Trabajamos en una fábrica que fabrica Trastos:
Nadie sabe exactamente para qué sirven, pero son enormes y cuesta mucho fabricarlos.
El proceso de fabricación de un Trasto pasa por los siguientes pasos:
-
Calentamiento: un trozo de metal inmenso se calienta hasta ponerlo al rojo vivo, coste: 1000 euros
-
Forjado: el trozo de metal se martillea en una forja hidráulica hasta que adquiere la forma adecuada, coste: 10 euros
-
Inspección: un robot inspecciona el Trasto para ver si cumple las especificaciones
- si la inspección tarda menos de 13 minutos y se encuentra un defecto, vuelve al paso 2, el martilleo lo mantendrá caliente
- si la inspección tarda más de 13 minutos y se encuentra un defecto, se ha enfriado demasiado y hay que volver al paso 1
coste de la inspección: 5 euros
La tasa de error en el forjado es del 20%: un 20% de forjados salen defectuosos y hay que volver a intentarlo.
Estamos evaluando 2 robots distintos para llevar a cabo la inspección, y para compararlos hemos medido lo que tardan en inspeccionar bastantes trastos cada uno con modelos que nos han prestado los fabricantes:
- robot A: tiempos para inspeccionar 889 trastos en robot_A.csv
- robot B: tiempos para inspeccionar 912 trastos en robot_B.csv
Los robots valen exactamente lo mismo. Los tiempos de cada inspección son independientes de la presencia de un defecto, del trasto inspeccionado o de lo que tardó la inspección anterior.
¿Qué robot tarda menos de media en inspeccionar un Trasto?
¿Cómo podemos representar visualmente los datos para sacar conclusiones útiles? Usa el notebook.
¿Qué robot debemos de comprar para minimizar los costes de producción?
- ¿Cuál es el coste medio de fabricación por Trasto si usamos inspectores humanos que siempre tardan más de 20 minutos en inspeccionar un Trasto? Una inspección humana también cuesta 5 euros.
- ¿Cuál es el coste medio de fabricación por Trasto si usamos el robot A?
- ¿Cuál es el coste medio de fabricación por Trasto si usamos el robot B?
Como siempre que tengamos datos de este tipo, vamos a usar las herramientas estándar para echarles un vistazo:
- Comparamos histogramas
- Comparamos cuartiles y min-max, ej. pintando un box plot con whiskers
Podemos usar experimentos de Monte Carlo para estimar esperanzas con respecto a la tasa de fallo.
También podemos examinar la estructura del problema de calcular la esperanza y aplicar técnicas con papel y lápiz si no apetece programar.
Seguimos con el stack científico de python: jupyter, numpy, matplotlib, pandas etc.
Usando esto, cosas como cargar csvs y pintar histogramas son oneliners; eg. pandas.read_csv, matplotlib.pyplot.hist etc.
Como la vez anterior, se hacen forks del repo y cada uno commitea su solución en su fork para luego presentarlas en común; nos esperamos a subirlas hasta el día de presentación de resultados para no condicionar las soluciones de los demás.
La solución al ejercicio deberá ponerse en un notebook llamado solution.ipynb.