Está en la página 1de 24

Los primeros trabajos teoricos sobre la distribución “t” fueron hechos por W. S.

Gossett, durante los primeros años del siglo xx. Gossett era empleado de la Guinnees
Brewery en Diblin, Irlanda; la empresa no permitia que los empleados, con su propio
nombre, publicaran sus hallazgos de investigación. De modo que Gossett adopto el
seudominio de Student para publicar, en consecuencia, a la distribución t se le conoce
como distribución de student.

Debido a que se utiliza cuando el tamaño de la muestra es de 30 o menor, lo


estadístico, con frecuencia asocian la distribución t con estadísticas de muestras
pequeñas. Esto no es del todo sierto, pues el tamaño de la mestra es solo una de las
condiciones que nos llevan a utilizar la distribución de student. La sugunda condición
es que la desviación estándar de la población debe ser desconocida.

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 DE LA DISTRIBUCION “T”

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

Grαfica de distribuciσn
I= 4000 2.262 (63.29) T . df=9
0,4
Ls= 4000 + 143.16 = 4143.16
0,3
Li= 4000 – 143.16= 3856.84
Densidad

(3856.84, 4143.16) 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

Gráfica de distribución
(8672.46, 9127.54) 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

Ejemplo # 5
Si una muestra aleatoria de 27 articulos produce un promedio de = 128.4y una
desviación estándar (S) = 20.6, cual es el intervalo dde confianza del 98% de la media
poblacional . Suponga que por esta normalmente distribuida para la población.

t = 0.02 = 2.479

Ejemplo # 6
La usfacmer construye grandes cosechadoras para que una cosechadora este
debidamente balanceada cuando opera en uno de sus costados se instalara una
palanca de 25lb.

La maquina que produce estas placas se aya ajustada para dar placas que promedian
25lb. La distrinbucion de palancas producidas es normal, pero el supervisor del taller
esta preocupado porque las maquinas están fuera de ajuste y están produciendo placas
que no promedian 25lb.

Para probar preocupación a lazar se seleccionaran 20 de las placas producidas el dia


anterior y las pesan. En la siguiente tabla se muestran los pesos obtenidos:

22.6 27 30.9 24.2


22.2 26.2 28.1 23.5
23.2 25.8 23.1 24.9
27.4 26.6 28.6 26.1
24.5 25.3 26.9 23.6

Utilizando un 95% de confianza encuentre el punto crítico de la producción.

S2 = (22.6 – 25)2 + (22.2 – 25 )2 + (23.2 – 25)2 + (27.4 – 25)2 + (24.5 – 25 )2 +( 27 – 25)2


+(26.2 – 25)2 + ( 25.8 – 25)2 +( 26.6 – 25)2 + (25.3 – 25)2 +(30.4 – 25)2 + (28.1 – 25)2
+(23.1 – 25)2 + (28.6 – 25)2 + (26.9 – 25)2 + (24.2 – 25)2 + (23.5 – 25)2 + (24.9 – 25)2 +
(26.1 – 25)2 + (23.6 – 25)2

19
El promedio de la población de todas las placas pesa 25lb

Gráfica de distribución
T. df=25

0,4

0,3
Densidad

0,2

0,1

0,025 0,025
0,0
-2,06 0 2,06
X
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 4 Muestra 5 Muestra 6
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 10 Muestra 11 Muestra 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 13 Muestra 14 Muestra 15 Muestra 16 Muestra 17 Muestra 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 4.975.01
5.06 5 4.96 5.12 5.09 4.98
5.01 4.96 5.02 5.13 5.01 4.92

Muestra 19 Muestra 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


GRAFICO R
Limite superior

Limite inferior

LCL= 0*.136=0

ULC= 2.004(.136)= .272544

GRAFICO P
Una compañía papel para cartas ya intervalos inspecciona muestras de 50 de papel.
Suponga que se toman 20 muestras aleatorias de 50 hojas de papel de cada una
durante cierto periodo con los siguientes números de hojas que se apegaran a las
especificaciones por muestra

Construya una grafica P apartir de estos datos


1 50 4 .08
2 50 3 .06
3 50 1 .02
4 50 0 0
5 50 5 .1
6 50 2 .04
7 50 3 .06
8 50 1 .02

9 50 4 .08
10 50 2 .04
11 50 2 .04
12 50 6 .12
13 50 0 0
14 50 2 .04
15 50 1 .02
16 50 6 .12

17 50 2 .04
18 50 3 .06
19 50 1 .02
20 50 5 .1

q= 1 – P= .947