UNIVLkSIDAD DL LAS AMLkICAS

UL8LA


Laborator|o de Ca||dad I: kecop||ac|n de
Act|v|dades
LlzeLh lveLL 8eyes Lsplnosa
lu: 141388

16 de Mayo de 2014






PRCTICA 1

OBJETIVO: El alumno aplicar los conocimientos de Minitab usando las ventanas y
mens bsicos, con la introduccin de datos
TEMA: MINITAB Release 16 comandos

DESARROLLO DE LA PRCTICA:

1.- Use Minitab para elaborar una tabla de temperaturas en grados Fahrenheit y su
equivalente en grados Celsius. En una hoja de trabajo introduzca temperaturas en grados
Fahrenheit de 20 a 80 con incrementos de 5 en C1. Para convertir los valores de C1 a
Celsius, use la frmula Celsius = (Fahrenheit - 32) * (5/9). Almacene los valores de grados
Celsius en C2.

2.- Abra la base de datos titulada "Cap" del flder de datos. (botellas)
a) Crear un histograma de C1 "Torque"
36 32 28 24 20 16 12
14
12
10
8
6
4
2
0
Torque
F
r
e
q
u
e
n
c
y
Histogram of Torque



b) Cuntas botellas tienen valor de 20?
8
c) Generar estadstica descriptiva para los datos de "Torque" y examinarlos en la ventana
de "session"

d) Cul es el valor mayor?, Cul el menor?, Cul es el promedio?
Menor= 10 Mayor= 37 Promedio=21.265

3.- Aplicar el uso de comandos en el siguiente caso:
A 8 personas de un programa de cuidado de peso se les somete a una dieta, se les toma
el peso antes y despus de la dieta, tambin se evala el nivel de colesterol en la sangre
s este est dentro de lo normal (menor a 220) se les asigna un valor de 1 y 2 para
quienes estn fuera del rango.
a) Calcular el cambio despus de la dieta
b) Encontrar el promedio de peso de las 8 personas, antes y despus y conocer la
diferencia entre promedios.
c) Nombrar las columnas como. "Antes, Despus y colesterol.
d) Encontrar los valores mximo en "despus" y el mnimo en "antes".
e) Utilizar el comando "Describe" para la estadstica descriptiva de ambos pesos.
f) Insertar al final los valores 70 - 62 - 2 y 80 - 74 - 1.
g) Insertar una columna utilizando el comando set para especificar alturas de 158 a 176
con incrementos de 2 en 2.
h) Utilizar el comando plot para graficar alturas vs despus y titularlo.

Antes Des Col
96 74 2
78 74 1
82 70 2
100 85 1
96 76 2
78 68 2
88 80 1
80 72 2





85 80 75 70 65 60
176
172
168
164
160
DESPUES
C
6
Scatterplot of C6 vs DESPUES

















PRCTICA 3

OBJETIVO: El alumno aplicar los conocimientos de Minitab usando las herramientas
para la elaboracin interpretacin y modificacin de grficos.
TEMA: MINITAB Release 16 Elaboracin e Interpretacin de grficas

DESARROLLO DE LA PRCTICA:
1.- Abrir la base de datos Candyc del folder student 14 y
a) Hacer un histograma de number columna c3
b) Modificar los intervalos
11 10 9 8
60
50
40
30
20
10
0
Number
F
r
e
c
u
e
n
c
i
a
Histograma "Number"


2.- Use la base de datos "Homes del folder student 12
a) Hacer un grfico de puntos (Dotplot) de las reas de las casas.
b) Cuntas casas tienen un rea menor a 2,000?, Cuntas hay menor a 1,000 ?
c) Usar tablas con conteo para realizar lo mismo, incrementando una columna para
codificar los rangos de reas.
d) Elimine los renglones 29 y 50, y genere el "Dotplot" nuevamente, comparndolo con el
inciso a).
3500 3000 2500 2000 1500 1000 500
Area
Dotplot 1 "Area"

rea<2000=90 rea<1000=6

3150 2800 2450 2100 1750 1400 1050 700
Area
Dotplot 2 "Area" (Renglones eliminados)









3.- Usar la base de datos "Eyecolor"
a) Generar el grfico "Stem-and-leaf y la estadstica descriptiva para el peso ("weight").
b) Considerando el grfico Cuntas personas pesan exactamente 120 libras? Cuntas
ms de 120?
c) Cul es el promedio? Cuntas personas pesan menos del promedio?





4.- En la misma base de datos Eyecolor
a) Utilizando las tablas de conteo indique cuantos hombres (M) y cuantas mujeres (F) se
evaluaron.
b) Cuntos tienen ojos de color azul caf verde y pardo.?
c) Indicar cuntos hombres y mujeres tienen cada uno de los colores?











































PRCTICA 5

OBJETIVO: El alumno aplicar los conocimientos de Minitab usando las herramientas
para el clculo de probabilidades
TEMA: MINITAB Release 16 Distribuciones muestrales y Distribuciones estadsticas

DESARROLLO DE LA PRCTICA:
1.- Se sabe que la dureza de los pernos, de cierto tipo, tiene un valor medio de 50 y
desviacin estndar de 1.2

a) S la distribucin es normal, Cul es la probabilidad de que la dureza muestral media
para una muestra de 20 sea por lo menos 51?




b.Cul es la probabilidad (aproximada) de que la dureza muestral media para una
muestra de 20 sea cuando mucho 49?

2.- Para una variable X con distribucin normal con media de 35 y desviacin estndar de
2 encuentre:

a. La probabilidad de que X sea menor a 36


b. La probabilidad de que X este entre 33 y 35

c. La probabilidad de que X sea mayor a 35.5


3.- Un total de 16 ratones son enviados a una prueba de laberinto uno por uno, Una
experiencia previa, demuestra que con una probabilidad de 0.38 vuelven. Suponga que la
experiencia con los 16 ratones sigue una distribucin Binomial



a) Cul es la probabilidad de que 8 o menos regresen?

b) Cul es la probabilidad de que ms de 8 regresen?

c) cul es la probabilidad de que entre 5 y 7 regresen?








PRCTICA 6

OBJETIVO: El alumno aplicar los conocimientos de Minitab en el uso de distribuciones
estadsticas y simulacin de las mismas.
TEMA: MINITAB Release 16 Distribuciones estadsticas

DESARROLLO DE LA PRCTICA:
1.- Suponga que un equipo de basketball gana sus juegos con un promedio de 55% del
tiempo. Simule una temporada para el equipo considerando una temporada como 28
juegos






a) El equipo tiene una temporada ganadora (tiene ms juegos ganados que perdidos)

No, el equipo perdi 16 juegos y tan solo gan 12 por lo tanto no tuvo una temporada
ganadora
b) Qu tan largos son sus periodos de juegos ganados y de juegos perdidos? (rachas)


Promedio Racha Temporada 1= 28/12 = 2.33





c) Simule 4 temporadas ms y conteste nuevamente los incisos a y b)

Temporada 2 : Temporada ganadora (19 ganados)
Promedio Racha Temporada 2= 28/14 = 2



Temporada 3: Temporada no ganadora (15 perdido)
Promedio Racha Temporada 3= 28/12 = 2.33





Temporada 4: Temporada no ganadora (20 perdidos)
Promedio Racha Temporada 4= 28/13 = 2.15



Temporada 5: Temporada ganadora (16 ganados)
Promedio Racha Temporada 5= 28/15 = 1.86







PRCTICA 7

OBJETIVO: El alumno aplicar los conocimientos de Minitab para comprender las
variaciones de la media muestral.
TEMA: MINITAB Release 16 Variacin de media muestral.
DESARROLLO DE LA PRCTICA:
1. Simular 10 veces, 100 renglones de datos de distribucin normal con media 50 y
desviacin estndar de 2.5. Colocarlos de c1-c10.



a.Elaborar la estadstica por renglones de la media y colocarla en C15.









b.Hacer grfico de dotplot para una columna entre C1-C10, y para la columna C15.










c.Hacer la estadstica descriptiva para la columna seleccionada y C15.

C5









2. Simular 5 veces, 100 renglones de datos de distribucin Ji cuadrada con 3 grados
de libertad. Colocarlos de c1-c5.

a.Elaborar la estadstica por renglones de la media y colocarla en C10.


b.Hacer grfico de dotplot para una columna entre C1-C5 y para la columna C10.





c.Hacer la estadstica descriptiva para la columna seleccionada y C10.









PRCTICA 8

OBJETIVO: El alumno aplicar los conocimientos de Minitab en el uso de Intervalos de
Confianza
TEMA: MINITAB Release 16 Intervalos de confianza para ! cuando " es conocida

1. En un proceso qumico se fabrica cierto polmero. Normalmente se hacen
mediciones de viscosidad despus de cada corrida y la experiencia acumulada
indica que la variabilidad en el proceso es muy estable, " =20. las siguientes son
15 mediciones de viscosidad.
724, 718, 776, 760, 745, 759, 740, 795, 756, 742, 761, 749, 739, 747, 742.
Encontrar el intervalo de confianza para ! de 90%.




2. Mediciones de 15 tornillos, dnde histricamente se tiene una distribucin normal
con " = 0.2, proporciono una media de 5. Calcular los intervalos de confianza al 90
% para .





3. En un nuevo mtodo para medir la conductividad trmica del hierro, se obtienen 10
mediciones de conductividad. Se sabe que " = 0.30 y que la variable tiene una
distribucin normal. Estime el valor de mediante un intervalo al 95% de
confianza. Los datos de la muestra son: 41.6 41.48 42.34
41.95 41.86 42.18 41.7 42.26 41.81 42.04




4. Una muestra aleatoria de 15 bombas de calor de cierto tipo produjeron las
siguientes observaciones en duracin (aos). Con "=4.5, encuentre un intervalo
de confianza del 99% para .

2.0 1.3 6.0 1.9 5.1 0.4 1.0 5.3 15.7 0.7 4.8 0.9 12.2 5.3 0.6















5. El voltaje de ruptura de corriente alterna en un lquido aislador es indicativo de la
llamada resistencia dielctrica. En un circuito particular bajo ciertas condiciones,
se encontraron las siguientes observaciones de ruptura.
62 41 59 64 54 55 46 52 57 50 53 64 65 55 50 55 47 48 53 55 50 50
57 56 53 47 63 57 61 53 68 50 55 54 55 57 57 55 53 59 53 52 50 55
60 50 56 58
Aplicando el Teorema del Lmite Central sobre muestras grandes, encontrar el
intervalo de confianza del 95% para








6. Un fabricante produce pistones para motores de automviles. Se sabe que el
dimetro del anillo est distribuido aproximadamente de manera normal, y que
tiene una desviacin estndar de " =0.001 mm. Una muestra aleatoria de 15
anillos proporcion un dimetro medio de 74.036 mm. Construya un lmite inferior
de confianza del 95% para el dimetro medio de los anillos de pistn.





























PRCTICA 9

OBJETIVO: El alumno aplicar los conocimientos de Minitab en el uso de Intervalos de
Confianza
TEMA: MINITAB Release 16 Intervalos de confianza para ! cuando " NO ES conocida

DESARROLLO DE LA PRCTICA:
1. Usar la base de datos GB.mtv

a. Elaborar el histograma de la columna de resultados verbales.




b. Se verifica grficamente el supuesto de normalidad de la variable?
Se puede apreciar la forma de campana en el histograma que forma la columna de datos
verbales.
c. Calcular la media muestral y el intervalo de confianza para al 95%

d. Cmo comparara el histograma y el intervalo obtenido?









e. Calcular los intervalos de confianza para , al 90% y al 99%. Comparar
con los resultados del 95% Qu diferencias se pueden notar?



-99% VS 95% y 90% VS 95%: Los intervalos se encuentran maso menos a la misma
distancia, no cambian mucho.



















2. Use la base de datos EXH_STAT.MTW
a. Elaborar el histograma de la columna c1 (values).

b. Se verifica grficamente el supuesto de normalidad de la variable?
Con la funcin de histograma with fit podemos apreciar si tiene una distribucin normal
la cual en este caso no la cumple.

c. Calcular la media muestral y el intervalo de confianza para al 95%.
5.0 4.8 4.6 4.4
Median
Mean
5.1 5.0 4.9 4.8 4.7 4.6
1st Quartile 4.6000
Median 4.7000
3rd Quartile 5.0500
Maximum 5.1000
4.5989 4.9789
4.6000 5.0772
0.1670 0.4736
A-Squared 0.33
P-Value 0.442
Mean 4.7889
StDev 0.2472
V ariance 0.0611
Skewness -0.02863
Kurtosis -1.24215
N 9
Minimum 4.4000
Anderson-Darling Normality Test
95% Confidence Interv al for Mean
95% Confidence Interv al for Median
95% Confidence Interv al for StDev
95% Confidence Intervals
Summary for Values





3. Considere la siguiente muestra de contenido de grasa (en %) de n=10 salchichas
seleccionadas al azar. Obtenga un intervalo de confianza del 95% para .
25.2 21.3 22.8 17.0 29.8 21.0 25.5 16.0 20.9 19.5



























4. En un estudio para medir la destreza de las personas para caminar en lnea recta,
se toman los siguientes datos sobre cadencia (pasos por segundo) para una
muestra de n=20 hombres saludables seleccionados al azar.

0.95 0.85 0.92 0.95 0.93 0.86 1.0 0.92 0.85 0.81 0.78 0.93 0.93 1.05
0.93 1.06 1.06 0.96 0.81 0.96

a. Verifique grficamente el comportamiento normal de la variable cadencia.
b. Calcular e interpretar el intervalo de confianza para al 95%































PRCTICA 10

OBJETIVO: El alumno aplicar los conocimientos de Minitab en el uso de intervalos de
Confianza
TEMA: MINITAB Release 16 Intervalos de Confianza


MUESTRAS PAREADAS.
En esta seccin se consideran muestras dependientes, denominadas muestras
comparables o en parejas. Formar pares proporciona una forma de comparar que
mantiene constantes a muchas de las variables ajenas. Por ejemplo, si se efecta una
comparacin de las calificaciones de otoo X
1
con las de primavera X
2
utilizando los
mismos estudiantes en ambos semestres, se mantienen exactamente iguales el sexo, el
coeficiente intelectual, y muchos otros factores psicolgicos, econmicos y sociales. Por
consiguiente se cuenta con ms control sobre el problema: la diferencia en las
calificaciones de otoo contra las calificaciones de primavera.
Para nuestro ejemplo, los pasos a seguir son:
a) Calcular la diferencia D = X
1
-X
2
para cada estudiante. ( Una vez que se han
calculado estas diferencias, entonces se puede descartar los datos originales)
b) Se procede a tratar la diferencia D de cada estudiante como una muestra, y se
analiza exactamente como se analiza cualquier otra muestra nica. Se calcula la
diferencia promedio ! y la desviacin estndar S
D
. La estimacin por intervalos se
efecta mediante la siguiente frmula:

! ! !!
!

!
!
!














DESARROLLO DE LA PRCTICA:
1. Se desean comparar dos materiales A y B para la enseanza de un concepto
matemtico especfico. Para ello, el tiempo de respuesta de 10 nios fue
comparado al trabajar cada nio con los dos materiales. Los datos obtenidos son:


Nio Material A Material B
1 13.2 14
2 8.2 8.8
3 10.9 11.2
4 14.3 14.2
5 10.7 11.8
6 6.6 6.4
7 9.5 9.8
8 10.8 11.3
9 8.8 9.3
10 13.3 13.6

a) Obtener los intervalos de confianza del 95% para la diferencia de medias
haciendo en C4 la diferencia B-A



b) Obtener los intervalos de confianza del 95%, dejando que MTB haga las
diferencias y usando Paired t.






2. Se usan dos mtodos para medir la temperatura en la tierra. Uno de los mtodos
es colocar sensores en tierra y el otro es colocar sensores en los satlites que
orbitan el planeta. Obtener el intervalo de confianza del 95% para la diferencia de
resultados

Locacin Tierra Satlite
1 46.8 47.1
2 44.9 48.6
3 35.8 37
4 31.4 32.8
5 24.9 26.8
6 16.3 17.6




MUESTRAS INDEPENDIENTES

1. n
x
> 30 y n
y
> 30 ("
x
y/o "
y
conocidas o desconocidas)
( )
y x
C
n
y
n
x
Z y x
2 2
! !
+ "
2. Poblaciones normales, muestras pequeas, varianzas desconocidas, "
x
# "
y.

( )
y x
C
n
y s
n
x s
t y x
2 2
+ !
t
c
se obtiene de la tabla de t de Student para el nivel de confianza deseado y con
grados de libertad iguales a:

!" !
!!"#
!
! !"#
!
!
!
!"#
!
!
!
!
! !
!
!"#
!
!
!
!
! !


!"#
!
! !
!
!
!!
!


!"#
!
! !
!
!
!!
!


Minitab trunca los grados de libertad para tener un valor entero. No redondea.

3. Poblaciones normales, muestras pequeas, varianzas desconocidas, "
x
= "
y.


( )
( ) ( ) [ ]( )
2
/ 1 / 1 1 1
2 2
! +
+ ! + !
!
y x
y x y x
n n
n n y S n x S n
tc y x


t
c
se obtiene de la tabla de t de Student para el nivel de confianza deseado y n
x
+
n
y
-2 grados de libertad.




DESARROLLO DE LA PRACTICA:
1. Abrir la base de datos PARKINSN
a) Obtener los intervalos de confianza del 95% para la diferencia de medias,
considerando muestras independientes.







b) Hacer dotplot de ambas columnas (cada columna constituye un grupo)





















c) Agrupar las columnas en C4 y los ttulos en C5



d) Obtener nuevamente los intervalos de confianza, con muestras
independientes en 1 misma columna.






2. Abrir la base de datos FURNACE.MTW. Obtener los intervalos de confianza de la
diferencia de medias al 95%


*NOTA: Como no especifica que columnas se deben comparar, utilic las de BTU.In y
BTU.Out












PRCTICA 11

OBJETIVO: El alumno aplicar los conocimientos de Minitab en el uso de pruebas de
hiptesis.
TEMA: MINITAB Release 16 pruebas de Hiptesis para ! cuando " es conocida

DESARROLLO DE LA PRCTICA:
1. Se seleccionan a 18 mujeres aleatoriamente de una poblacin, y se mide la
estatura de cada una de ellas. Asuma que las estaturas de las mujeres de dicha
poblacin siguen una distribucin normal con ! =64 pulgadas y " = 3 pulgadas.
Suponga que tiene que probar la hiptesis nula H
o
: ! =64 contra la alternativa H
1
:
! # 64 usando $ = 0.01.
a. Simule 20 muestras de n=18 cada una.



b. En qu casos no rechaza o rechaza H
o
?
kechaza: c14




c. Use $ = 0.05, para evaluar nuevamente H
o
en las 20 muestras.

d. Cambi el nmero de muestras no rechazadas / rechazadas?


Si, si cambiaron, ahora aparecen 3 que se rechazan

e. Pruebe nuevamente H
o
: ! =64 generando con ! =63.


2. Los sistemas de escape de emergencia para tripulaciones de aeronaves son
impulsados por un combustible slido. Una de las caractersticas importantes de
este producto es la rapidez de combustin. Las especificaciones requieren que la
rapidez promedio de combustin sea 50 cm. /s. Se sabe que la desviacin
estndar de esta rapidez es " = 2 cm. /s. El experimentador decide especificar
una probabilidad para el error tipo I, o el nivel de significancia, de $ = 0.05.
Selecciona una muestra aleatoria de n=25 y obtiene una rapidez promedio
muestral de combustin de ! = 51.3 cm./s. A qu conclusiones debe llegar?




A un 95% alfa = 0.05 la z resultante es de 1.96
Debido a que el valor de z para la muestra es de 3.25 (est muy por encima del
valor del 95%) el combustible slido se rechaza.








3. Se requiere que la tensin de ruptura de un hilo utilizado en la fabricacin de
material de tapicera sea al menos de 100 psi. La experiencia ha indicado que la
desviacin estndar de la tensin de ruptura es 2 psi. Se prueba una muestra
aleatoria de nueve especmenes, y la tensin de ruptura promedio observada es
de 98 psi.




a. Debe considerarse la fibra como aceptable con $ = 0.05?

No debe considerarse la fibra como aceptable ya que el valor de z a un 95% debe
ser de 1.96, y el de la muestra tiene un valor de -3.

b. Cul es el valor de P de esta prueba?

0.999

c. Cul es el valor de Z!, y Z
c
?
2!=-3.00 2
c= 1.96





















1AkLA #7
1)

La z resulLanLe no esL en el rea de rechazo, por lo LanLo P
o
es no rechazada.
( 0.078)>A|fa (0.0S) P
o
es no rechazada


2)

La z resulLanLe cae en el rea de rechazo, por lo LanLo rechazo P
o
(0.008) <A|fa (.01)

P
o
se rechazo








3)

La z resulLanLe se encuenLra en el rea de no rechazo por lo LanLo Po es no rechazada
(.144)>A|fa (0.0S) Po es no rechazada


4)

La z resulLanLe se encuenLra en el rea de rechazo por lo LanLo Po es rechazada
(0.00000)<A|fa(0.10)

Po es rechazada

















PRCTICA 13

OBJETIVO: El alumno aplicar los conocimientos de Minitab en el uso de pruebas de
hiptesis.
TEMA: MINITAB Release 16 pruebas de Hiptesis para ! cuando " NO ES conocida
DESARROLLO DE LA PRCTICA:
1. Un artculo publicado en la revista Materials Engineering (1984, vol. II, No. 4,
pgs. 275-281) describe los resultados de pruebas de resistencia a la adhesin
de 22 especmenes de aleacin U-700. La carga para la que cada espcimen
falla es la siguiente (en MPa):
19.8 18.5 17.6 16.7 15.8 15.4 14.1 13.6 11.9 11.4 11.4 8.8 7.5 15.4 15.4
19.5 14.9 12.7 11.9 11.4 10.1 7.9.
Sugieren los datos que la carga promedio de falla es mayor que 10 MPa?
Suponga que la carga donde se presenta la falla tiene una distribucin normal, y
utilcese $ = 0.05.




p value = 0 < Alfa 0.03 Se rechaza Po
2. Un ingeniero que trabaja para un fabricante de llantas investiga la duracin
promedio de un compuesto nuevo de caucho. Para ello, construye 16 llantas y las
prueba en una carretera hasta alcanzar el fin de vida til de stas. Los datos en
Km., obtenidos son los siguientes:
60613 59836 59554 60252 59784 60221 60311 50040 60545 60257
60000 59997 69947 60135 60220 60523.
Al ingeniero le gustara demostrar que la vida til promedio de la nueva llanta
excede los 60 mil KM. Proponga y pruebe la hiptesis apropiada. Obtenga una
conclusin con $ = 0.05.


P value= 0.440>Alfa 0.05 NO Se rechaza Ho









3. Se analiza una marca particular de margarina diettica para determinar el nivel de
cido graso poli insaturado (en porcentaje). Se toma una muestra de seis
paquetes y se obtienen los siguientes datos: 16.8, 17.2, 17.4, 16.9, 16.5, 17.1.
a. Pruebe la hiptesis H
o
: ! = 17 contra H
1
: ! # 17 . Utilice $ = 0.01. Cules
son sus conclusiones?




Como p value > Alfa No se rechaza la Ho

b. Encuentre el valor p de la prueba.
valor de p = 0.903



















PRCTICA 15

OBJETIVO: El alumno aplicar los conocimientos de pruebas de hiptesis

DESARROLLO DE LA PRCTICA:

1. Se utilizan dos mquinas para llenar botellas de plstico con un volumen neto de
16.0 onzas. Las distribuciones de los volmenes de llenado pueden suponerse
normales, con desviaciones estndar "
1
= 0.02 y "
2
= 0.025 onzas. Un miembro
del grupo de ingeniera de calidad sospecha que el volumen neto de llenado de
ambas mquinas es el mismo, sin importar si ste es o no de 16 onzas. De cada
mquina se toma una muestra aleatoria de 10 botellas.

Maq.
1
16.03 16.01 16.04 15.96 16.05 15.98 16.05 16.02 16.02
15.99
Maq.
2
16.02 16.03 15.97 16.04 15.96 16.02 16.01 16.01 15.99
16.00.

a) Se encuentra el ingeniero en lo correcto? Utilice $ = 0.05?

Por lo tanto el volumen neto de llenado de ambas mquinas es el mismo sin importar si
ste es o no de 16 onzas, es decir se acepta la hiptesis nula.


b) Cul es el valor de P de esta prueba?.
-value= 0.43 > Alfa (0.03) por lo LanLo no se rechaza la Po
LsLa aflrmacln queda respaldada Lamblen por el valor crlLlco de L que es lgual +-
2.101 y nuesLra L value es 0.80 ublcada en la regln de no rechazo

0.4
0.3
0.2
0.1
0.0
X
D
e
n
s
it
y
-2.101
0.025
2.101
0.025
0
Distribution Plot
T, df=18


2. Existen dos tipos de plstico apropiados para uso por un fabricante de
componentes electrnicos. La tensin de ruptura de este plstico es un parmetro
importante. Se sabe que "
1
= "
2
=1.0 psi. De una muestra aleatoria de tamao n
1
= 10 y n
2
= 12. Se tiene que x
1
= 162.5 y x
2
= 155. la compaa no adoptar el
plstico 1 a menos que la tensin de ruptura de ste exceda a la del plstico 2 al
menos por 10 psi. Con base en la informacin contenida en la muestra, La
compaa deber utilizar el plstico 1?. Utilice $ = 0.05. para llegar a una decisin.


P-value = 1 >Alfa 0.05 No se rechaza la Ho. Adems al graficar nuestro valor crtico de
t nuestro t-value = -5.84 se encuentra en la regin de No rechazo




0.4
0.3
0.2
0.1
0.0
X
D
e
n
s
it
y
1.725
0.05
0
Distribution Plot
T, df=20


Por lo tanto la compaa si puede utilizar el plstico 1 porque la tensin de ruptura de
ste s excede a la del plstico 2 al menos por 10 psi





















TAREA LABORATORIO DE INGENIERA DE
CALIDAD I

L|zeth keyes Lsp|nosa ID: 141S88


Problema 1
Se realiza un experimento para comparar las caractersticas de llenado del
equipo de embotellado de dos fbricas vincolas diferentes. Para ello se
escogen al azar 20 botellas de Pinot Noir de los viedos de Ridgecrest y
otras 20 de Pinot Noir de los viedos de Valley View. Con esto se obtienen
los datos siguientes (el volumen est dado en ml.):

RIDGECREST VALLEY VIEW
755 751 752 753 753 753 753
754 754 752 751 753 752 75
3 753 752 755 753 750 753
756 754 757 756 755 756 756
753 754 755 755 754 754 7
56 755 756 756 756 756 756

Apoyan los datos la afirmacin de que ambas vinateras llenan las
botellas con iguales desviaciones? Utilice = 0.05.


*Nota us dos mtodos para resolver el problema, el primero lo hice con 2
varianzas pero en la interpretacin de datos no estoy segura ya que no lo
hemos visto, para el segundo mtodo utilic 2 pruebas t



















Mtodo 1
Si las varianzas poblacionales son iguales, dicha razn es 1 y podramos
afirmar que las dos poblaciones tienen una distribucin homognea; es
decir, los datos se encuentran igualmente dispersos. Por ello, es necesario
realizar una comparacin de varianzas poblacionales; lo que se conoce
como Prueba de Homogeneidad de varianzas conocido tambin como
Comparacin de dos varianzas poblacionales o Razn de varianzas
poblacionales


1. Procedemos a colocar los datos en Minitab












2. Se sacan los datos estadsticos de cada uno



3. Stat->Basic Statistics->2 Variances







4. Prueba de Hiptesis





5. Resultados



P-Value = 0.406>0.05


Mtodo 2
Tambin como se trata de dos poblaciones con medias desconocidas. Se
puede aplicar una prueba t de Student para comparar las medias de
dichas poblaciones basndonos en dos muestras independientes tomadas
de ellas.

1. Stat->Basic Statistics->2 sample t


















2. Prueba de Hiptesis. Asumiendo varianzas iguales puesto que las
desviaciones estndar son iguales




3. Resultados


Como p value = 0 < Alfa = 0.05 Se rechaza Ho y por lo tanto hay suficiente
evidencia estadstica para inferir que la Ho es falsa. Los datos no apoyan
los datos la afirmacin de que ambas vinateras llenan las botellas con
iguales desviaciones
Adems este resultado se apoya en que la t crtica es de +-2.0244 y la t
resultante -7.03 se encuentra en la regin de rechazo, la hiptesis nula se
rechaza.

VALLEY VIEW RIDGECREST
757
756
755
754
753
752
751
750
D
a
t
a
Boxplot of RIDGECREST, VALLEY VIEW


Se muestra suficiente evidencia en los promedios como para rechazar la Hiptesis
nula















PRCTICA 18
OBJETIVO: El alumno aplicar los conocimientos de Minitab/ Excel en el uso de pruebas
de bondad de ajuste
TEMA: Prueba de bondad de ajuste ji cuadrada.

1. Un cientfico de la computacin ha desarrollado un algoritmo para generar enteros
seudo-aleatorios sobre el intervalo 0 a 9. El cientfico codifica el algoritmo y genera
1000 dgitos seudo-aleatorios.
Nmeros 0 1 2 3 4 5 6 7 8 9
Frecuencia
observada
94 93 112 101 104 95 100 99 108 94

Existe evidencia de que el generador de nmeros aleatorios funciona de manera
correcta? Utilice $ = 0.05.




Si esta trabajando de manera correcta, entonces los valores 0-9 deben seguir la
distribucin uniforme discreta, la cual implica que cada uno de los enteros debe ocurrir
exactamente 100 veces. Esto es, las frecuencias esperadas E =100 para I=0,1,%.,9
Puesto que estas frecuencias estimadas pueden estimarse sin que sea necesario
estimular ningn parmetro a partir de los datos de muestra, la prueba resultante de
bondad de ajuste de la ji cuadrada tendr k-p-1=10-0-1=9 grados de libertad.
0.10
0.08
0.06
0.04
0.02
0.00
X
D
e
n
s
i
t
y
16.92
0.05
0
Distribution Plot
Chi-Square, df=9






Puesto que Xi
2
=3.72 < Xi
2
=16.92 no somos capaces de rechazar la hiptesis de que los
datos proviene de una distribucin uniforme discreta. En consecuencia, el generador de
nmeros aleatorios parece estar trabajando en forma satisfactoria.
7 8 4 5 6 10 1 2 9 3
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
Category
C
o
n
t
r
i
b
u
t
e
d

V
a
l
u
e
Chart of Contribution to the Chi-Square Value by Category



Category 10 9 8 7 6 5 4 3 2 1
120
100
80
60
40
20
0
V
a
l
u
e
Expected
Observed
Chart of Observed and Expected Values


















2. Se propone que el nmero de defectos en las tarjetas de circuito impreso sigue
una distribucin Poisson. Se rene una muestra aleatoria de n = 60 tarjetas de
circuito impreso y se observa el nmero de defectos. Los resultados obtenidos son
los siguientes:

Nmero de Defectos Frecuencia Observada
0
1
2
3
32
15
9
4

La media de la distribucin Poisson propuesta en este ejemplo es desconocida y
debe estimarse a partir de los datos contenidos en la muestra. Utilice $ = 0.05
H
0
; La forma de la distribucin de los defectos es Poisson.
H
1
; La forma de la distribucin de los defectos no es Poisson.
La media de la distribucin Poisson propuesta en este ejemplo es desconocida y
debe estimarse a partir de los datos contenidos en la muestra.

Paso 1!
.



Paso 2 !

Paso3 !

Los grados de libertad seran 2, debido a que la media de la distribucin Poisson
fue estimada a partir de los datos.




1abla 3.







1abla 4.



8egla de declsln:
Sl xl
2
3.991 no se rechaza P
o
.
Sl xl
2

>3.991 Se rechaza P
o
.









rea de
no rechazo
xl
2
observada=3.46

!"#$%&'()#* H
o
no se rechaza; la distribucin de los defectos s es una .
Distribucin Poisson
Como Xi
2=
3.46 < Xi
2
=5.991 No se rechaza la H
o
lo que quiere decir que se debe aceptar
que la distribucin de los defectos en las tarjetas s es una distribucin poisson. Adems
el p-value=.177 apoya esta decisin ya que que es menor que el valor de 0.05 del .
























3. La siguiente tabla muestra los datos sobre el nmero de plantas encontradas en
cada uno de los 48 cuadrantes de muestreo.

Nmero
de Plantas
Frecuencia
Observada
0 9
1 9
2 10
3 14
4 6

Pruebe la hiptesis: La distribucin Poisson proporciona un ajuste razonable a los datos.
Utilice $ = 0.05
Po: La frecuencla Llene una dlsLrlbucln olsson
Pa: La frecuencla nC Llene una dlsLrlbucln olsson
Procedimiento en MINITAB
Paso 1 !





Paso 2 !


Paso 3 !





1abla 1.




1abla 2.


















8egla de declsln
!"
!
!!"#$% !"#$%&%' )*
!"
!
!"#$%&' )* +,-./0/1 2*


!"#$%&'()#* Ho No se rechaza; la frecuencia sigue una distribucin Poisson
Para poder hacer la decisin estadstica se debe conocer el valor crtico de la Xi
2
tomando
en cuenta los grados de libertad que ente caso sern 3
La regin de rechazo se ve representada por la siguiente grfica:











Podemos observar que la Xi
2
resultante es de 6.34 y que se encuentra en la regin de no
rechazo por lo que no rechazamos la hiptesis nula y vemos que la distribucin que se
sigue es efectivamente una distribucin poisson.
El p-value tambin apoya esta decisin ya que p-value=0.096> $ = 0.05 lo que hace que
no se rechace la hiptesis nula y por lo tanto se acepte.




rea de
no rechazo
xl
2
observada=6.34


PRCTICA 19

OBJETIVO: El alumno aplicar los conocimientos de Minitab/ Excel en el uso de pruebas
de bondad de ajuste
TEMA: MINITAB Release 16/Excel: pruebas de bondad de ajuste ji cuadrada.
DESARROLLO DE LA PRCTICA:
El instituto de nutricin de Amrica Central y Panam (INCAP) ha realizado profundos
estudios de dietas y proyectos de investigacin en Amrica Central. Un estudio reportado
indica que las mediciones de colesterol total de suero para una muestra de 49 indgenas
rurales se reportaron como siguen:


158 204 136 114 143
139 231 146 144 142
172 124 226 129 135
108 108 197 181 148
220 115 157 152 162
173 158 155 180 223
175 140 131 189 171
129 131 174 142 145
192 144 166 194 143
152 95 165 136
Es posible que el nivel de colesterol de suero est normalmente distribuido para esta
poblacin? Suponga que antes de hacer el muestreo se crea que los valores posibles
para ! y " eran 150 y 30 respectivamente. Utilice $ = 0.05






Prueba de hiptesis
H
o
: Nivel de colesterol de suero normalmente distribuido.
H
a
: Nivel de colesterol de suero NO est normalmente distribuido.

Procedimiento en MINITAB
Paso 1!


aso 2!


aso 3 !



1abla 3.


1abla 6.




8egla de declsln
Sl xl
2
> 63.17 Se rechaza P
o

Sl xl
2

<63.17 no se rechaza P
o











Conclusin: Ho se rechaza; el nivel de colesterol de suero no sigue una .
Distribucin normal
Debido a que la Xi
2
observada es de 308.13 y sta

cae en la regin de rechazo, la
hiptesis nula se rechaza, lo que quiere decir que el nivel de colesterol de suero
no sigue una distribucin normal. Adems nuestro p-value es de 0 lo que apoya
esta decisin.

rea de
no rechazo
xl
2
observada=308.13