Está en la página 1de 17

El uso de la distribucin t para hacer estimaciones se requiere siempre que el

tamaño de la muestra sea de 30 o meno y a la desviación estándar de la


población no se conoce. Ademas, al utilizar la distribución t, supongamos
que la poblacion es normal o es aproximadamente normal.

CARACTERISTICAS

Se deriva de la distribución t de manera matematica, podemos obtener un


entendimiento intuitivo de la relación que existe entre la distribución t y la
distribución normal. Ambas son simetricas en general la distribución t es mas
plana que la distribución normaly hay una distribución t diferente para cada
tamaño posible de muestra, incluso con esto, conforme al tamaño de
muestra se hace mas grande, la forma de la distriucin t pierde su
horizontalidad y se vuelve aproximadamente igual a la distribución normal.
De hecho para tamaños de muestra mayores de 30, la distribución t se
asemeja tanto a la normal que utilizaremos a esta ultima para aproximar a
la distibucion t.

GRADOS LIBERAD

Podemos definirlos como el numero de valores que podemos escoger


libremente.

Utilizaremos los grados libertad cuando elegimos un distribución t para


estimar una media de población, y utilizaremos n-1 grados de libertad,
tomando a n igual al tamaño de la muestra.
Ejemplo # 1

El ciclo medio de vida operativa de una muestra aleatoria de 10 focos es


de 4000 horas con la desviación estándar de la muestra de 200 horas.
Se supone que el ciclo de vida operativo de los focos en grl tienen
una distribución aproximadamente normal. Estimamos el ciclo medio
de vida operativa de la poblacipon de focos aplicando un 95% de
confianza.

n= 10

gl= 10 - 1= 9

S= 200

I= 4000 2.262 (63.29)

Ls= 4000 + 143.16 = 4143.16

Li= 4000 – 143.16= 3856.84


Grαfica de distribuciσn
T , df=9
0.4
(3856.84, 4143.16)

0.3
Densidad

0.2

0.1

0.025 0.025
0.0
-2.26 0 2.26
X
El ciclo medio de la vida operativa de la aplicación va de los 3850 a 4143 hr

Ejemplo # 2
La desviación estándar de la muestra del ciclo de la vida de una marca
especifica del cinescopio es igual a 500. En general sesupone que el ciclo de
vida de los cinescopios tienen una distribucin aproximafdamente normal. En
el caso de la muestra de 15 cinescopios, en el ciclo de vida útil es de 8900
hrs. Determine los intervalos de confianza.

a) 95 %

b) 90 % para la estimación de la media de la población

a) n= 15

S= 500

gl= 15 – 1 =14
(8622.92, 9177.08)

b) n= 15

S= 500

gl= 15 – 1 =14

(8672.46, 9127.54)

Gráfica de distribución
T. df=14
0,4

0,3
Densidad

0,2

0,1

0,025 0,025
0,0
-2,14 0 2,14
X
Ejemplo # 3
Una muestra aleatoria de 10 focos del ciclo medio de vida es de 4600 hrs
con una desviación estándar muestral de 250hrs.

El ciclo medio de vida y la desviación estándar de una muestra del tamaño


de 8 focos de otra marca son 4000 hrs y desviación estándar muestral
200hrs. Se supone que el ciclo de vida de ambas marcas tienen uja
distribución normal.

Construya el intervalo de confianza del 90% para estimar la diferencia entre


el ciclo medio de vida entre las dos marcas de focos.
Gráfica de distribución
T. df=16

0.4

0.3
Densidad

0.2

S= 250hrs 0.1

0,025 0,025
0.0
-2,12 0 2,12
X

gl= 10 + 8 – 2 = 16

1 - .90= .10
(409,790)

Gráficadedistribución
T, df=16
0.4

0.3
Densidad

0.2

0.1

0,025 0,025
0.0
-2,12 0 2,12
X
Ejemplo # 4
Suponga que los datos siguientes se relacionaron alazar de una población de
valores normalmente distribuidos, realice un intervalo de confianza de 95%
para calcular la media poblacional.

40 51 43 48 44 57 54 39 42 48 45 39 43

n= 13

S2 = (39 - 45.6)2 + (39 – 45.6)2 + (40 – 45.6)2 + (42 – 45.6)2 +

(43 – 45.6)2 + (44 – 45.6)2 + (48 – 45.6)2 + (43 – 45.6)2 + (48 –


45.6)2 + (45 – 45.6)2 + (51 – 45.6)2 + (54 – 45.6)2 + (54 – 45.6)2

12

= 45.61 + 3.42103

=49.03103

Li =45.61 – 3.42103

= 42.18897
Introducción a la Calidad Total.
Nosotros relacionamos el lujo con la buena calidad.

A continuación se dará un ejemplo donde se explicara con mayor claridad, el


porque es importante separar la idea del lujo de nuestro análisis de calidad.

Podríamos decir que la mayoría de los productos más baratos que


encontramos en toda nuestra vida diaria pueden tener una calidad muy alta,
que todavía aquellos que tienen a la vista el lujo.

Ejemplo: En la cuestión del lujo, podrían ser los comerciales de los celulares
donde los promocionan como si fuesen la ultima moda por así decirlo, y en ese
preciso instante uno de imagina que tiene una alta calidad por a ver sido
anunciado por un medio de comunicación; cuando uno lo adquiere se da
cuenta que no tiene los suficientes accesorios para satisfacer nuestras
necesidades, o lo que nosotros esperábamos de ese producto en realidad, se
podría decir que no todo lo que se ve lujo va a tener una alta calidad.

Como ya se había mencionado con anterioridad que los productos mas


baratos son los que tienes una mayor calidad, como por ejemplo: las hojas de
las fotocopias que nos dan una demostración de lo que es la calidad, porque
una simple hoja que nos podría costas tan solo unos cuantos centavos porque
a pesar de que es lo suficientemente delgada para pasar por toda la maquina,
pero tiene el suficiente grosor para que podamos imprimir de ambos lados.

Las cosas que tienen una buena calidad son aquellas que funcionan de la
manera que esperábamos que lo hagan. Como lo expreso en calidad Joseph
M. Juran, donde decía que “la calidad implica estar apto para usarse”. Pero en
consecuencia de nuestra noción de conformidad con los requisitos, la mayoría
de las decisiones operativas de calidad incluirán los conceptos de
consistencia, confiabilidad y carencia de errores y defectos.

LA VARIABILIDAD ES ENEMIGA DE LA CALIDAD


Cuando un artesano hace algo a mano, existe un proceso continuo de
verificación, medición y rectificación. Ejemplo: si hubiésemos visto a Miguel
Ángel terminar una de sus esculturas, no hubiésemos observado una etapa
final de control de calidad, antes de enviar su obra de arte con la persona que
se la había encargado, se podría decir que el control de calidad no es un
requisito cuando uno esta produciendo bienes y servicios.

En la cuestión de la variabilidad se hace enemiga de la calidad con el motivo


de que si alguna pieza de la escultura no embona comienzan los conflictos
por que no existe un control de la calidad

La variación es enemiga de la calidad, es un afirismo que utilizan muchos


programas de administración de calidad. De modo que parece ser una
paradojaque el control estadístico de proceso implique el estudio de la
variación. La clave esta en poner enfasisi en el control; ya que se ha medido
un proceso, podemos eliminar o controlras las fuentes no aleatorias de
variación y mejorar el proceso para reducir la variación aleatoria.

Control de la Variabilidad: Inspecciones contra


Prevención.
Se creía ampliamente que el costos de algunos productos rechazados no era
demasiado, debido a que elñ costo marginal de cada unidad era pequeño.
Pero a fines de la década de los años 70, Philip Crosby y otros hicieronnotar
que el costo de los bienes defectuasos era mucho mas alto de lo que se
suponía.

El costo de inspectores tenia que recibir un pago, y si los productos


defectuosos pasaban la inspección, se pagarían costos de garantía o habría
perdida de clientes.

Crosby argumentaba que sencillamente resultaba mas barato hacer las cosas
bien desde el primer momento. Aconcejaba tomar en cuenta el concepto de
cero defectos.

Cuando la parte defectuosa no son detectadoa en la línea de producción, todo


el trabajo posterior se desperdicia cuando el producto final es rechazado por
loos inspectores de control de calidad; y es costoso el mantenimiento de una
inspección de los componentes para asegurar que cumplen con los
requisitos.

Control Estadístico de Procesos


La clave para la administración para la calidad es creer que una variabilidad
excesiva no es inevitable. Cuando se encuentra que el resultado de algún
proceso no es confiable no siempre de acuerdo con los requisitos debemos
examinar cuidadosamente el proceso y el saber el como se le puede
controlar.

En la década de los años 20, Walter A. Shewhart, un investigador de los


laboratorios de Bell, creo un sistema para crear la variación e identificar sus
causas. Pero el sistema de Shewhart, “control estadístico de procesos (SPC:
Statistical Process Control), fue desarrollado con mas detalle y fue apoyado
por su colega, W. Edwards Deming.

Durante muchos años Deming fue un profeta sin honores en Estado Unidos
de América; pero cuando Japón estaba en proceso de reconstrucción de su
economía, después de la segunda guerra mundial, los administradores de
aquel país adoptaron las ideas de Deming y por las cuales las incorporaron
en su filosofía administrativa.

Tipos de variaciones
Existen dos tipos de variaciones observados en el resultado de la mayoría de
los procesos, en general, y en la producción de nuestro entorno en
particular:

Variación aleatoria, también conocida como variación común o


inherente.

Variación sistemática, también conocida como variación asignable o de


causa especial.

Estos dos tipos de variación requieren de un tipo distinto de respuesta


administrativa. Aunque uno de los objetivos de la administración de la calidad
es un mejoramiento constante mediante la reducción de la variación
inherente, este no puede lograrse sin cambiar el proceso.

Y no se debe cambiar el proceso hasta que se este seguro de que toda


variación asignable ha sido identificada y esta bajo control. De manera que
la idea es:

Si el proceso esta fuera de control, debido a que todavía esta presente algo
de variación causal, identifique o corrija la causa de dicha variación.
Entonces, cuando el proceso ya este bajo control, la calidad puede mejorarse
rediseñando el proceso para reducir su variable inherente.
La esencia del control estadístico de proceso consiste en identificar un
parámetro que sea fácil de medir cuyo valor es importante para la calidad del
resultado del proceso (el diámetro de los ejes), representarlo gráficamente de
tal manera que podamos reconocer las variaciones aleatorias y decidir
cuando hacer ajustes a un proceso.

En la mayoría de las situaciones, suponer una distribución normal con u y a


conocidas no es algo que resulte razonable, por consiguiente la
desecharemos más adelante. Sin embargo, esta suposición facilita el análisis
de las ideas básicas de los diagramas de control

Una línea límite de control superior (LCS)

Una línea límite de control inferior (LCF)

El número tres que aparece en los límites de control superior e inferior se


utiliza por
Convención. ¿De dónde viene? Recuerde el teorema de Chebyshev. Así pues,
si un proceso está bajo control, esencialmente todas las observaciones
caerán dentro de los límites de control. Y si, por el contrario, las
observaciones caen fuera de los límites de control, entonces sugieren que el
proceso está descontrolado, y exigen una mayor investigación para ver si se
puede encontrar una causa especial que explique por qué caen fuera de los
límites. Con esto en mente.

En la que
•X= gran media
• Ex = suma de todas las observaciones
• Ex = suma de las medias de muestra
• n = número de observaciones de cada muestra
• k = número de muestras tomadas

Grafico
Una planta manufacturera produce cojinetes de un diámetro especifico de
5mm. Cada 10mm se muestrean 6 cojinetes, se miden y registran sus
diámetros, se unieron 20 de estas muestras de 6 cojinetes y se pide
construir.

a) Una grafica x barra

b) Ungrafico de control R

c) Limite inferior de control y limite superior de control

d) Elaborar elñ grafico de control

Muestra 1 Muestra 2 Muestra 3 Muestra Muestra 5 Muestra 6


4
5.13 4.96 5.21 5.02 5.12 4.98
4.92 4.98 4.87 5.09 5.08 5.02
5.01 4.95 5.02 4.99 5.09 4.97
4.88 4.96 5.08 5.02 5.13 4.99
5.05 5.01 5.12 5.03 5.06 4.98
4.97 4.89 5.04 5.01 5.13 4.99

Muestra 7 Muestra 8 Muestra 9 Muestra Muestra Muestra


10 11 12
4.99 4.96 4.96 5.04 4.91 4.97
5 5.01 5 5.11 4.93 4.91
5 5.02 4.91 5.14 5.04 5.02
5.02 5.05 4.87 4.96 5 4.93
5.01 5.04 4.96 4.99 4.90 4.95
5.01 5.02 5.01 5.03 4.82 4.96

Muestra Muestra Muestra Muestra Muestra Muestra


13 14 15 16 17 18
5.09 4.96 4.99 5.01 5.05 4.96
4.96 4.99 4.97 5.04 4.97 4.93
5.05 4.82 5.01 5.09 5.04 4.97
5.12 5.03 4.99 5.07 5.03 4.97
5.06 5 4.96 5.12 5.09 4.98
5.01 4.96 5.02 5.13 5.01 4.92

Muestra Muestra
19 20
4.90 5.04
4.85 5.03
5.02 4.97
5.01 4.99
4.88 5.05
4.86 5.06
= 4.961

= 29.52

= 5.023

R=.25+.12+.34+.1+.07+.05+.03+.09+.14+.18+.22+.11+.16+.21
+.06+.12+.12+.09+.17+.09

20

UCL= 5.00175 + .483(.136) =5.067438

LCL=5.00175 - .483(.136) = -4.936062


Gráfica Xbarra-S de C1
1
5.10
UCL=5.0852

Media de la muestra
5.05

_
_
5.00 X=5.0019

4.95

LCL=4.9186
4.90
1 3 5 7 9 11 13 15 17 19 21 23
Muestra

0.15 1
Desv.Est. de la muestra

UCL=0.1219
0.10

_
S=0.0584
0.05

0.00 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23
Muestra

GRAFICO R
Limite superior

Limite inferior

LCL= 0*.136=0

ULC= 2.004(.136)= .272544

Gráfica Xbarra-R de C1
1
5.10
UCL=5.0852
Media de la muestra

5.05
__
5.00 X=5.0019

4.95

LCL=4.9186
4.90
1 3 5 7 9 11 13 15 17 19 21 23
Muestra

UCL=0.3054
Rango de la muestra

0.3

0.2
_
R=0.1444
0.1

0.0 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23
Muestra