Está en la página 1de 19

CURSO: Control de calidad de alimentos (AI 546) PROFESOR: Ing° Antonio Matos Alejandro

Control de Calidad Estadístico

Introducción

La presente separata pretende explicar las ventajas que implica aplicar el control estadístico en los procesos de producción con el fin de mejorar los procesos productivos, disminuyendo costos para así ofrecer productos realmente competitivos.

Existe mucha literatura de control de calidad en sus distintas modalidades, todos los autores de calidad coinciden en la necesidad de usar técnicas de calidad, y para cubrir esta necesidad existe un conjunto de técnicas estadísticas llamadas herramientas básicas de la calidad que aplicada combinadamente forman el control estadístico del proceso (CEP).

Actualmente, todas las empresas modernas saben que lograr un buen nivel de calidad es fundamental para el éxito de su gestión.

La obtención de este objetivo, no solo es importante desde el punto de vista de la competencia, sino también para la satisfacción de las necesidades humanas.

Estas necesidades humanas evolucionan constantemente, hay cada día mayor demanda de mejor precisión, más exactitud, intercambiabilidad, confort, etc. y lo que hoy acepta el consumidor, mañana puede rechazarlo, pues esta demanda de la cual estamos hablando, se perfecciona cada día, y toda empresa que no se adapte a este movimiento continuo corre el riesgo de quedar desplazada a corto plazo.

Para marchar al compás de este ritmo se hacen necesarios mejores instrumentos, maquinarias, métodos, etc., y lo que es más importante, un mejor aprovechamiento de los mismos, es decir, obtener mejor calidad con la misma cantidad de dinero. Para lograr este objetivo debemos recurrir al control estadístico de calidad, como una de las armas más poderosas para la realización de todas estas ideas.

El objetivo de este tema es dar una buena información de las herramientas existentes para el control estadístico de la calidad, pero debemos dejar bien claro que los objetivos de calidad no se logran esgrimiendo solamente estas herramientas estadísticas. Hoy en día, el concepto de Control Total de Calidad, enseña claramente que todos los estamentos de la empresa están involucrados en la obtención de la mejor calidad del producto, y que éste objetivo no es, de ninguna manera, responsabilidad exclusiva de los departamentos técnicos especializados en el control estadístico de la calidad, sino de

todos los integrantes de la empresa, desde el más humilde empleado, al más importante de los gerentes.

Definimos el “Control Estadístico de la Calidad” como la aplicación de diferentes técnicas estadísticas a procesos industriales (mano de obra, materias primas medidas, máquinas y medio ambiente), procesos administrativos y/o servicios con objeto de verificar si todas y cada una de las partes del proceso y servicio cumplen con unas

ciertas exigencias de calidad y ayudar a cumplirlas, entendiendo por calidad “la aptitud del producto y/o servicio para su uso.

La aplicación de técnicas estadísticas al control está basada en el estudio y evaluación de la variabilidad existente en cualquier tipo de proceso que es principalmente el objeto de la estadística.

Las fuentes que producen la variabilidad objeto de estudio en la estadística, se clasifica en “variabilidad controlada” o “corregible” que es posible detectarla por causar una variabilidad muy grande (ajuste incorrecto de la máquina, errores humanos, siendo posible eliminar la causa o causas que la han producido, y la “variabilidad debida al azar”, también denominada “variabilidad no controlable que no puede ser asignada a una causa única sino al efecto combinado de otras muchas.

Supongamos un esquema de un proceso de fabricación determinado que produce cierta pieza donde la característica de calidad sea Y (medible u observable). Se observa que la magnitud de la característica varía de unidad a unidad de producto; esto es, se dice que el producto posee variabilidad, objetivo primario o base de la Estadística.

Responsabilidad del supervisor Variables controlables Producto Calidad Variabilidad defectuoso producto asignable PROCESO Variabilidad Producto No asignable
Responsabilidad
del supervisor
Variables controlables
Producto
Calidad
Variabilidad
defectuoso
producto
asignable
PROCESO
Variabilidad
Producto
No asignable
aceptable
Variables no controlables
Responsabilidad
de la dirección

El objetivo del Control Estadístico de la Calidad es: 1. Detectar rápidamente la ocurrencia de variabilidad debida a causas asignables. 2. Investigar la(s) causa(s) que la han producido y eliminarla(s). 3. Informar de ella para la toma de decisión oportuna, pues de lo contrario se producirían gran cantidad de unidades de calidad no aceptable, originando una disminución de la capacidad productiva e incremento de costos del producto terminado (supervisor). 4. Eliminar, si es posible, o al menos reducir al máximo la variabilidad del proceso (dirección).

El control estadístico de la calidad y la mejora de procesos

Comenzando con la aportación de Shewhart sobre reconocer que en todo proceso de producción existe variación, puntualizó que no podían producirse dos partes con las mismas especificaciones, pues era evidente que las diferencias en la materia prima e insumos y los distintos grados de habilidad de los operadores provocaban variabilidad. Shewhart no proponía suprimir las variaciones, sino determinar cuál era el rango tolerable de variación que evite que se originen problemas.

Para lograr lo anterior, desarrolló las gráficas de control al tiempo que Roming y Dodge desarrollaban las técnicas de muestreo adecuadas para solamente tener que verificar cierta cantidad de productos en lugar de inspeccionar todas las unidades. Este periodo de la calidad surge en la década de los 30’s a raíz de los trabajos de investigación realizados por la Bell Telephone Laboratories.

En su grupo de investigadores destacaron hombres como Walter Shewhart, Harry Roming y Harold Dodge, incorporándose después, como fuerte impulsor de las ideas de Shewhart, el Dr. Edwards Deming.

Estos investigadores cimentaron las bases de lo que hoy conocemos como Control Estadístico de la Calidad (Statistical Quality Control, SQC), lo cual constituyó un avance sin precedente en el movimiento hacia la calidad.

Causas de variación

Existen variaciones en todas las partes producidas en el proceso de manufactura. Hay dos fuentes de variación:

o variación aleatoria, naturales, no asignables o fortuitas, se debe al azar y no se puede eliminar por completo. Son aquellas variaciones existentes dentro del proceso, son normales, no producen efectos detrimentes en el producto, dicha variación procede de causas que son consecuencia de la casualidad o azar, que para corregirlo será necesario el cambio del sistema a fin de reducirlo. o variación asignable, no naturales, atribuibles e imputables, es no aleatoria y se puede reducir o eliminar. Son las variaciones a los que se espera normalmente que ocurra, se debe a los elementos de la producción y no al azar, cuando este ocurre afirmamos que el proceso se encuentra fuera de control o no está bajo control. La mayor preocupación es ubicarlos a erradicarlos. Nota: la variación puede cambiar y cambiará la forma, dispersión y tendencia central de la distribución de las características medidas del producto.

Procedimientos para establecer un control estadístico

Los procedimientos para establecer un control estadístico del comportamiento de la empresa:

  • 1. Establecer la "capacidad del proceso",

  • 2. Crear un gráfico de control;

  • 3. Recoger datos periódicos y representarlos gráficamente;

  • 4. Identificar desviaciones;

6.

Perpetuar los efectos positivos y corregir las causas de los negativos.

Un gráfico de control utiliza medidas de un proceso para determinar el comportamiento normal de dicho proceso. La desviación típica es una medida de variabilidad que también puede calcularse, con las cuales trazamos los límites de control superior e inferior. Incluyendo los datos futuros a medida que se obtienen, veremos si los nuevos datos se corresponden con los resultados esperados. Si no es así, inferiremos que ha sucedido algo infrecuente con lo que procederemos a buscar la causa. Estas causas son denominadas causas especiales para diferenciarlas de las causas comunes de variabilidad, las cuales siempre están presentes y son las causantes de la variación incluida en las observaciones previas. Las causas comunes se reflejan en los cálculos de la media y de la desviación típica utilizados para elaborar el gráfico de control.

El objetivo de los métodos estadísticos de control en los procesos

Podríamos preguntarnos, ¿qué es un producto defectuoso? o más concretamente, ¿qué es un defecto?

Juran explica lo que es un defecto haciendo un juego de palabras:

"Un defecto es un defecto cuando todos estamos de acuerdo que es un defecto"

Definición tradicional

Un defecto es el incumplimiento de una característica de calidad respecto de un límite especificado.

Pero, los límites especificados, los determinamos nosotros, previo acuerdo con las partes interesadas o involucradas en el proceso, luego, por carácter transitivo, vale la frase del insigne maestro del control de calidad, Dr. Juran.

Otra ilustre definición de lo que es un defecto, es la afirmación de Kahoru Ishikawa, quien dice que un defecto es lo que causa insatisfacción al cliente.

¿Qué causa los productos defectuosos?

La respuesta universal a esta pregunta es: la variación

La variación en los materiales, en las condiciones de la máquina, en los métodos de trabajo y en las inspecciones. Estas variaciones son las causas de los productos defectuosos. Si no existiera ninguna de esas variaciones, todos los productos serían idénticos y no habría variaciones en la calidad, y no existiría la ocurrencia de productos defectuosos y no defectuosos.

¿Son todos los defectos iguales? ¿Debemos tratar a todos los defectos por igual?

El sentido común nos dice que no a las dos preguntas. No es lo mismo un defecto considerado leve como ser una imperfección superficial en la etiqueta de un producto, que una medida fuera de especificaciones en un repuesto para motor de máquinas que lo haga absolutamente inservible.

Y consecuentemente, no será el mismo criterio para tolerar la presencia de ambos defectos, y eso dará paso a distintos planes de calidad según el tipo de defecto.

Clasificación de los defectos, muestrario de defectos.

Existen distintas maneras de clasificarlos. Aquí utilizaremos el siguiente:

Defectos críticos: son aquellos que violan leyes, agreden al consumidor o hacen inservible al producto.

Defectos mayores: producen una disminución en el correcto funcionamiento o utilización del producto y es notado por el consumidor.

Defectos menores: producen una disminución leve en el correcto funcionamiento o utilización del producto, probablemente no lo note el consumidor. Pero si lo nota, el personal calificado de producción y de control de calidad,

Cada tipo de defecto será objeto de un estudio acabado por las partes interesadas y deberá finalizar en un muestrario de defectos, debidamente clasificado por tipo de defecto y firmado por las partes involucradas.

En todos los casos posibles deberá construirse el muestrario con defectos situados justo en los límites de aceptación o rechazo.

¿Cómo se distribuyen los valores de las variables que medimos? ¿Qué frecuencia tiene cada valor que la causa llamada "variación" nos entrega?

Tenemos claro que las variaciones nos producen distintas medidas de una variable, la pregunta es como se distribuyen.

En general siguen un comportamiento llamado gaussiano o normal

De que se trata lo veremos más adelante pero por ahora nos alcanza con comprender que dicho comportamiento significa que los valores más cercanos al valor central, son los que más frecuentemente se repiten, y a medida que nos alejamos del valor central, la frecuencia baja dramáticamente. La gráfica de este comportamiento tiene una forma de campana.

¿Que tipos de variables conocemos?

Existen dos tipos de variables a considerar, variables continuas y variables discretas.

Las variables continuas son aquellas que se miden ...

y las variables discretas se cuentan.

Las primeras dan origen al control por variables y las segundas al control por atributos.

Las características de calidad que llamaremos variables son todas aquellas que podemos representar por una cifra. Por ejemplo, la medida de un perno, la composición química de los alimentos, el contenido de cenizas en carbón, etc., etc.

Los atributos son aquellas características de calidad no mensurables, cuya dimensión en general no se puede representar con una cifra. Como por ejemplo podemos tomar las imperfecciones visuales de las superficies de los productos, tales como manchas, diferencias de tono, etc., etc.

Por fin, debemos tener en cuenta, que tanto los procesos como los lotes terminados pueden ser inspeccionados por atributos o por variables.

Distribución de probabilidades

En la mayoría de los problemas estadísticos nos interesa un número o unos cuántos números asociados con los resultados de los experimentos. En la inspección de un producto manufacturado quizá solo nos interese el número de defectos. Estos números se asocian con situaciones que implican un elemento de azar; en otras palabras, son valores de variables aleatorias.

Son modelos matemáticos de la distribución de frecuencias, en las cuales en lugar de considerar frecuencias, se consideran probabilidades. Pueden ser cuadros o gráficos (histogramas de probabilidad, gráficos de barra).

La variable aleatoria, es la asignación de un valor numérico a cada uno de los resultados de un ensayo, asume un valor X siendo ésta un valor o número real dentro del rango de la variable aleatoria. Estas pueden ser: discretas, cuando el número asignado es un valor entero (finito) (Binomial, Poisson e Hipergeométrica) y, continuas cuando el número asignado es un valor real (normal estandarizada).

Discretas

Distribución Binomial

Supongamos que un experimento aleatorio tiene las siguientes características:

En cada prueba del experimento sólo son posibles dos resultados: el suceso A

(éxito) y su contrario(fracaso). El resultado obtenido en cada prueba es independiente de los resultados

obtenidos anteriormente. La probabilidad del suceso A es constante, la representamos por p, y no varía de

una prueba a otra. La probabilidad de 

es

1- p y la representamos por q.

El experimento consta de un número n de pruebas.

Todo experimento que tenga estas características diremos que sigue el modelo de la distribución Binomial. A la variable X que expresa el número de éxitos obtenidos en cada prueba del experimento, la llamaremos variable aleatoria binomial.

La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores 0,

1, 2, 3, 4,

...

,

n suponiendo que se han realizado n pruebas. Como hay que considerar

todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número combinatorio n sobre k).

La distribución Binomial se suele representar por B(n,p) siendo n y p los parámetros de dicha distribución.

Función de Probabilidad de la v.a. Binomial

Función de probabilidad de la distribución Binomial o también denominada función de la distribución de Bernoulli (para n=1). Verificándose: 0 ≤ p ≤ 1

todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número

Parámetros de la Distribución Binomial

todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número

Sea X una variable aleatoria discreta correspondiente a una distribución binomial.

todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número

Ejemplo 1

Una máquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas sólo haya una defectuosa.

Solución:

Se trata de una distribución binomial de parámetros B(50, 0'007) y debemos calcular la probabilidad p(X=1).

todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número

La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la probabilidad de que una vez administrada a 15 pacientes:

a)

Ninguno sufra la enfermedad

 

b)

Todos sufran la enfermedad

c)

Dos de ellos contraigan la enfermedad

 

Solución:

 

Se trata de una distribución binomial de parámetros B (15, 0'72)

 
a) Ninguno sufra la enfermedad b) Todos sufran la enfermedad c) Dos de ellos contraigan la

Ejemplo 3

 

La probabilidad de que el carburador de un coche salga de fábrica defectuoso es del 4

por

 

100.

Hallar:

a)

El

número

de

carburadores

defectuosos

esperados

en

un

lote

de

1000

b)

La varianza y la desviación típica.

 

Solución:

La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la probabilidad de que unateoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad discreta . Expresa la probabilidad de un número k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido desde el último evento. Proceso de Poisson La distribución de Poisson, se aplica a varios fenómenos discretos de la naturaleza (esto es, aquellos fenómenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de " id="pdf-obj-7-97" src="pdf-obj-7-97.jpg">

Distribución de Poisson

En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad discreta. Expresa la probabilidad de un número k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido desde el último evento.

La distribución de Poisson, se aplica a varios fenómenos discretos de la naturaleza (esto

tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribución de Poisson incluyen:

  • El número de autos

que

pasan

a

través

de

un

cierto

punto

en

una

ruta

(suficientemente distantes de los semáforos) durante un periodo definido de tiempo.

  • El número de errores de ortografía que uno comete al escribir una única página.

  • El número de llamadas telefónicas en una central telefónica por minuto.

  • El número de servidores web accedidos por minuto.

  • El número de animales muertos encontrados por unidad de longitud de ruta.

  • El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.

  • El número de núcleos atómicos inestables que decayeron en un determinado período en una porción de sustancia radiactiva. La radiactividad de la sustancia se debilitará con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia.

  • El número de estrellas en un determinado volumen de espacio.

  • La distribución de receptores visuales en la retina del ojo humano.

  • La inventiva de un inventor a través de su carrera.

Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Investigación sobre la probabilidad de los juicios en materias criminales y civiles.

La función de densidad de la distribución de Poisson es:

tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es constante enservidores web accedidos por minuto.  El número de animales muertos encontrados por unidad de longitud de ruta.  El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.  El número de núcleos atómicos inestables que decayeron en un determinado período en una porción de sustancia radiactiva. La radiactividad de la sustancia se debilitará con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia.  El número de estrellas en un determinado volumen de espacio.  La distribución de receptores visuales en la retina del ojo humano.  La inventiva de un inventor a través de su carrera. Fue descubierta por Siméon-Denis Poisson , que la dio a conocer en 1838 en su trabajo Investigación sobre la probabilidad de los juicios en materias criminales y civiles. La función de densidad de la distribución de Poisson es: donde λ es un parámetro positivo que representa la frecuencia esperada del fenómeno modelado por la distribución. Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una interpretación combinatorio . De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n -ésimo momento iguala al número de particiones de tamaño n . La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a , el mayor de los enteros menores que λ (los símbolos representan la función parte entera) . Cuando λ es un entero positivo, las modas son λ y λ − 1. " id="pdf-obj-8-76" src="pdf-obj-8-76.jpg">

donde λ es un parámetro positivo que representa la frecuencia esperada del fenómeno modelado por la distribución.

Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una interpretación combinatorio. De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo momento iguala al número de particiones de tamaño n.

La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual

a

tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es constante enservidores web accedidos por minuto.  El número de animales muertos encontrados por unidad de longitud de ruta.  El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.  El número de núcleos atómicos inestables que decayeron en un determinado período en una porción de sustancia radiactiva. La radiactividad de la sustancia se debilitará con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia.  El número de estrellas en un determinado volumen de espacio.  La distribución de receptores visuales en la retina del ojo humano.  La inventiva de un inventor a través de su carrera. Fue descubierta por Siméon-Denis Poisson , que la dio a conocer en 1838 en su trabajo Investigación sobre la probabilidad de los juicios en materias criminales y civiles. La función de densidad de la distribución de Poisson es: donde λ es un parámetro positivo que representa la frecuencia esperada del fenómeno modelado por la distribución. Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una interpretación combinatorio . De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n -ésimo momento iguala al número de particiones de tamaño n . La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a , el mayor de los enteros menores que λ (los símbolos representan la función parte entera) . Cuando λ es un entero positivo, las modas son λ y λ − 1. " id="pdf-obj-8-106" src="pdf-obj-8-106.jpg">

, el mayor de los enteros menores que λ (los símbolos

tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es constante enservidores web accedidos por minuto.  El número de animales muertos encontrados por unidad de longitud de ruta.  El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.  El número de núcleos atómicos inestables que decayeron en un determinado período en una porción de sustancia radiactiva. La radiactividad de la sustancia se debilitará con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser significativamente menor que la vida media de la sustancia.  El número de estrellas en un determinado volumen de espacio.  La distribución de receptores visuales en la retina del ojo humano.  La inventiva de un inventor a través de su carrera. Fue descubierta por Siméon-Denis Poisson , que la dio a conocer en 1838 en su trabajo Investigación sobre la probabilidad de los juicios en materias criminales y civiles. La función de densidad de la distribución de Poisson es: donde λ es un parámetro positivo que representa la frecuencia esperada del fenómeno modelado por la distribución. Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una interpretación combinatorio . De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n -ésimo momento iguala al número de particiones de tamaño n . La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a , el mayor de los enteros menores que λ (los símbolos representan la función parte entera) . Cuando λ es un entero positivo, las modas son λ y λ − 1. " id="pdf-obj-8-110" src="pdf-obj-8-110.jpg">

representan la función parte

La función generadora de momentos de la distribución de Poisson con valor esperado λ es

La <a href=función generadora de momentos de la distribución de Poisson con valor esperado λ es Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles . Ejm. Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas puede calcularse usando la distribución de Poisson. En este caso concreto, k es 5 y , λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad deseada es Este problema también podría resolverse recurriendo a una distribución binomial de parámetros k = 5, n = 400 y θ=0,02. Distribución hipergeométrica En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se tiene una población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B . La distribución hipergeométrica mide la probabilidad de obtener x ( elementos de la categoría A en una muestra de n elementos de la población original. ) Características : a) Al realizar un experimento con este tipo de distribución, se esperan más de dos tipos de resultados. b) Las probabilidades asociadas a cada uno de estos resultados no son constantes. c) Los ensayos o repeticiones del experimento no son independientes entre sí. d) El número de repeticiones del experimento n, es constante. Propiedades La función de probabilidad de una variable aleatoria con distribución hipergeométrica puede deducirse a través de razonamientos combinatorios y es igual a " id="pdf-obj-9-6" src="pdf-obj-9-6.jpg">

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.

Ejm. Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas puede calcularse usando la distribución de Poisson. En este caso concreto, k es 5 y , λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad deseada es

La <a href=función generadora de momentos de la distribución de Poisson con valor esperado λ es Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles . Ejm. Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas puede calcularse usando la distribución de Poisson. En este caso concreto, k es 5 y , λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad deseada es Este problema también podría resolverse recurriendo a una distribución binomial de parámetros k = 5, n = 400 y θ=0,02. Distribución hipergeométrica En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se tiene una población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B . La distribución hipergeométrica mide la probabilidad de obtener x ( elementos de la categoría A en una muestra de n elementos de la población original. ) Características : a) Al realizar un experimento con este tipo de distribución, se esperan más de dos tipos de resultados. b) Las probabilidades asociadas a cada uno de estos resultados no son constantes. c) Los ensayos o repeticiones del experimento no son independientes entre sí. d) El número de repeticiones del experimento n, es constante. Propiedades La función de probabilidad de una variable aleatoria con distribución hipergeométrica puede deducirse a través de razonamientos combinatorios y es igual a " id="pdf-obj-9-16" src="pdf-obj-9-16.jpg">

Este problema también podría resolverse recurriendo a una distribución binomial de parámetros k = 5, n = 400 y θ=0,02.

Distribución hipergeométrica

En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se tiene una población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La

distribución hipergeométrica mide la probabilidad de obtener x ( elementos de la categoría A en una muestra de n elementos de la población original.

)
)

Características:

  • a) Al realizar un experimento con este tipo de distribución, se esperan más de dos tipos

de resultados.

  • b) Las probabilidades asociadas a cada uno de estos resultados no son constantes.

  • c) Los ensayos o repeticiones del experimento no son independientes entre sí.

  • d) El número de repeticiones del experimento n, es constante.

Propiedades

La función de probabilidad de una variable aleatoria con distribución hipergeométrica puede deducirse a través de razonamientos combinatorios y es igual a

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-2" src="pdf-obj-10-2.jpg">

donde N es el tamaño de población, n es el tamaño

de

la muestra extraída, d es el

número de elementos en la población original que pertenecen a la categoría deseada y x es el número de elementos en la muestra que pertenecen a dicha categoría. La

notación

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-22" src="pdf-obj-10-22.jpg">

hace

referencia

es

decir,

el

número

de

combinaciones posibles al seleccionar b elementos de un total a.

El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es:

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-56" src="pdf-obj-10-56.jpg">

y su varianza,

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-62" src="pdf-obj-10-62.jpg">

En la fórmula anterior, definiendo

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-66" src="pdf-obj-10-66.jpg">

y

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-70" src="pdf-obj-10-70.jpg">

se obtiene

donde N es el tamaño de población, n es el tamaño de la muestra extraída, dcoeficiente binomial, es decir, el número de combinaciones posibles al seleccionar b elementos de un total a . El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica es: y su varianza , En la fórmula anterior, definiendo y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N , es pequeño. Ejemplo: En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. " id="pdf-obj-10-74" src="pdf-obj-10-74.jpg">

La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída, n/N, es pequeño.

Ejemplo:

En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores.

Solución:

  • a) N= 20+3+2 =25 total de artículos

a=20 productos sin defectos

b= 3 productos con defectos menores

N-a-b= 2 productos con defectos mayores

n= 5 productos seleccionados en la muestra

x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra

y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra

z = n-x-y = 5–3−1 = 1 producto con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra

  • b) N= 25

a=20 productos sin defectos

b= 3 productos con defectos menores

N-a-b= 2 productos con defectos mayores

n= 5 productos seleccionados en la muestra

x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra

y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra

z = n-x-y = 5–4−1 = 0 productos con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra

Distribución continua

Distribución Normal

Un histograma se construye a partir de un cierto número de datos. Pero ¿que le pasaría al histograma si continuamos aumentando el número de datos? Si el intervalo de clase se reduce poco a poco a medida que aumenta el número de datos, se obtiene una distribución de frecuencias continua, como límite de una distribución de frecuencia relativa. En realidad es una expresión de la población misma, puesto que se obtiene de un número infinito de datos.

Existen muchas clases de distribución, y una de las más frecuentes es la distribución normal. En muchos casos, cuando la variación de una característica de calidad es causada por la suma de un gran número de errores infinitesimales independientes debidos a diferentes factores, la distribución de la característica de calidad se aproxima a una distribución normal. La forma de la distribución normal puede describirse como la de una campana.

La siguiente figura muestra la forma de esta distribución:

Un histograma se construye a partir de un cierto número de datos. Pero ¿que le pasaría

Propiedades de la distribución normal

La curva característica queda determinada totalmente por dos parámetros: μ y σ

Si bien en este curso no tenemos espacio para desarrollar el concepto de probabilidades, será necesario definir los siguientes puntos:

Un suceso es más o menos probable según la frecuencia con que ocurre. A mayor frecuencia de ocurrencia pasada será mayor la probabilidad de ocurrencia futura.

Los histogramas y los gráficos de frecuencia, también pueden interpretarse como gráficos de probabilidades de ocurrencia. En particular, la Campana de Gauss, o Curva Normal, es una función de probabilidades, y la superficie que se encierra debajo de la curva, y limitada por dos valores de x es directamente una medida de la probabilidad de ocurrencia de un suceso determinado.

Aceptando estos conceptos veremos como se puede hacer los cálculos partiendo de la curva normal. En primer término, la curva normal hay que transformarla en lo que se

llama forma canónica, esto significa que el cero de las X irá al medio del gráfico. Para lograrlo se usa una variable llamada z y es:

llama forma canónica, esto significa que el cero de las X irá al medio del gráfico.

Esta transformación hace que siempre el valor de la desviación típica, en una curva canónica, sea igual a uno, y el valor de z no es más que un dato medido en relación a su propia desviación. Esto hace que la curva tenga características muy particulares que veremos luego de los siguientes comentarios.

Esta variable depende de datos conocidos, es decir la media de la muestra y su desviación, por lo tanto para determinados valores de x, se hace el cálculo y las tablas dan la respuesta en términos de probabilidad de ocurrencia.

Este punto es muy importante pues de aquí parte todos los criterios de control del control de la calidad.

De todo esto se desprende lo siguiente:

La superficie, y por lo tanto la probabilidad de ocurrencia del suceso, vale:

68,27 % para una desviación típica a ambos lados del cero

95,45 % para dos desviaciones típicas a ambos lados del cero

99,73 % para tres desviaciones típicas a ambos lados del cero

Esto se aprecia en los siguientes gráficos:

llama forma canónica, esto significa que el cero de las X irá al medio del gráfico.
llama forma canónica, esto significa que el cero de las X irá al medio del gráfico.
Ejercicios de comprensión sobre la distribución normal. Los siguientes ejercicios, tienen como objetivo aprender el uso

Ejercicios de comprensión sobre la distribución normal.

Los siguientes ejercicios, tienen como objetivo aprender el uso de las tablas de Gauss.

Ejercicio 01

Hallar el área bajo la CURVA NORMAL en cada uno de los 7 casos siguientes:

  • a) Entre z = 0 y z = 1,20

Ejercicios de comprensión sobre la distribución normal. Los siguientes ejercicios, tienen como objetivo aprender el uso

De tablas leemos que para z = 1,2 es 0,3849, por lo tanto: Pr {0 " z " 1,2} = 0,3849 Esto significa que el área bajo la curva normal para z entre 0 y 1,2 es del 38.49%

b) Entre z = - 0,68 y z = 0

Ejercicios de comprensión sobre la distribución normal. Los siguientes ejercicios, tienen como objetivo aprender el uso

En tablas se lee para z = 0,68 es 0,2518 por lo tanto, Pr {-0,68 " z " 0} =0,2518 Esto significa que el área bajo la curva, para z= -0,68 y z=0 es el 25,18%

  • c) Entre z = - 0,46 y z 2,21

En tablas se lee para z = 0,68 es 0,2518 por lo tanto, Pr {-0,68 "

En tablas se lee que, para z = 0,46 es 0,1772 por lo tanto, Pr {-0,46 " z " 0} =0,1772

Nótese que en la lectura se prescindió del signo menos.

Por otra parte, para z = 2,21 se lee 0,4864. Lo cual significa: Pr {0 " z " 2,21} =0,4864

Para encontrar el área total debemos sumar ambos resultados: 0,1772+0,4864 = 0,6636

Esto significa que el área bajo la curva, para z= - 0,46 y z=2,21 es del 66,36%

  • d) Entre z = 0,81 y z = 1,94

En tablas se lee para z = 0,68 es 0,2518 por lo tanto, Pr {-0,68 "

Para z = 0,81 es 0,2910 por lo tanto, Pr {0,81 " z " 0} =0,2910

Para z = 1,94 es 0,4738 esto es: Pr {0 " z " 1,94} =0,4738

Para encontrar el área entre los dos puntos elegidos, debemos restar ambos resultados:

0,4738 – 0,2910 = 0,1828

Esto significa que el área bajo la curva, para z= 0,81 y z=1,94 es del 18,28%

e) A la izquierda de z = - 0,6, esto significa, entre z = - " y z = - 0,6

Tener presente que desde z = - " y z = 0 la superficie bajo el área es 0,5000 (50%)

DISTRIBUCION NORMAL STANDARD

z

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

 

0,0

0,0000

0,0040

0,0080

0,0120

0,0160

0,0199

0,0239

0,0279

0,0319

0,0359

0,1

0,0398

0,0438

0,0478

0,0517

0,0557

0,0596

0,0636

0,0675

0,0714

0,0754

0,2

0,0793

0,0832

0,0871

0,0910

0,0948

0,0987

0,1026

0,1064

0,1103

0,1141

0,3

0,1179

0,1217

0,1255

0,1239

0,1331

0,1368

0,1406

0,1443

0,1480

0,1517

0,4

0,1554

0,1591

0,1626

0,1664

0,1700

0,1736

0,1772

0,1808

0,1844

0,1879

0,5

0,1926

0,1950

0,1985

0,2019

0,2054

0,2088

0,2123

0,2157

0,2190

0,2224

0,6

0,2258

0,2291

0,2324

0,2357

0,2389

0,2422

0,2454

0,2486

0,2518

0,2549

0,7

0,2580

0,2612

0,2642

0,2673

0,2704

0,2734

0,2764

0,2794

0,2823

0,2852

0,8

0,2881

0,2910

0,2939

0,2967

0,2996

0,3023

0,3051

0,3078

0,3106

0,3133

0,9

0,3159

0,3186

0,3212

0,3238

0,3264

0,3289

0,3315

0,3340

0,3365

0,3389

1,0

0,3413

0,3438

0,3461

0,3485

0,3508

0,3531

0,3554

0,3577

0,3599

0,3621

1,1

0,3643

0,3665

0,3686

0,3708

0,3729

0,3749

0,3770

0,3790

0,3810

0,3835

1,2

0,3849

0,3869

0,3888

0,3907

0,3925

0,3944

0,3962

0,3980

0,3997

0,4013

1,3

0,4032

0,4049

0,4066

0,4082

0,4099

0,4115

0,4131

0,4147

0,4162

0,4176

1,4

0,4192

0,4207

0,4222

0,4236

0,4251

0,4265

0,4279

0,4292

0,4306

0,4317

1,5

0,4332

0,4345

0,4357

0,4370

0,4382

0,4394

0,4406

0,4418

0,4429

0,4441

1,6

0,4452

0,4463

0,4474

0,4484

0,4495

0,4505

0,4515

0,4525

0,4535

0,4545

1,7

0,4554

0,4564

0,4573

0,4582

0,4591

0,4599

0,4608

0,4616

0,4625

0,4633

1,8

0,4641

0,4649

0,4656

0,4664

0,4671

0,4678

0,4686

0,4693

0,4699

0,4706

1,9

0,4713

0,4719

0,4726

0,4732

0,4733

0,4744

0,4750

0,4756

0,4716

0,4767

2,0

0,4772

0,4778

0,4783

0,4788

0,4793

0,4798

0,4803

0,4808

0,4812

0,4817

2,1

0,4821

0,4826

0,4830

0,4834

0,4838

0,4842

0,4846

0,4850

0,4854

0,4857

2,2

0,4861

0,4864

0,4868

0,4871

0,4875

0,4878

0,4881

0,4884

0,4887

0,4890

2,3

0,4893

0,4896

0,4898

0,4901

0,4904

0,4906

0,4909

0,4911

0,4913

0,4916

2,4

0,4918

0,4920

0,4922

0,4925

0,4927

0,4929

0,4931

0,4932

0,4934

0,4936

2,5

0,4938

0,4940

0,4941

0,4943

0,4945

0,4946

0,4948

0,4949

0,4951

0,4952

2,6

0,4953

0,4955

0,4956

0,4957

0,4959

0,4960

0,4961

0,4962

0,4963

0,4964

2,7

0,4965

0,4966

0,4967

0,4968

0,4969

0,4970

0,4971

0,4972

0,4973

0,4974

2,8

0,4974

0,4975

0,4976

0,4977

0,4977

0,4978

0,4979

0,4979

0,4980

0,4981

2,9

0,4981

0,4982

0,4982

0,4983

0,4984

0,4984

0,4985

0,4985

0,4986

0,4986

3,0

0,4987

0,4987

0,4987

0,4988

0,4988

0,4989

0,4989

0,4989

0,4990

0,4990

3,1

0,4990

0,4991

0,4991

0,4991

0,4992

0,4992

0,4992

0,4992

0,4993

0,4993

3,2

0,4993

0,4993

0,4994

0,4994

0,4994

0,4994

0,4994

0,4995

0,4995

0,4995

3,3

0,4995

0,4995

0,4995

0,4996

0,4996

0,4996

0,4996

0,4996

0,4996

0,4997

3,4

0,4997

0,4997

0,4997

0,4997

0,4997

0,4997

0,4997

0,4997

0,4997

0,4998

3,5

0,4998

0,4998

0,4998

0,4998

0,4998

0,4998

0,4998

0,4998

0,4998

0,4998

3,6

0,4998

0,4998

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

3,7

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

3,8

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

0,4999

3,9

0,5000

0,5000

0,5000

0,5000

0,5000

0,5000

0,5000

0,5000

0,5000

0,5000