimiento necesitamos pasar del anterior histograma a funciones continuas, debido que la variable tiempo de fallo es continua. Esta funciones nos dan una idea clara de la distribución de fallos. Empezamos por la f(t) ó pdf que indica la densidad probable de fallas en cada intervalo t.
f(t)
5 4 3 2 1 9 8 7 6 Serie1 0 ENERO FEBRERO MARZO ABRIL JULIO AGOSTO MAYO
Meses
JUNIO Pudiendo llamar a t1 y t2, -∞ y ∞ respectivamente SEPTIEMBRE OCTUBRE
t
1
t
2 52
F(t) ó CDF Cumulative Density Function: aquí de -∞ a Tiempo t, seria la probabilidad de que la falla ocurra antes del tiempo t.
t
9 8
f(t)
5 4 3 7 6 2 1 0 ENERO FEBRERO Tiempo t MARZO el área bajo la curva - transcurrido t (Función Repartición ) cdf=14/48 ABRIL JULIO AGOSTO SEPTIEMBRE OCTUBRE MAYO
Meses
JUNIO Intervalo ∞ a t, la acumulación de fallas 53
R(t) Reliability (confiabilidad) Esta es la probabilidad de éxito o sea que no ocurra la falla antes de t.
Representando por el área bajo la curva desde t hasta infinito.
R(t)= 1- F(t) 5
f(t)
4 7 6 9 8 3 2 1 0 ENERO FEBRERO Tiempo t MARZO ABRIL MAYO
Meses
JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE
t
54
La tasa de falla del intervalo t1 a t2 se define como
TF
(
t
1 ,
t
2 )
R
(
t
1 )
R
(
t
1
R
(
t
2 ) )
t
2 1
t
1 Es la probabilidad de que ocurra una falla en el intervalo de t1 a t2 dado que no ha habido falla al tiempo t1 la función de Riesgo, o tasa de mortalidad h(t) es
h
(
t
) lim
t
0
R
(
t
)
R
(
t R
(
t
)
t
) 1
t
lim
t
0
R
(
t
t
)
t
R
(
t
) 1
R
(
t
)
R
' (
t
)
R
(
t
) Y como R(t)=1-F(t), entonces R’(t)=-F’(t)=-f(t), de ahí
h
(
t
)
f
(
t R
(
t
) ) 1
f
(
t
)
F
(
t
) Es muy común asumir que las fallas tienen una distribución exponencial, entonces:
h
(
t
)
f
(
t
)
R
(
t
)
e
t e
t
Y entonces se dice que la tasa de falla es constante, la constante λ
Función de Riesgo típica
(t)
constante DOMINIO ELECTRONICO
Hipótesis exponencial desarrollo 1 Madurez (fallos aleatorios) Inicio utilización desclasificación 2 obsolescencia 3 Edad t 56
(t)
Función de Riesgo típica
DOMINIO MECANICO
Influencia del desgaste sobre (t) Curva debida a los fallos precoces 1 Puesta en servicio 1 Madurez 2 rodaje desclasificación obsolescencia 3 Edad t 57
Cuando la tasa de fallo del elemento responde a la curva de la bañera es conveniente realizar un ensayo acelerado del mismo (en condiciones de stress) para que supere la zona de mortalidad infantil o fallas infantiles.
– determinar cuando comienza la vida útil del producto y ofrecer a los clientes una garantía de funcionamiento durante ese periodo de funcionamiento problemático.
– Una vez superado el periodo crítico, la empresa está razonablemente segura de que el producto tiene una posibilidad de fallos reducida
58
La distribución de fallas de diferentes tipos de maquinaria no son las mismas. Aun varían en una misma maquina durante su operación. Sus formas pueden ser estudiadas a partir de las funciones pdf, cdf y tasa de falla de los datos reales de mantenimiento o de ensayos de fiabilidad. Estos dan forma a determinadas expresiones matemáticas conocidas como distribuciones obteniendo: •Dist. Exponencial •Dist. Normal •Dist. Lognormal •Dist. Weibull 59
pdf cdf R(t)
EL MODELO EXPONENCIAL f (t) =
exp (-
t), t
0 F(t) = 1 - exp(-
t), t
0 R(t) = exp (-
t ), t
0
= h(t) 60
0, 5 2 1 f (t) f (x)
=2 x)
=0, 5x)
=1 x) EL MODELO DE WEIBULL
=5 x)
=3,6
=2, 5x)
(t)
=4 t
t
1
e t
parámetro de forma
> 0;
parámetro de escala
> 0; parámetro de posición -
<
< +
e t
3 0,5t 2 1,5 1 t
61
Las características de la distribución de Weibull
62
Las características de la distribución de Weibull
63
f(t) Las características de la distribución de Weibull
2 < 0
2 = 0
2 > 0 t
- El parámetro de posición
(en unidad de tiempo)
Se llama también parámetro de diferenciación o de localización.
Significado: indica la fecha de inicio de los fallos.
-- si > 0, hay supervivencia total entre t = 0 y t =
;
-- si = 0, los fallos empiezan en el origen del tiempo; -- si tiempo.
< 0, los fallos han empezado antes del origen del 64
Ejemplo
Obtención de la fiabilidad de neumáticos a través del Análisis de la degradación
Siete marcas de neumáticos fueron controlados en su desgaste cada 5.000 millas, midiendo la profundidad de cada uno. La tabla que contiene las mediciones desde su inicio hasta las 30.000 millas
f (t) =
exp (-
t), t
0 F(t) = 1 - exp(-
t), t
0 R(t) = exp(-
t ), t
0 Degradación Critica y= 2 mm
65
Ejemplo
66
Ejemplo
67
Ejemplo
68
Ejemplo
69
Diagrama de Ishikawa
El diagrama de Ishikawa conocido también como causa-efecto, es una forma de organizar y representar las diferentes teorías propuestas sobre las causas de un problema. Nos permite, por tanto, lograr un conocimiento común de un problema complejo, sin ser nunca sustitutivo de los datos.