Está en la página 1de 16

UASLP

FACULTAD DE INGENIERA
CONTROL DE CALIDAD

INFERENCIA Y CONTROL DE CALIDAD

FUERA DEL OBJETIVO NOMINAL DEMASIADA VARIACI


N

PROCESO CENTRADO
EN EL OBJETIVO
CENTRAR REDUCIR
PROCESO VARIACIN

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 14


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

INTRODUCCIN.

La gran importancia del control de calidad puede vislumbrarse si se considera que ha pasado
histricamente por tres etapas diferentes. En una primera etapa, el nfasis se centraba en la labor de
inspeccin y en el establecimiento de tolerancias para los productos. Esta etapa inicia en los aos 30 y se
extiende hasta principios de los 60. El control tpico, bajo este enfoque, es el control de recepcin para
materiales y el control de auditora del producto final. Las limitaciones de este enfoque son claras: no
evita los defectos de fabricacin, sino nicamente, que se enven al mercado unidades defectuosas.

La segunda etapa del control de calidad se propone evitar las causas de los problemas de calidad durante
la fabricacin. Se extiende, por occidente, a finales de los aos 50, con los estudios de capacidad de
procesos y diseo de procesos. El control ms importante es el control de calidad en curso de fabricacin;
las tolerancias comienzan a contemplarse como estndares a superar y no como objetivos a conseguir.
Las ventajas de este enfoque radican en su capacidad para mejorar procesos y prevenir la aparicin de
problemas.

Finalmente, como consecuencia de la intensa competencia internacional, la tercera etapa, desarrollada


especialmente en Japn, prosigue la direccin de evitar los problemas antes de que aparezcan, y pone el
nfasis en el diseo de productos para que cumplan altas cotas de calidad.

Sabemos que la competitividad de una empresa cualquiera est relacionada con su buen desempeo y a
su vez, ste se encuentra vinculado con la calidad del producto o bien, el precio y la calidad del servicio
que entrega. Ahora bien, cmo podemos conocer el desempeo, la marcha de una organizacin?, las
mediciones son un medio para conocer formalmente cmo est funcionando la organizacin.

Es necesario cuantificar el funcionamiento de los procesos y sus resultados. Se dice que medir es
entender, entender es conocer, conocer permite evaluar, evaluar permite mejorar. Es decir, podemos
observar, medir, analizar, y utilizar la informacin obtenida para generar cambios, por ejemplo, la vida se
mide en aos, das, horas, el mdico cuantifican la presin sangunea, la frecuencia cardiaca, los
profesores califican el desempeo del aprendizaje, etctera. Todas organizaciones estn obligadas a
medir su desempeo.

En este curso veremos las principales tcnicas y herramientas con las cuales las organizaciones miden y
analizan el desempeo de sus procesos, la manera de monitorear ese desempeo y las medidas tiles
para evaluar el rendimiento a partir del comportamiento de los procesos.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 15


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

INFERENCIA ESTADSTICA

Hiptesis Estadstica: es un supuesto, una conjetura, acerca del valor verdadero del parmetro
poblacional asociado a una funcin de distribucin de probabilidad, puede ser un supuesto acerca de la
igualdad entre parmetros de distintas poblaciones.

Una Hiptesis estadstica se construye considerando dos tipos de hiptesis. La hiptesis que representa
el objetivo de la investigacin se denomina HIPTESIS DE INVESTIGACIN, HIPTESIS
ALTERNATIVA, y la denotaremos como Ha o H1. La hiptesis que representa el complemento o la
negacin de la hiptesis alternativa se denomina HIPTESIS NULA (Ho) .
Para probar una hiptesis, se obtiene una muestra aleatoria de la poblacin bajo estudio, y se construye
lo que se denominar: un estadstico de prueba, a partir de muestras de tamao n; si los resultados de
la muestra no apoyan Ho, se rechaza Ho a favor de una hiptesis alterna denotada como H1.

Ejemplo. Suponer que se asume que la calificacin promedio de los alumnos que estn en el curso de
Estadstica Industrial, es 76. Bajo este enfoque, la hiptesis nula se representa de la siguiente forma:
Ho : 76

A continuacin se plantean las hiptesis alternas posibles, las cuales se constituyen en el objetivo de la
investigacin a realizar

H1 : > 76 la media de la poblacin es mayor a 76.


H1 : < 76 la media de la poblacin es menor a 76.
H1 : 76 la media de la poblacin es distinta a 76.

Las dos primeras se conocen como pruebas de un extremo y la ltima como prueba de dos extremos:
Observar que el objetivo de una prueba de hiptesis no es poner en tela de juicio el valor obtenido del
estadstico de prueba, sino emitir un juicio sobre la diferencia existente entre el Valor del estadstico y el
Valor supuesto del parmetro.

0 x
Po P 02 S2
Al tomar la decisin, cuando se realiza la prueba de hiptesis, pueden ocurrir 4 casos:

REALIDAD DECISIN

Ho Aceptar Rechazar

Verdadero OK. Error tipo I

Falsa Error tipo II OK.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 16


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

Se define:

P(Rechazar Ho /Ho es verdadera) = = nivel de significancia de la prueba.

P(Aceptar Ho / Ho es falsa) =

En general y tienen una relacin:

Si disminuye aumenta
Si disminuye aumenta

Si n entonces la probabilidad de cometer ambos tipos de error, tiende a disminuir.

, y Se deben seleccionar analizando los costos o penalizaciones que provocan ambos tipos de error.
Ejemplo 1:
Si el error tipo I = ; implica el tiempo y el trabajo de reelaborar un lote de sustancias qumicas que debi
ser aceptado (se rechaz incorrectamente la hiptesis nula).

Si el error tipo II = , implica correr el riesgo de que se envenene un grupo entero de usuarios de la
sustancia al aceptar Ho dado que sta es falsa.

Cul es el error que est usted dispuesto a cometer?

Ejemplo. 2:
Si el error tipo I = implica el redisear totalmente un motor (pues la presin no es la adecuada segn los
resultados de la muestra) para un lote que debi ser aceptado.

Si el error tipo II = requiere reparaciones relativamente baratas y garantizadas. Aceptar el lote si la presin
efectivamente no es la adecuada.

Cul es el error que se est dispuesto a cometer?

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 17


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

PRUEBAS DE HIPTESIS PARA PARAMETROS CUYOS ESTIMADORES TIENEN UNA


DISTRIBUCION NORMAL

H0 : = 0

En el caso de la media poblacional, una proporcin, diferencias de medias y diferencias de proporciones,


se tiene que sus estimadores son insesgados, de mnima Varianza y una distribucin Normal de la forma
(bajo ciertas condiciones):


N , 2 la cual se puede es tan darizar Z N (0,1) ademas se sabe que


P( Z Z Z ) 1 sustituyendo P Z Z 1 despejando
2 2
2 2

P Z Z 1 Si realmente 0 , sustituyendo
2 2
P 0 Z 0 Z 1 Esto es, se espera que el estimador se encuentre
2 2
en este int ervalo con una probabilidad muy grande 1 . Se rechaza H 0 si el estimador
se encuentra fuera de este int ervalo.

Regiones de rechazo para una prueba de dos extremos: H1 : 0

0 Z o 0 Z en forma equivalente
2 2

0 0 0
Z o Z definiendo Z m la regin es
2 2
Z m Z o Z m Z en forma simplificada Z m Z
2 2 2

Re giones de rechazo para pruebas de un extremo

Para H 1 : 0 Z m Z

Para H 1 : 0 Z m Z

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 18


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

PRUEBAS DE HIPTESIS PARA UNA MEDIA POBLACIONAL.


(CUANDO LA MUESTRA ES GRANDE).
o
Ho: = o H1: o
o
Debido a que la muestra es grande segn lo establece el Teorema del Lmite Central, la media muestral
de todas las posibles muestras de tamao n tiene una distribucin normal esto es :

2 x
X N ( , ) Z N (0,1)
n
n

Ademas se ha visto que P( Z Z Z ) 1 sustituyendo tenemos


2 2
X
P( Z Z ) 1 Despejando X P( Z X Z ) 1
2 2 2 n 2 n
n

P( Z X Z ) 1 Si realmente o
2 n 2 n

P( 0 Z X 0 Z ) 1
2 n 2 n
Notar que es altamente probable que la media de la muestra se encuentre (en ese intervalo), alrededor
del valor supuesto de la media poblacional, y que la probabilidad de que quede fuera del intervalo es muy
pequea. Esta es la razn fundamental por la que si esto sucede, se rechaza H0.

CASO DE UNA PRUEBA DE DOS EXTREMOS: H1 : 0


X o Z o X o Z
2 n 2 n

X 0 X 0
En forma equivalente Z o Z
2 2

n n
X 0
lo cual se puede reescribir como Z m Z donde Z m
2
n

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 19


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

CASO DE UNA PRUEBA DE UN EXTREMO:

H1 : o Regin de Rechazo Zm < Z


H1 : > o Regin de Rechazo Zm > Z

Observacin: Si la varianza poblacional es desconocida, la varianza de la poblacin se puede estimar a


partir de la varianza de la muestra.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 20


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

EJERCICIOS.

1. Un artculo periodstico afirm que los estudiantes de cierta universidad gastan en promedio de $495
anuales en cerveza. Un estudiante crea que el promedio establecido era muy alto, e interrog a una
muestra aleatoria de 50 estudiantes encontrando que
x = 432.25 dlares, y s = 100.
Con estos resultados ponga a prueba, con un nivel de significancia de 0.05, la afirmacin por el
peridico.

Si en realidad = 450 cul es la probabilidad de estar cometiendo un error tipo II.

Cul tipo de error prefiere cometer?

2. Una cremera anuncia que de un envase de helado pueden obtenerse 84 helados sencillos o mas; una
heladera que compra al por mayor en la cremera encontr que sus empleados obtienen un promedio
de 82.77 helados sencillos por envase en 72 envases; la desviacin estndar fue de 1.43 helados
sencillos.

Realice la correspondiente prueba de Hiptesis con un nivel de significancia de 0.02.

Si en realidad =81 cul es la probabilidad de estar cometiendo un error tipo II.

Cul tipo de error prefiere cometer?

3. Desde 1990 hasta 1999, la razn promedio del precio/ganancias de acciones de una compaa X
cotizadas en la bolsa de valores fue de 15.35, con una desviacin estndar de 5.73. En una muestra
de 31 acciones elegidas al azar, en lo que va de 1999 la razn promedio de precio/ganancias es de
11.77.

Esta muestra ofrece suficiente evidencia para afirmar en un nivel de significancia de .05, que la razn
media de precio/ganancia de las acciones de esta compaa ha disminuido su valor anterior ?

4. Para cada una de 18 muestras de perforacin de depsitos de carbonato impregnado de petrleo, se


midi la cantidad de saturacin de gas residual despus de una inyeccin de solvente en un flujo de agua.
Las observaciones, en porcentaje de volumen de poros, fueron

23.5 31.5 35.0 47.7 45.6 32.5


41.4 38.2 42.5 47.9 51.5 36.4
44.5 35.9 34.5 39.3 25.0 51.2

Estimar el intervalo de confianza de 95% para el verdadero promedio de cantidad de saturacin de gas
residual. Asuma que la varianza poblacional es conocida y puede ser aproximada a travs de una muestra
aleatoria.

5. El voltaje de salida en cierto circuito elctrico debe ser igual a 130, segn especificaciones.
Una muestra de 40 lecturas independientes para este circuito dio una media muestral de 128.6 y una
desviacin estndar de 2.1. Pruebe la hiptesis de que el voltaje de salida promedio es mayor o igual 130.
Utilice un nivel de significancia = 0.05.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 21


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

6. Muchos fabricantes de muebles para cocina han cambiado sus procedimientos de remachado por
puntos de soldadura, en un afn de reducir los costos de manufactura. Sin embargo, resulta importante
seguir manteniendo la resistencia al esfuerzo aun con el uso de soldadura. Un fabricante de mquinas
soldadoras afirma que uno de sus productos puede producir puntos de soldadura en los muebles de cocina
y que estos tienen una resistencia al esfuerzo mayor a 400 kilogramos.

Una muestra de n =25 puntos de soldadura producidos por la soldadora en cuestin fue sometida a una
prueba de resistencia. la media y la desviacin estndar de los esfuerzos soportados en la prueba fueron
de x = 438 kilos y =29 kilogramos.

a) Presentan estos datos evidencia suficiente para rechazar la afirmacin del fabricante de soldadores?.
Use =.05.
(b) Estimar al esfuerzo medio que pueden soportar los puntos de soldadura producidos por la soldadora
del fabricante empleando un intervalo de confianza del 94%.

7. Los instrumentos de precisin como los diseados para medir volumen, temperatura y contenido de
grasa en la carne estn diseados para proporcionar una medicin que no solo es correcta en promedio,
sino que posee muy poca variacin alrededor del valor verdadero. Como un ejemplo elemental considere
un medidor de volumen en la bomba de una estacin de gasolina.

El operador de la estacin insiste en que el medidor no subestime el volumen despachado. Suponga que
un fabricante afirma que su medidor de volumen registra con una precisin de 0.1lts la cantidad
despachada.

El medidor del fabricante se coloca en una bomba de gasolina y se despachan n = 5 mediciones de


exactamente 10 litros usando el medidor. Los volmenes registrados en el medidor para los cinco ensayos
son 10.05 10.00 9.90 9.95 10.15. Asuma que la varianza poblacional es conocida y puede ser aproximada
a travs de una muestra aleatoria.

Considera usted que estos datos confirman o refutan la afirmacin del fabricante?. Realice una prueba
utilizando .05 como nivel de significancia.

8. Las siguientes observaciones representan el modulo de elasticidad (MPA) obtenido 1 minuto


despus de cargar en cierta configuracin, al estudiar el comportamiento de paneles con recubrimiento
reforzado.

1062 1050 1053 1057 1041 1053 1055 1061 1059 1064 1050 1053 1064 1062 1050 1068
1054 1055 1057 1050 1055 1050 1056 1055 1046 1055 1053 1054 1052 1047 1047 1055

Considere la hiptesis de investigacin de que el mdulo de elasticidad es superior a 1050, con un nivel
de confianza igual a 0.95.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 22


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

9. De 80 empleados recin contratados en una corporacin grande, la mitad fue asignada por una semana
a una clase de orientacin especial y la otra mitad no, despus de tres meses se realizaron evaluaciones
durante el trabajo, que arrojaron los siguientes resultados sobre la productividad:

Recibieron orientacin No tuvieron orientacin


n1 = 40 n2 = 40
X1 = 84.1 X2 = 81.8
s1 = 3.6 s2 = 4.1

Determine si el Programa de orientacin especial ayuda a mejorar la productividad.

10. Dos medicamentos, A y B, se comparan respecto a su efecto calmante en pacientes postoperatorios.


Se tienen registros del nmero de horas de alivio para 40 pacientes tratados con el medicamento A
elegidos aleatoriamente y 50 elegidos de la misma manera tratados con el medicamento B. Los resultados
son como sigue:

Medicamento A Medicamento B
n1 = 40 n2 = 50
X1 = 5.14 X2 = 4.53
s1 = 1.20 s2 = 1.79

Utilice = 0.03 para determinar si existe una diferencia significativa en el tiempo de alivio promedio
proporcionado por el medicamento A respecto a la del B.

11. Dos laboratorios de investigacin han producido independientemente medicamentos que dan alivio a
los que sufren artritis. El primer frmaco fue probado en un grupo de 90 vctimas de artritis, dando un
promedio de 8,5 horas de alivio, con una desviacin estndar de 1.8 horas.

El segundo frmaco fue probado en un grupo de 80 vctimas de artritis y produjo un promedio de 7.9 horas
de alivio, con una desviacin estndar de 2.1 horas. Con un nivel de significancia de .03, ofrece el
segundo medicamento un periodo significativamente ms corto de alivio.

12. Un fabricante de llantas quiere comparar las cualidades de desgaste de dos tipos de llantas, A y
B. Para experimentar fueron elegidos seis coches de peso y diseo semejantes, en cada uno se coloc al
azar una llanta de tipo A y otra de tipo B en los rines traseros, luego se manej cada coche en 5000 millas
de terrenos parecidos y bajo condiciones similares de manejo, midindose al final del desgaste de cada
llanta en milsimas de pulgada. Si la diferencia de desgastes tiene una distribucin normal, Pruebe la
hiptesis de que no hay diferencia significativa entre los dos tipos de llanta

AUTO 1 2 3 4 5 6
Llanta A 10.7 9.8 11.3 9.5 8.6 9.4
Llanta B 10.3 9.4 11.5 9 8.2 9

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 23


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

ANLISIS DE RIESGOS

El anlisis de riesgos al tomar una decisin, es una tarea obligada que debe ser realizada durante el
proceso de investigacin. En la industria, el ingeniero de calidad, el ingeniero de proceso utilizan estas
herramientas, para definir con mayor certidumbre los criterios de decisin. Debemos tomar en cuenta que
una hiptesis estadstica es una conjetura acerca del valor verdadero asociado a la funcin de distribucin
de probabilidad, que como analistas hemos asumido.

Generalmente utilizamos la distribucin Gaussiana como referencia, pero en control de calidad, la funcin
de distribucin binomial, tambin puede ser considerada. A continuacin se presentan algunos ejemplos:

1. Se dice que una determinada mquina est bajo control si el porcentaje de artculos defectuosos que produce
no es mayor de un 5%. Para determinar si la mquina est bajo control, se eligen 10 artculos al azar entre los
producidos por ella. La hiptesis de que la mquina est bajo control ser rechazada si se detectan al menos
dos artculos defectuosos.

a. Cul es la probabilidad de aceptar incorrectamente la hiptesis de investigacin ?


b. Si la mquina est realmente fuera de control y la probabilidad de que un artculo salga defectuoso es
realmente 0.20, Cul es la probabilidad de que se acepte incorrectamente la hiptesis nula ? .

2. Un ingeniero de calidad reporta que 95% de los artculos que pasan por un punto de verificacin, pasa las pruebas.
Se decide tomar una muestra de 15 artculos.

a) Proponga la hiptesis estadstica apropiada.


b) Haga una propuesta para definir el criterio de decisin. Alpha debe ser menor o igual 0.10

3. Se considera la produccin de una mquina automtica de soldar. Se considerar comprar la mquina si es


exitosa en 95% de sus soldaduras, de otra manera no se considerar eficiente. Se lleva a cabo un prototipo que
realizar 10 soldaduras. La mquina se aceptar si no falla en mas de tres soldaduras.

Cul es la probabilidad de que se rechace una buena mquina ?


Cul es la probabilidad de que se acepte una mquina ineficiente con 90% de soldaduras exitosas?

4. Un distribuidor recibe un envo de 20000 computadoras porttiles. Para protegerse contra un mal envo, examinar
10 computadoras y aceptar el lote si observa 0, 1, o 2 defectuosas. Suponer que hay un total de 2000 defectuosas
en el lote.

a) Dado que el distribuidor ha aceptado el lote, Cul es la probabilidad de que haya observado exactamente una
computadora defectuosa ?.

b) Si se tiene un lote de 10,000 computadoras y se desea probar la hiptesis de que el 98% no estn defectuosas,
especifique con claridad, el criterio para aceptar la hiptesis.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 24


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

EJERCICIOS ADICIONALES PARA: ANLISIS DE RIESGOS.

1.- Suponga que un especialista en alergias desea probar la hiptesis de que al menos 30% del pblico es alrgico a algunos
productos de queso. Explique cmo este especialista podra cometer

a) un error tipo I;
b) un error tipo II.

2.- un socilogo est interesado en la eficacia de un curso de capacitacin diseado para lograr que ms conductores se acostumbren
a utilizar los cinturones de seguridad en el automvil.

a) Qu hiptesis estar probando esta persona si comete un error tipo I al concluir errneamente que el curso de
capacitacin no es eficaz?
b) Qu hiptesis estar probando esta persona si comete un error tipo II al concluir errneamente que el curso de
capacitacin es eficaz?

3.- Una gran empresa manufacturera ha sido calificada como discriminadora en sus prcticas de contratacin.

a) Qu hiptesis se est probando si un jurado comete un error tipo I al encontrar que la compaa es culpable?
b) Qu hiptesis se est probando si un jurado comete un error tipo II al encontrar culpable a la empresa?

4.- Se estima que la proporcin de adultos que viven en un pequeo pueblo y que son egresados universitarios es p= 0.3. Para
probar esta hiptesis, se selecciona una muestra aleatoria de 15 adultos. Si el nmero de graduados en la muestra es una cantidad
cualquiera entre 2 y 7, se aceptar la hiptesis nula de que p= 0.3; de otra forma, se concluir que p es diferente de 0.3.

a) Evale suponiendo que p= 0.3.


b) Evale para las hiptesis alternativas: p= 0.2 y p= 0.4.
c) Es ste un buen procedimiento de prueba?. Por qu ?

5.- Repita el ejercicio 4 cuando se seleccionan 200 adultos y se define que la regin de aceptacin es 48 X 72 , donde X es
el nmero de egresados universitarios en la muestra. Observe qu es lo que ocurre con cada una de las probabilidades de cometer
error (I y II).

6.- La proporcin de familias que compra leche de la compaa A en una ciudad se cree que es p= 0.6. Si una muestra aleatoria de
10 familias indica que 3 o menos compran leche de la compaa A, se rechazar la hiptesis de que p= 0.6 en favor de la alternativa
p < 0.6.

a) Encuentre la probabilidad de cometer un error tipo I si la proporcin verdadera es p= 0.6.


b) Encuentre la probabilidad de cometer un error tipo II para las alternativas P= 0.3, p= 0.4 y p= 0.5.

7.- Repita el ejercicio 6 cuando se seleccionan 50 familias y se determina que la regin crtica X 24 , donde x es el nmero de
familias de la muestra que compran leche de la compaa A.

8.- Un establecimiento para lavado en seco afirma que un nuevo removedor de manchas eliminar ms del 70% de las manchas a
las cuales se le aplique. Para verificar esta afirmacin, el producto se utilizar en 12 manchas que se escogieron al azar. Si se
eliminan menos de 11 manchas, se aceptar la hiptesis nula de que p= 0.7; de lo contrario, se concluir que p es mayor que 0.7.

a) Evale suponiendo que p= 0.7.


b) Evale para la alternativa p=0.9.

9.- Repita el ejercicio 8 cuando se tratan de eliminar 100 manchas y se determina que la regin crtica es x mayor que 82, donde x
es la cantidad de manchas borradas.

10.- En la publicacin Relief from Arthritis de Thorson Publishers, Ltd. (1979), John E. Croft afirma que ms del 40% de los que
padecen de artritis sea experimentaban cierto alivio con el uso de un ingrediente producido por una especie particular de almeja
encontrada en las costas de Nueva Zelanda. Para probar esta afirmacin, el extracto de almeja se les administrar a 7 pacientes
artrticos. Si 3 o ms de ellos tienen un alivio. Se aceptar la hiptesis nula de que p= 0.4; de lo contrario se concluir que p es
menor que 0.4.
a) Evale suponiendo que p=0.4.
b) Evale para la alternativa p=0.3.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 25


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

11.- Repita el ejercicio 10 cuando a 70 pacientes se les da el extracto de almeja y se define que la regin crtica es X menor que 24,
donde x es el nmero de enfermos de artritis sea que alcanzan cierta mejora.

12.- A una muestra aleatoria de 400 votantes de una cierta ciudad se le pregunta si est a favor de un impuesto adicional a la venta
de gasolina para proporcionar ingresos necesarios para efectuar trabajos de reparacin de calles. Si ms de 220 pero menos de 260
estn a favor del impuesto, se concluir que el 60% de los votantes est a favor.

a) Encuentre la probabilidad de cometer un error tipo I si 60% de los votantes est a favor del nuevo impuesto.
b) Cul es la probabilidad de cometer un error tipo II al utilizar este procedimiento de prueba si slo 48% de los votantes est a
favor del nuevo impuesto?

13.- Suponga, que en el ejercicio 12, que se concluye que el 60% de los votantes est a favor del nuevo impuesto a la gasolina, si
ms de 214 pero menos de 266 votantes en el ejemplo estn a favor. Demuestre que esta nueva regin de aceptacin resulta en un
valor ms pequeo para a costa de incrementar

14.- Un fabricante ha desarrollado un nuevo hilo para pesca, del cual afirma que tiene un coeficiente promedio de ruptura de 1.5
kilogramos con una desviacin estndar de 0.5 kilogramos.
Para probar la hiptesis de que 15 kilogramos contra la alternativa de que 15, se probar una muestra aleatoria de 50 hilos
de pesca. La regin crtica se define en el dominio: x < 14.9.
a) Encuentre la probabilidad de cometer un error tipo I cuando Ho es verdadera.
b) Evale para las siguientes hiptesis alternativas 14.8, 14.85 kilogramos.
Observar que el anlisis del error tipo II se debe hacer considerando valores del parmetro, en la Regin de rechazo de la
hiptesis nula.

15.- Una mquina despachadora de refrescos ubicada en el Longhorn Steak House se ajusta de tal forma que la cantidad de refresco
servido est distribuido aproximadamente en forma normal con una media de 200 mililitros y una desviacin estndar de 15 mililitros.

Se verifica la mquina peridicamente tomando una muestra de 9 refrescos y calculando su contenido promedio. Si x pertenece al
intervalo { x: 191 < x < 209 }, se considera que la mquina est operando en forma satisfactoria; de lo contrario, se concluye que
es diferente a 200 mililitros.
a) Encuentre la probabilidad de cometer un error tipo I cuando realmente es igual a 200 mililitros.
b) Encuentre la probabilidad de cometer un error tipo II cuando = 215 mililitros.

16.- Repita el ejercicio 15, considerando que las muestras son de tamao n = 25. Utilice la misma regin crtica. Observe la
importancia del tamao de muestra al hacer inferencia.

17.- Se ha desarrollado una nueva preparacin para un cierto tipo de cemento que da como resultado un coeficiente de compresin
de 6000 kilogramos por centmetro cuadrado y una desviacin estndar de 120.

Para probar la hiptesis de que = 5000 en contraposicin de la hiptesis alternativa de que es mejor que 5000, se verifica una
muestra aleatoria de 50 piezas de cemento.
Se define que la regin crtica es: x > 5970.
a) Encuentre la probabilidad de cometer un error tipo I cuando Ho es verdadera.
b) Evale para las alternativas = 5980 y = 5960.

18.- Si se grafican las probabilidades de aceptar Ho correspondientes a varias alternativas para (incluyendo el valor especificado
por Ho) y se dibuja una lnea constante que una todos los puntos, se obtiene una curva caracterstica de operacin basada en el
criterio de prueba, o simplemente la curva CO. Notar que la probabilidad de aceptar Ho cuando es verdadera es simplemente 1

Las curvas caractersticas de operacin son muy utilizadas en aplicaciones industriales para proporcionar una imagen visual de los
mritos del criterio de prueba.

Con referencia al ejercicio 15, encuentre las probabilidades de aceptar Ho para los siguientes valores de y grafique la curva CO:
184, 188, 190.5, ,209.5, 212 y 216.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 26


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

TABLA DE DISTRIBUCIN NORMAL


reas bajo la curva normal estndar. Los valores de la tabla que no se muestran en negrita representan la probabilidad
de observar un valor menor o igual a z. La cifra entera y el primer decimal de z se buscan en la primera columna, y el
segundo decimal en la cabecera de la tabla.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 27


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

Segunda cifra decimal del valor de z


z 0.00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .4878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 . .9997 .9998

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 28


INFERENCIA Y CONTROL ESTADSTICO
UASLP
FACULTAD DE INGENIERA
CONTROL DE CALIDAD

Ejemplos de distribuciones normales con diferentes parmetros.

INSTRUCTOR: DR. RAL HERNNDEZ MOLINAR 29


INFERENCIA Y CONTROL ESTADSTICO