Está en la página 1de 8

Control de Calidad 3

CAPITULO 3
INTRODUCCION A LA PROBABILIDAD

1.- Señale que es una variable aleatoria y dé un par de ejemplos de variables aleatorias discretas y
otro par de continuas.

Una variable aleatoria asocia un número a cada resultado de un experimento aleatorio.

Experimento aleatorio.- es aquel que puede proporcionar diferentes resultados aún cuando se repita
siempre de la misma manera.

Variable aleatoria Discreta.- es una variable con un rango finito(o infinito numerable) Ejemplo:
1.-El número de tornillos defectuosos en una muestra aleatoria de tamaño 15
2.- El número de errores de un Operador Industrial.

Variable aleatoria Continua.- Si rango de una variable aleatoria X contiene un intervalo ( finito o infinito)
de números reales ,entonces X es una variable aleatoria Continua .Ejemplos:

Pesos, volúmenes, longitudes, Voltaje,Resistencia,etc

2. ¿Qué es una distribución de probabilidad?

Es la descripción del conjunto de valores que puede tomar la variable aleatoria X junto a la probabilidad
asociada a cada uno de estos valores.

3.- ¿Qué es una función de densidad de probabilidades y qué requisitos debe cumplir?

La densidad de probabilidades se usa en el caso de una variable continua .Sus requisitos son:

Si f(x) es una función de densidad de probabilidades de la variable aleatoria continua X, entonces para
cualquier intervalo de números reales [x1, x2], se cumple.
1.- f(x) ≥ 0

2. dx =1 (área bajo la curva es 1)

3.- P(x1 ≤ X ≥ x2) = (u) du (la probabilidad es igual al área bajo la curva entre x1 y x2)

4. Explique en cada caso qué tipo de variables siguen distribución binomial, de Poisson e
hipergeométrica.

Una distribución binomial proporciona la probabilidad de observar x éxitos en una secuencia de n


experimentos Bernoulli independientes con una probabilidad constante de éxito, p.

DAVID VARGAS MENDOZA REG.:205045375


Control de Calidad 3

Con x = 0,1,2,…,n.
Una distribución de Poisson proporciona el número de eventos que ocurren por unidad (por unidad de
área, por unidad de volúmen, por unidad de tiempo, etcétera).

Una distribución de hipergeométrica proporciona la probabilidad de obtener X éxitos en n experimentos


Bernoulli donde no se mantiene la probabilidad de éxito constante.

5.- ¿Cuál es la relación entre la distribución normal y la distribución ji-cuadrada?

La distribución ji-cuadrada para hacer inferencias sobre la desviación estándar de una distribución
normal si se tiene una muestra de tamaño n, entonces el estadístico:

(n  1)S 2
X 
2

6. ¿Cómo se relaciona la distribución T de Student y la Ji-cuadrada?

Estas distribuciones se relacionan porque ambas utilizan números de muestra pequeños (menores iguales
a 30) y las dos utilizan las variables aleatorias continuas.

7. El departamento de compras inspecciona un pedido de 500 piezas eléctricas para ello toma una
muestra aleatoria de 20 de ellas y se prueban. El vendedor asegura que el porcentaje de piezas
defectuosas es solo de 5%, así, suponiendo el peor de los casos según el vendedor, p = 0.05, responda:

a) ¿Cuál e la probabilidad de que el porcentaje de defectuosos muestral sea mayor a 10%?

20!
P ( X  2) (0.05) 2 (1  0.05) 20 2  0,92451633
2!( 20  2)!

La probabilidad de obtener 2 o menos piezas defectuosas es de 92,45% por lo tanto la probabilidad de


obtener más de 2 piezas defectuosas es = 100 - 92,45 = 7.55%

b) ¿Cuál e la probabilidad de obtener una o menos piezas defectuosas?

20!
P ( X  1) (0.05)1 (1  0.05) 201  0,73583952
1!( 20  1)!

De acuerdo a lo calculado la probabilidad de obtener 1 o menos piezas defectuosas es de 73,58%

DAVID VARGAS MENDOZA REG.:205045375


Control de Calidad 3

8. Un proceso de producción de partes trabaja con un porcentaje promedio de defectos de 5%. Cada
hora se toma una muestra aleatoria de 18 artículos y se prueban. Si la muestra contiene más de un
defecto el proceso deberá detenerse.
a) Calcule la probabilidad de que el proceso se detenga debido al esquema de muestreo.

Se utiliza la distribución binomial para calcular la probabilidad:

p  5%  0.05
n  18
x  1 artículo defectuoso
n 18 
f(x, n, p)   p x 1 - p      0.05 1   1 - 0.05 
n- x 18 -1
 0.7735  77.35%
x
  1
 
Probabilidad que exista menor o igual a 1 defecto = 77,35%
Probabilidad que exista mayor a 1 defecto = 100 - 77,35 = 22,65%

La probabilidad de que se presente 1 artículo defectuoso es de 77.35%, por lo tanto, la probabilidad de


que aparezca más de 1 artículo defectuoso, y que se detenga el proceso, es de 22.65%.

b) ¿Con lo contestado en a el esquema de muestreo es adecuado o generará demasiadas


interrupciones?

Basándose en los resultados anteriores, se estima que de cada 100 artículos que se tomen, 23 serán
defectuosos, lo cual generará demasiadas interrupciones.

9. Un fabricante de calculadoras electrónicas desea estimar la proporción de unidades defectuosas


producidas, para ello toma una muestra aleatoria de 250 y encuentra 25 defectuosas. Con base en esto
el fabricante afirma que el porcentaje de calculadoras defectuosas que se produce es de 10%, ¿es
verdad esta afirmación? Argumente.

Datos:
n = 250 u. (tamaño de muestra)
x = 25 u. (numero de éxitos del que se quiere obtener la probabilidad)
p = 0.10 (proporción de artículos defectuosos)

Distribución Binomial
n!
P ( X  x) p x (1  p ) n  x
x!( n  x )!
Reemplazando:

250!
P ( X  25) (0.10) x (1  0.10) 250  25  0.0838
25!( 250  25)!
Conclusión:
Por tanto, se espera que un 8.38% de la muestra tendrá 25 unidades defectuosas y no así, el 10%, como
lo afirma el fabricante.

DAVID VARGAS MENDOZA REG.:205045375


Control de Calidad 3

17. Una máquina realiza cortes de manera automática de ciertas tiras metálicas con media μ = 40.1 cm
y una desviación estándar 0.2 cm. La medida óptima de tales tiras debe ser de 40cm con una tolerancia
de ± 0,5 cm. Suponiendo distribución normal, estime el porcentaje de tiras que cumple con las
especificaciones.

Datos:
 = 40.1 cm.
 = 0.2 cm.

Distribución Normal
 X  x
P ( X  x )  p    P( Z  z )
   
Entonces:

P (39.5  X  40.5)  P ( X  40.5)  P ( X  39.5)


Estandarizando:

 40.5  40.1 
P ( X  40.5)  P Z    P ( Z  2)  0.977
 0.2 
 39 . 5  40. 1 
P ( X  39.5)  P Z    P ( Z  3)  1  P ( Z  3)  0.001
 0.2 
Entonces:

P (39.5  X  40.5)  0.977  0.001  0.976


Conclusión:
La probabilidad de que los cortes de las tiras esté dentro de las especificaciones es:
(0.977 – 0.001) = 0.976
Por tanto, el 97.6% de los cortes de las tiras metálicas se espera que este dentro de las especificaciones.

11. Verifique si los siguientes datos se ajustan bien a una distribución normal.

2.51 2.29 2.31 2.19 2.09 2.48 2.65 2.50 2.48 2.27 2.26 2.86
3.73 2.98 1.08 2.25 2.10 3.30 3.15 2.27 2.23 2.61 2.11 5.7
2.31 2.00 2.35 1.76 2.91 1.84 2.09 2.78 2.32 2.59 1.87 2.59
2.07 3.10 2.32 2.59 2.42 2.04 2.13 1.98 2.02 2.18 2.26 2.10
2.69 2.60

DAVID VARGAS MENDOZA REG.:205045375


Control de Calidad 3

Estadísticos
Media 2.4462
Error típ. de la
0.09034
media
Mediana 2.3100
Moda 2.59
Desv. típ. 0.63883
Varianza 0.40810
Asimetría 2,789
Error típ. de
0,337
asimetría
Curtosis 13,450
Error típ. de curtosis 0,662
Rango 4.62
Mínimo 1.08
Máximo 5.70

Datos
30

20
Frecuencia

10

0
1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00 5,50

Según los datos, su análisis y el comportamiento que estos tienen se puede decir que tiene una
distribución normal.

De otra manera: Elementos para la obtención de una grafica de probabilidad Normal:

Numero Datos Ordenados Frecuencia Acumulada (j- Puntajes normales


(j) X(j) 0.5)/n estandarizados Z(j)

DAVID VARGAS MENDOZA REG.:205045375


Control de Calidad 3

1 1.08 0.01 -2.33


2 1.76 0.03 -1.88
3 1.84 0.05 -1.64
4 1.87 0.07 -1.48
5 1.98 0.09 -1.34
6 2 0.11 -1.23
7 2.02 0.13 -1.13
8 2.04 0.15 -1.04
9 2.07 0.17 -0.95
10 2.09 0.19 -0.88
11 2.09 0.21 -0.81
12 2.1 0.23 -0.74
13 2.1 0.25 -0.67
14 2.11 0.27 -0.61
15 2.13 0.29 -0.55
16 2.18 0.31 -0.50
17 2.19 0.33 -0.44
18 2.23 0.35 -0.39
19 2.25 0.37 -0.33
20 2.26 0.39 -0.28
21 2.26 0.41 -0.23
22 2.27 0.43 -0.18
23 2.27 0.45 -0.13
24 2.29 0.47 -0.08
25 2.31 0.49 -0.03
26 2.31 0.51 0.03
27 2.32 0.53 0.08
28 2.32 0.55 0.13
29 2.35 0.57 0.18
30 2.42 0.59 0.23
31 2.48 0.61 0.28
32 2.48 0.63 0.33
33 2.5 0.65 0.39
34 2.51 0.67 0.44
35 2.59 0.69 0.50
36 2.59 0.71 0.55
37 2.59 0.73 0.61
38 2.6 0.75 0.67
39 2.61 0.77 0.74
40 2.65 0.79 0.81
41 2.69 0.81 0.88
42 2.78 0.83 0.95
43 2.86 0.85 1.04
44 2.91 0.87 1.13
45 2.98 0.89 1.23
46 3.1 0.91 1.34
47 3.15 0.93 1.48
48 3.3 0.95 1.64
49 3.73 0.97 1.88
50 5.7 0.99 2.33

Graficando:

DAVID VARGAS MENDOZA REG.:205045375


Control de Calidad 3

Conclusión:
Como se puede apreciar, los puntos no siguen una línea recta, por lo que la grafica de probabilidad en estos casos
estaría detectando que los datos no siguen una distribución normal.

DAVID VARGAS MENDOZA REG.:205045375

También podría gustarte