Você está na página 1de 20

Utilidad

Ut
dad de la
a estadstica
estad st ca en
e la
a
ingeniera
Jhon Jairo Padilla, Ph.D.

La ingeniera y la solucin de problemas


`

`
`

El Ingeniero resuelve problemas de inters para la


sociedad mediante la aplicacin eficiente de principios
cientficos.
Cmo lo hace? Desarrollando/perfeccionando productos o
procesos que satisfagan las necesidades del cliente.
Se requiere un mtodo para hacer esto: Mtodo cientfico.

El mtodo cientfico
Descripcin clara del
problema
Identificacin Factores
Problema/Solucin
Proponer/refinar el modelo
d l problema
del
bl
Obtener solucin a partir
del modelo del problema
P b y validar
Probar
lid la
l solucin
l i
Conclusiones y
recomendaciones finales

Probar y validar modelo y


factores

E
Experimentacin
i
t i

La Manipulacin de datos
Requiere de tcnicas especiales
Que ofrece la Estadstica

Experimento
`

Experimento: Proceso o procedimiento que transforma una


entrada en una salida.
salida

Experimento
p
determinstico:
`

Para una misma entrada, se produce siempre la misma salida en cada


repeticin del experimento.

E
Experimento
i
Al
Aleatorio:
i
`

Para una misma entrada, se obtienen diferentes salidas en cada


p
del experimento
p
repeticin

Trminos
`

Espacio de muestreo:
`

El conjunto S de las salidas de un experimento aleatorio es


llamado espacio de muestreo (o tambin: espacio de muestras o
espacio muestral)
est al) del
d l experimento
i
t aleatorio.
l t i

Resultados: Los elementos del espacio de muestras se


conocen como resultados.
resultados
`

La caracterstica clave de un resultado es la indivisibilidad. Un


resultado no puede ser subdividido en otros resultados ms
elementales.

Ejemplo: Experimento aleatorio


Poblacin: Todos los posibles
resultados ,
P={0000,0001,,9998,9999}
M did Combinacin
Medida:
C bi i elegida
l id
Intento

Combinacin

0783

2615

9742

3212

2086

Espacio muestral: Todos los resultados del


experimento. En este caso S={0783, 2615,
9742, 3212, 2086}

Por qu las tcnicas de la estadstica?


`

Variabilidad: Las observaciones sucesivas de un


experimento aleatorio no ofrecen exactamente el mismo
resultado.
Fuente de variabilidad: Todo experimento aleatorio
tiene factores que introducen variaciones a las
observaciones
b
realizadas.
l d
La estadstica permite describir la variabilidad y
d
descubrir
b cules
l fuentes
f
de
d variabilidad
i bilid d tienen mayor
impacto sobre el experimento.

Usos de la estadstica
1.
2.
3.
4.

Inferencia Estadstica
Modelado de procesos aleatorios
Investigacin
g
Experimental
p
Control estadstico de procesos

1 Inferencia estadstica
1.
`

Se refiere al proceso que se sigue para obtener unas


reglas generales (aplicables a toda la poblacin) acerca de
un proceso, a partir de las muestras (unos pocos
resultados muestreados)

Muestras

Inferencia
Estadstica

Poblacin
Muestras

Tipos de Inferencia Estadstica


`

Estudio Enumerativo: La poblacin existe


existe. Las muestras
son tomadas de la poblacin
Inferencia
Poblacin Existente

Muestras

La mitad
L
it d d
de las
l
pastillas son rojas y
la mitad son
azules
azules
Conclusin

Estudio Analtico: La poblacin no existe (slo existen las


muestras), pero existir en un futuro.
Inferencia
Muestra

La
La mitad de las
pastillas sern rojas y
la mitad sern azules
Conclusin

Poblacin Futura

2 Modelado de Procesos Aleatorios


2.

Muestras

Modelo
del
proceso

Mtodo
estadstico
Estudio
observacional

Mecanicista

Experimento
Diseado

Emprico

2 1 Tipos de Modelos
2.1.

Muestras

Mtodo
estadstico

Modelo
del
pproceso
oceso

Modelo Mecanicista:
`
`

Se construye a partir del conocimiento previo del mecanismo fsico


bsico que relaciona las variables del modelo
Ej
Ejemplo:
l Ley
L d
de Ohm
Oh
`
`

Modelo Determinstico:
I=E/R ;I:Corriente, E:Voltaje, R:Resistencia
Modelo Estocstico:
I=(E/R )+ ;I:Corriente, E:Voltaje, R:Resistencia,
:Efectos de fuentes de variabilidad

2 1 Tipos de Modelos
2.1.
`

Modelo Emprico:
`

Se aplican los conocimientos cientficos y de ingeniera al fenmeno,


fenmeno
pero el modelo no se desarrolla directamente de nuestra comprensin
terica o con base en principios fundamentales del mecanismo
subyacente.
Ejemplo: Sabemos que la Resistencia (R) de un material depende del
rea (A), de la temperatura (T) y de la conductividad (C) del material.
Lo que no sabemos es la relacin exacta entre estos factores. Por tanto,
podemos
d
suponer que existe
i t una funcin
f i generall
R=f(A, T, C)
Podra hallarse un modelo a partir de ciertas medidas de un
experimento
i
t di
diseado
d y llegar
ll
a la
l conclusin
l i que
`
`

`
`

Modelo Determinstico: R=1A+(2/T)+(3/C)


Modelo Estocstico: R=1A+(2/T)+(3/C)+

LLoss parmetros
armetr s son
s n desconocidos
desc n cid s y deben determinarse
determinarse. Para est
esto
se utiliza un mtodo conocido como regresin.
A estos modelos tambin se los conoce como modelos de regresin.

2.2. Mtodos Estadsticos de Modelado de


procesos aleatorios
Se busca obtener un modelo del proceso. Hay dos tipos:

Estudio observacional:

`
`
`
`

Se obtienen datos de un proceso conforme se van presentando.


No hay control sobre ningn factor que afecte el proceso.
proceso
Tambin se pueden observar datos histricos para detectar la causa
de ciertos fenmenos en un determinado instante de tiempo.

Experimento diseado:

`
`
`
`

Se realizan cambios deliberados o intencionados en las


variables controlables de un sistema o proceso.
proceso
Se observan los resultados obtenidos en las diferentes repeticiones
del experimento.
Se saca una conclusin acerca del efecto de las variables sobre los
resultados del proceso.

2 2 1 Estudio observacional
2.2.1.
TRAZA REAL DE TRAFICO
500
450
400

numero de pa
aquetes

350
300
250
200
150
100
50
0
0

500

1000

1500
2000
tiempo de llegada (s)

2500

3000

Traza de trfico Original con datos capturados en Bellcore Labs, tomando


un t=500ms.

De las muestras de trfico de datos de


una Internet, se pudo concluir que el
trfico se comportaba de manera
Autosimilar. Esto permite utilizar la
teora
de
d Fractales
F
l en este tipo de
d
trfico.

222 E
2.2.2.
Experimento
i
t di
diseado
d
`
`
`

Objetivo: Sacar conclusiones acerca del efecto de uno o


varios factores en los resultados de un experimento
Se requiere repetir el experimento varias veces con
diferentes valores de los factores que se supone afectan.
afectan
Si en una misma repeticin se alteran dos o ms factores
simultneamente al experimento se le conoce como
simultneamente,
experimento factorial.
Importante: Es necesaria una planeacin eficiente y eficaz
de los experimentos!

Ejemplo: Experimento Diseado

classifier delay, dc (s)

6,00E-04

5,00E-04

N=64K IntServ6

4,00E-04
,

N=128K IntServ6

Experimento
Factorial

N=256K IntServ6

3,00E-04

N=512K IntServ6

2,00E-04

N=1M IntServ6

1,00E-04

1,90E-18
1060

1130

1200

1270

1340

1410

-1,00E-04
flows number, m

Variacin del retardo medio de los paquetes en un dispositivo


de encaminamiento al variar: el nmero de usuarios (m) y el
tamao de una tabla de almacenamiento utilizada (N)

3 Investigacin Experimental
3.
`
`

Problema: Procesos en que ninguna teora matemtica


tiene
i
una aplicacin
li i di
directa o completa.
l
Condicin: Se tiene una base de teora cientfica
subyacente para explicar el fenmeno,
fenmeno pero no se tiene
certeza de poder aplicarla.
Objetivo: Se busca verificar que la teora cientfica es
operativa en la situacin o entorno en que se est
aplicando. Se debe realizar una prueba de una
hiptesis estadstica.
Por tanto, se requiere disear el experimento para despus
probar
b la
l viabilidad
i bilid d d
de la
l aplicacin
li i d
de lla teora
a partir
i de
d
los resultados obtenidos (prueba de hiptesis).

Investigacin Experimental. Prueba de


hi t i
hiptesis
DATOS OBTENIDOS TEORICAMENTE

DATOS MEDIDOS
TRAZA REAL DE TRAFICO

TRAZA VIRTUAL D-MMPP

500

Se comportan igual
o diferente?
Se puede aplicar la
teora para modelar
la prctica?

400
350
300
250
200
150

400
350
numero de paquetes

450

300
250
200
150

100

100

50

50

0
0

500

1000

1500
2000
tiempo de llegada (s)

2500

0
0

3000
Q-Q PLOT. GRAFICA DE LOS QUANTILES

500

1000

1500
2000
tiempo de llegada (s)

2500

500

400

PRUEBA DE
HIPTESIS

TRAZA VIR
RTUAL

numero de paquetes

450

300

200

100

-100
0

50

100

150

200
250
300
TRAZA REAL

350

400

450

500

Respuesta:
Se comportan de forma
similar, luego, se puede
utilizar ese modelo
terico

3000

4 Control estadstico de procesos


4.
`
`

El objetivo es monitorear, controlar y mejorar un proceso.


Se aplica para determinar cundo aplicar un ajuste a un
proceso y de qu magnitud debe ser el ajuste para que los
resultados no se salgan de ciertos lmites (lmite superior y
lmite inferior).

Diagramas de Control