Capitulo 4 Parte 1

24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 1
FUNDAMENTOS DE ESTADÍSTICO
CONCEPTOS Y TÉCNICAS EN
CALIDAD DE CONTROL Y
MEJORA
4-1 Introducción y objetivos del capítulo.

4-2 Población y muestra.
4-3 Parámetro y estadística
4-4 Probabilidad
4-5 Estadística descriptiva: describiendo las características del producto o proceso.
4-6 Distribuciones de probabilidad
4-7 Estadística inferencial: sacando conclusiones sobre la calidad del producto y proceso.
Resumen
Apéndice: Aproximaciones a algunas distribuciones de probabilidad.
Simbolos
P ( A ) Probabilidad del evento A f ( x ) Función de densidad de probabilidad para una
μ Media poblacional de una característica de calidad.
variable aleatoria continua
X Promedio de la muestra F ( x ) Función de distribución acumulativa
s Desviación estándar de la muestra E ( X ) Valor esperado o media de un azar
norte Tamaño de la muestra variable X
X i la observación en una muestra
i Z Variable aleatoria normal estándar
norte Tamaño de la poblacion pag Probabilidad de éxito en un juicio en una
T ( α ) α% de media recortada experimento binomial
σ Desviación estándar de población λ Media de una variable aleatoria de Poisson
s2 Varianza de la muestra λ Tasa de fracaso para un exponencial
σ 2 Varianza poblacional distribución
R Distancia γ Parámetro de ubicación para un Weibull
γ 1 Coeficiente de asimetría distribución
γ 2 Coeficiente de kurtosis α Parámetro de escala para un Weibull
r Coeficiente de correlación de la muestra distribución
METRO Mediana de la muestra β Parámetro de forma para un Weibull
s m Desviación estándar de la muestra mediana distribución
p ( x ) Distribución de probabilidad (o función de masa)
Función
Γ ( gamma
u) para la variable u
para una variable aleatoria discreta1 α Nivel de confianza para la confianza.
intervalos
Fundamentos de Control de Calidad y Mejora, Cuarta Edición. Amitava Mitra

© 2016 John Wiley & Sons, Inc. Publicado en 2016 por John Wiley & Sons, Inc.
Sitio web complementario: www.wiley.com \ go \ mitra \ QualityControl4e
149
Página 2
150 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS
4-1 INTRODUCCIÓN Y OBJETIVOS DEL CAPÍTULO
En este capítulo construimos una base para los conceptos estadísticos y técnicas utilizadas en calidad.
https://translate.googleusercontent.com/translate_f 1/31
Control y mejora. La estadística es una ciencia sutil, y juega un papel importante en la calidad
programas Solo una comprensión clara de las estadísticas le permitirá aplicarla correctamente. Son
a menudo mal utilizado, pero un buen conocimiento de los principios estadísticos le ayudará a formular correctamente
procedimientos en diferentes situaciones y le ayudará a interpretar los resultados correctamente. Cuando nosotros
Al analizar un proceso, a menudo nos resulta necesario estudiar sus características individualmente. Rotura
el proceso hacia abajo nos permite determinar si alguna causa identificable ha forzado una desviación
de la norma esperada y si es necesario tomar una acción correctiva. Así, nuestro objetivo en
Este capítulo es para revisar diferentes conceptos y técnicas estadísticas en dos temas principales.
El primero trata sobre estadísticas descriptivas , aquellas que se utilizan para describir productos o procesos.
y sus rasgos característicos, en base a los datos recogidos. El segundo tema se centra en
estadísticas inferenciales , por lo que las conclusiones sobre los parámetros del producto o proceso se realizan a través de
Análisis estadístico de los datos. Tales inferencias, por ejemplo, pueden usarse para determinar si hay
Una mejora significativa en el nivel de los procesos, medido por la proporción de
producto no conforme.
4-2 POBLACIÓN Y MUESTRA
Una población es el conjunto de todos los elementos que poseen una cierta característica de interés.
Ejemplo 4-1 Supongamos que nuestro objetivo es determinar el peso promedio de las latas de la marca
Una sopa procesada por nuestra empresa para el mes de julio. La población en este caso es el conjunto.
De todas las latas de sopa de la marca A que salen en el mes de julio (por ejemplo, 50,000). Otras marcas de
La sopa hecha durante este tiempo no es de interés; Aquí solo la población de latas de la marca A es
considerado.
Una muestra es un subconjunto de una población. Siendo realistas, en muchas manufacturas o servicios.
En las industrias, no es posible obtener datos sobre cada elemento de la población. Medición,
el almacenamiento y la recuperación de grandes volúmenes de datos no son prácticos, y los costos de obtenerlos
La información es alta. Por lo tanto, generalmente obtenemos datos de solo una porción de la población, un
muestra.
Ejemplo 4-2 Consideremos nuestra marca A sopa. Para ahorrarnos el coste y esfuerzo de pesaje.
Con 50,000 latas, seleccionamos aleatoriamente una muestra de 500 latas de sopa de la marca A de la producción de julio.
4-3 PARÁMETRO Y ESTADÍSTICA
Un parámetro es una característica de una población, algo que lo describe.

Ejemplo 4-3 Para nuestro ejemplo de sopa, veremos el peso promedio de los parámetros de
Las 50.000 latas procesadas en el mes de julio.
Una estadística es una característica de una muestra. Se utiliza para hacer inferencias sobre la población.
Parámetros que son típicamente desconocidos.
Ejemplo 4-4 Nuestra estadística es el peso promedio de una muestra de 500 latas elegidas de
La salida de julio. Supongamos que este valor es de 300 g; esto sería entonces una estimación de la media
Peso de las 50.000 latas. Una estadística a veces se llama un estimador .
Página 3
151
PROBABILIDAD
4-4 PROBABILIDAD
Nuestra discusión de los conceptos de probabilidad es intencionalmente breve. Para una mirada en profundidad a
Probabilidad, ver las referencias al final del capítulo. La probabilidad de un evento describe
La posibilidad de ocurrencia de ese evento. Una función de probabilidad está limitada entre 0 y 1,
donde 0 representa la no ocurrencia definida del evento y 1 representa la certeza
ocurrencia del evento.
El conjunto de todos los resultados de un experimento se conoce como el espacio muestral S.
Definición de frecuencia relativa de probabilidad

Si cada evento en el espacio de muestra es igualmente probable que ocurra, la probabilidad de un evento A es
dada por
nA
P…A† … 4-1 †
norte
donde P ( A ) ˆ probabilidad de evento A , n A ˆ número de ocurrencias del evento A , y N ˆ tamaño de
el espacio muestral.
Esta definición está asociada con el concepto de probabilidad relativa de probabilidad. Es
Aplicable a situaciones donde se dispone de datos históricos sobre el resultado de interés. los
la probabilidad asociada con el espacio muestral es 1 [es decir, P ( S ) ˆ 1].
Ejemplo 4-5 Una empresa fabrica bolsas de plástico para la industria alimentaria. Fuera de la hora
En la producción de dos mil bolsas de 500 g, se encontró que 40 no eran conformes. Si el inspector
elige una bolsa al azar de la producción de la hora, ¿cuál es la probabilidad de que sea
no conforme?
Solución Definimos el evento A como obtener una bolsa que no es conforme. El espacio muestral s
consiste en 2000 bolsas (es decir, N ˆ 2000). El número de ocurrencias del evento A ( n A ) es 40. Por lo tanto,
si el inspector tiene la misma probabilidad de elegir cualquiera de las 2000 bolsas,
40
P…A† ˆ 0.02
2000
Eventos simples y compuestos

Los eventos simples no se pueden dividir en otros eventos. Representan a los más elementales.
Forma de los resultados posibles en un experimento. Los eventos compuestos se componen de dos o
Eventos más simples.
Ejemplo 4-6 Supongamos que un inspector está muestreando transistores de una línea de ensamblaje y
Identificándolos como aceptables o no. Supongamos que el inspector elige dos transistores. Qué son
los eventos simples? Dé un ejemplo de un evento compuesto. Encuentra la probabilidad de encontrar en
menos un transistor aceptable.
Solución Considere los siguientes resultados:
A 1 : evento en el que el primer transistor es aceptable

D 1 : evento que el primer transistor es inaceptable
Página 4
A 2 : evento que el segundo transistor es aceptable

D 2 : evento que el segundo transistor es inaceptable
Cuatro eventos simples conforman el espacio muestral S :
SˆfA1A2,A1D2,D1A2,D1D2g
Estos eventos pueden ser descritos de la siguiente manera:
E 1 ˆ { A 1 A 2 }: evento en el que los transistores primero y segundo son aceptables

E 2 ˆ { A 1 D 2 }: evento en el que el primer transistor es aceptable y el segundo no es
E 3 ˆ { D 1 A 2 }: evento en el que el primer transistor es inaceptable y el segundo es
aceptable
E 4 ˆ { D 1 D 2 }: evento que ambos transistores son inaceptables
El evento compuesto B es el evento de que al menos uno de los transistores es aceptable. En

En este caso, el evento B consta de los siguientes tres eventos simples: B ˆ { E 1 , E 2 , E 3 }. Asumiendo
que cada uno de los eventos simples es igualmente probable que suceda, P ... B † P ... E 1 † ‡ p ... E 2 † ‡
P ... E 3 †4 ‡ 41 1 143 ‡.4La Figura 4-1 muestra un diagrama de Venn, que es una representación gráfica.
del espacio muestral y sus eventos asociados.
Eventos Complementarios
El complemento de un evento A implica la ocurrencia de todo menos de A. Si definimos A c para ser
el complemento de A , entonces
P…Ac†ˆ1P…A† … 4-2 †
La figura 4-2 muestra la probabilidad de complementar un evento mediante un Venn.
diagrama. Continuando con el Ejemplo 4-6, supongamos que queremos encontrar la probabilidad de
Evento de que ambos transistores sean inaceptables. Tenga en cuenta que este es el complemento del evento B , que
Se definió como al menos uno de los transistores que son aceptables. Asi que
3 1
P…Bc†ˆ1P…B†1ˆ
4 4
FIGURA 4-1 Diagrama de Venn.
Página 5
153
PROBABILIDAD
FIGURA 4-2 Un evento y su complemento. Nota : El área sombreada representa P ( A ). c
Ley aditiva
La ley de probabilidad aditiva define la probabilidad de la unión de dos o más eventos
sucediendo. Si tenemos dos eventos A y B , la unión de estos dos implica que A sucede o B
sucede o ambos suceden La figura 4-3 muestra la unión de dos eventos, A y B. La zona sombreada
en el espacio muestral representa la probabilidad de la unión de los dos eventos. La ley aditiva
es como sigue:
P ... A ∪ B † P ... A o B o ambos †

P ... Un † ‡ p ... B † P ... A ∩ † B … 4-3 †
Tenga en cuenta que P ( A ∩ B ) representa la probabilidad de la intersección de los eventos A y B : es decir, la

ocurrencia de ambos A y B. La lógica detrás de la ley aditiva puede verse fácilmente desde el Venn
diagrama en la Figura 4-3, donde P ( A ) representa el área dentro del evento A que define el límite.
De manera similar, P ( B ) representa el área dentro del evento B que define límites. La superposición
(sombreado) entre las áreas A y B representa la probabilidad de la intersección,
P ( A ∩ B ). Cuando se agrega P ( A ) a P ( B ), esta intersección se incluye dos veces, por lo que la ec. (4-3) añade
P ( A ) a P ( B ) y resta P ( A ∩ B ) una vez.
FIGURA 4-3 Unión de dos eventos.
Página 6
Ley multiplicativa
La ley multiplicativa de probabilidad define la probabilidad de la intersección de dos o
Más eventos. La intersección de un grupo de eventos significa que todos los eventos en ese grupo ocurren. En
en general, para dos eventos A y B ,
P ... A ∩ B † P ... A y B P ... A † P ... B j A † †
P ... B † P ... A † j B … 4-4 †
El término P ( B | A ) representa la probabilidad condicional de B dado que el evento A ha ocurrido
(es decir, la probabilidad de que B ocurra si A tiene). Del mismo modo, P ( A | B ) representa el condicional.
probabilidad de A dado que ha ocurrido el evento B De las dos formas dadas por eq. (4-4), el
El problema dictará qué versión usar.
Independencia y Eventos Mutuamente Exclusivos.

Se dice que dos eventos A y B son independientes si el resultado de uno no tiene influencia en el
Resultado del otro. Si A y B son independientes, entonces P (B | A) P (B); es decir, el condicional
la probabilidad de B dado que A ha sucedido es igual a la probabilidad incondicional de B.
Del mismo modo, P (A | B) P (A) si A y B son independientes. Desde eq. (4-4), se puede ver que si A
y B son independientes, la ley multiplicativa general se reduce a
… 4-5 †
P ... A ∩ B † P ... A y B † P ... Un † P ... B † si A y B son independientes
Se dice que dos eventos A y B se excluyen mutuamente si no pueden suceder simultáneamente
maliciosamente La intersección de dos eventos mutuamente excluyentes es el conjunto nulo, y la probabilidad
De su intersección es cero. Notacionalmente, P ( A ∩ B ) ˆ 0 si A y B se excluyen mutuamente.
La Figura 4-4 muestra un diagrama de Venn para dos eventos mutuamente exclusivos. Tenga en cuenta que cuando A y B
son eventos mutuamente excluyentes, la probabilidad de su unión es simplemente la suma de sus
Probabilidades individuales. En otras palabras, la ley aditiva adopta la siguiente forma especial:
P ... A ∪ B † P ... Un † ‡ p si...ABy†B son mutuamente excluyentes
Si los eventos A y B se excluyen mutuamente, ¿qué podemos decir acerca de su dependencia o
¿independencia? Obviamente, si A sucede, B no puede suceder, y viceversa. Por lo tanto, si A y
B son mutuamente excluyentes, son dependientes. Si A y B son independientes, la regla aditiva.
de eq. (4-3) se convierte en
P ... A o B o ambos † P ... Un † ‡ p ... B † P ... Un † P…
... 4-6
B††
FIGURA 4-4 Eventos mutuamente exclusivos.
Página 7
155
PROBABILIDAD
Ejemplo 4-7
( a ) En la producción de placas de metal para un ensamblaje, se sabe por la experiencia pasada.

que el 5% de las placas no cumplen con el requisito de longitud. Además, a partir de registros históricos,
El 3% de las placas no cumplen con el requisito de ancho. Supongamos que no hay
dependencias entre los procesos que hacen que la longitud y los que recortan el
anchura. ¿Cuál es la probabilidad de producir una placa que cumpla tanto la longitud como la
requisitos de ancho?
Solución Sea A el resultado de que la placa cumpla con el requisito de longitud y B sea
El resultado es que la placa cumple con el requisito de ancho. De la declaración del problema,
P ( A c ) ˆ 0.05 y P ( B c ) ˆ 0.03. Entonces
P … A † ˆ 1 P … A c † ˆ 1 0.05 ˆ 0.95
P … B † ˆ 1 P … B c † ˆ 1 0.03 ˆ 0.97
Usando el caso especial de la ley multiplicativa para eventos independientes, tenemos
P ... satisfacer tanto en longitud como requisitos de ancho † P ... A ∩ B †
P ... Un † P ... B † ... ya que A y B son eventos independientes †
ˆ… 0.95 †… 0.97 † ˆ 0.9215
( b ) ¿Qué proporción de las partes no cumplirá al menos uno de los requisitos?
Solución La probabilidad requerida P (A c o B o c ambos). Usando la ley aditiva, obtenemos
P ...
A co B o ambos c † P ... A c † ‡ P ... BAc c†∩P B...c †
ˆ 0.05 ‡ 0.03… 0.03 †… 0.05 † ˆ 0.0785
Por lo tanto, el 7.85% de las partes tendrá al menos una característica (longitud, ancho o ambas), no
Cumpliendo los requisitos.
( c ) ¿Qué proporción de piezas no cumplirán con los requisitos de largo ni de ancho?
Solución Queremos encontrar P ( A c ∩ B c ).
P ...
A cB ∩ C † P A...c † B
P c…
† ˆ… 0.05 †… 0.03 † ˆ 0.0015
( d ) Supongamos que las operaciones que producen la longitud y el ancho no son independientes. Si
la longitud no satisface el requisito, provoca un posicionamiento incorrecto de la
parte durante el recorte de ancho y por lo tanto aumenta las posibilidades de no conforme
anchura. De la experiencia, se estima que si la longitud no se ajusta a la
requisito, la probabilidad de producir anchos no conformes es del 60%. Encontrar
la proporción de piezas que no se ajustarán a la longitud o al ancho
requisito.
Solución La probabilidad de interés es P ( A c ∩ B c ). El problema establece que P ( B c | A c )
0.60. Usando la forma general del derecho multiplicativo.
P ... A c ∩ B c † P ... A c † P ... B c j A c †
ˆ… 0.05 †… 0.60 † ˆ 0.03
Por lo tanto, el 3% de las piezas no cumplirán con la longitud ni los requisitos de ancho. Tenga en cuenta que este valor
es diferente de la respuesta a la parte (c), donde se asumió que los eventos eran independientes.
Página 8
( e ) En la parte (a), ¿los eventos A y B son mutuamente excluyentes?

Solución Hemos encontrado P ( A ) ˆ 0.95, P ( B ) ˆ 0.97, y P ( A ∩ B ) ˆ 0.9215. Si A y B
si fueran mutuamente excluyentes, P ( A ∩ B ) tendría que ser cero. Sin embargo, este no es el caso, ya que
P ( A ∩ B ) ˆ 0,9215. Así que A y B no son mutuamente excluyentes.
( f ) Describa dos eventos en esta configuración de ejemplo que son mutuamente excluyentes.
Los eventos de solución A y A c son exclu- sivamente exclusivos, tonameoneinstance y P ( A ∩ A c ) ˆ 0,

Porque A y A c no pueden pasar simultáneamente. Esto significa que no es posible
producir una pieza que cumpla y no cumpla con el requisito de longitud.
4-5 ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DEL PRODUCTO O PROCESO

Caracteristicas
La estadística es la ciencia que se ocupa de la recopilación, clasificación, análisis y elaboración de

inferencias a partir de datos o información. La estadística se subdivide en dos categorías: descriptiva
Estadística y estadística inferencial .
Las estadísticas descriptivas describen las características de un producto o proceso utilizando información
información recogida en él. Supongamos que hemos registrado los tiempos de servicio para 500 clientes de una manera rápida
restaurante de comida. Podemos trazar esto como un histograma de frecuencia donde el eje horizontal representa
un rango de valores de tiempo de servicio y el eje vertical denota el número de tiempos de servicio
observado en cada rango de tiempo, lo que nos daría una idea de la condición del proceso. los
El tiempo promedio de servicio para 500 clientes también podría decirnos algo sobre el proceso.
Las estadísticas inferenciales sacan conclusiones sobre productos desconocidos o parámetros de proceso basados en
en la información contenida en una muestra. Digamos que queremos probar la validez de un reclamo que
El tiempo promedio de servicio en el restaurante de comida rápida no es más de 3 minutos (min). Suponer
Encontramos que el tiempo de servicio promedio de la muestra (basado en una muestra de 500 personas) es de 3.5 minutos.
Luego necesitamos determinar si este promedio observado de 3.5 minutos es significativamente
Mayor a la media reclamada de 3 minutos.
Tales procedimientos caen bajo el encabezado de estadística inferencial. Nos ayudan a sacar conclusiones.
Sobre las condiciones de un proceso. También nos ayudan a determinar si un proceso ha mejorado.
Comparando las condiciones antes y después de los cambios. Por ejemplo, supongamos que la gestión
El restaurante de comida rápida está interesado en reducir el tiempo promedio para atender a un cliente. Ellos
Decidir agregar dos personas a su personal de servicio. Una vez implementado este cambio, muestrean 500.
Los clientes y encuentran que el tiempo promedio de servicio es de 2.8 minutos. La pregunta entonces es si esto
la disminución es una disminución estadísticamente significativa o si se debe a una variación aleatoria inherente a
muestreo. Los procedimientos que abordan tales problemas se discuten más adelante.
Recopilación de datos
Para controlar o mejorar un proceso, necesitamos información, o datos. Los datos pueden ser recogidos en varios
formas. Uno de los métodos más comunes es a través de la observación directa . Aquí, una medida.
de la característica de calidad es tomada por un observador (o automáticamente por un instrumento); para
Por ejemplo, las mediciones sobre la profundidad de la banda de rodadura en neumáticos de automóviles tomadas por un inspector son
observaciones directas. Por otro lado, los datos recopilados sobre el rendimiento de una marca en particular
Del secador de pelo a través de cuestionarios enviados por correo a los consumidores son observaciones indirectas . En esto
caso, los datos reportados por los consumidores no han sido observados por el experimentador, que ha
No hay control sobre el proceso de recopilación de datos. Por lo tanto, los datos pueden ser defectuosos porque los errores pueden
Página 9
157
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
surgen de la interpretación incorrecta de una pregunta por parte del encuestado, un error en la estimación del
período de rendimiento satisfactorio, o un grado de precisión inconsistente entre los encuestados
respuestas
Los datos sobre las características de calidad se describen mediante una variable aleatoria y se clasifican como
Continua o discreta .
Variable continua Una variable que puede asumir cualquier valor en una escala continua dentro de una
Se dice que el rango es continuo . Ejemplos de variables continuas son el diámetro del cubo del césped.
neumáticos de cortacésped, la viscosidad de una resina determinada, la gravedad específica de un tóner utilizado en
fotocopiadoras, el grosor de una placa metálica y el tiempo para admitir a un paciente para
un hospital. Tales variables son medibles y tienen valores numéricos asociados.
Variables de variables discretas que pueden asumir un número finito o infinitamente contable de valores
Se dice que son discretos . Estas variables son cuentas de un evento. El número de remaches defectuosos.
En un conjunto es una variable aleatoria discreta. Otros ejemplos incluyen el número de pintura.
imperfecciones en un automóvil, el número de condensadores de funcionamiento en un instrumento eléctrico,
y el número de clientes satisfechos en un taller de reparación de automóviles.
Los eventos de conteo generalmente cuestan menos que medir el continuo continuo
variables La variable discreta se clasifica meramente como, digamos, inaceptable o no;
Esto se puede hacer a través de un medidor de ir / no ir, que es más rápido y más barato que encontrar el exacto
mediciones. Sin embargo, el costo de recolección reducido puede ser compensado por la falta de información detallada.
Información en los datos.
A veces, las características continuas se ven como discretas para permitir la recopilación de datos más fácil
Reducción de costos de inspección. Por ejemplo, el diámetro del cubo en un neumático es en realidad un
variable aleatoria continua, pero en lugar de medir con precisión el diámetro del cubo
Por lo general, se utiliza un medidor de ir / no ir para identificar rápidamente la característica como aceptable o no.
Por lo tanto, la aceptabilidad del diámetro del cubo es una variable aleatoria discreta. En este caso, el objetivo.
No es conocer el diámetro exacto del cubo, sino saber si está dentro de ciertos límites aceptables.
limites
Precisión y precisión La precisión de un conjunto de datos o un instrumento de medición se refiere a la

grado de uniformidad de las observaciones en torno a un valor deseado tal que, en promedio, el
Se realiza el valor objetivo. Supongamos que el espesor objetivo de una placa metálica es de 5,25 mm.
La Figura 4-5a muestra la propagación de observaciones a ambos lados del valor objetivo en casi igual
FIGURA 4-5 Exactitud y precisión de las observaciones.
Página 10
dimensiones; se dice que estas observaciones son precisas. Aunque las observaciones individuales
puede ser bastante diferente del valor objetivo, un conjunto de datos se considera preciso si el promedio de un
gran cantidad de observaciones está cerca del objetivo.
Para los instrumentos de medición, la precisión depende de la calibración . Si un dispositivo de medición es
calibrado correctamente, el valor de salida promedio dado por el dispositivo para una calidad particular
característica debe, después de uso repetido, igual al valor de entrada verdadero.
La precisión de un conjunto de datos o un instrumento de medición se refiere al grado de variabilidad de
las observaciones Las observaciones pueden estar fuera del valor objetivo pero aun así ser consideradas precisas, como
se muestra en la Figura 4-5b. Un instrumento de medición sofisticado debería mostrar muy poca variación.
en los valores de salida si un valor constante se usa varias veces como entrada. Del mismo modo, sofisticado.
El equipo en un proceso debe ser capaz de producir una característica de salida con tan poco
La variabilidad como sea posible. La precisión de los datos está influenciada por la precisión de los datos.
instrumento de medición. Por ejemplo, el grosor de una placa de metal puede ser de 12,5 mm cuando
medido por los calibradores; sin embargo, un micrómetro puede producir un valor de 12,52 mm, mientras que un micrómetro
El sensor puede dar una medida de 12.523 mm.
Tener precisión y exactitud es deseable. En equipos o instrumentos de medida,
La precisión generalmente puede modificarse cambiando la configuración de un determinado ajuste. Sin embargo,
La precisión es una función inherente del propio equipo y no se puede mejorar cambiando un
ajuste.
Escalas de medida
Se utilizan cuatro escalas de medición para clasificar los datos: nominal, ordinal, intervalo y relación
escamas. Observe que cada escala se basa en la escala anterior.
1. Escala nominal. La escala de medida es nominal cuando las variables de datos son
simplemente etiquetas utilizadas para identificar un atributo del elemento de muestra. Las etiquetas pueden ser
“Conforme y no conforme” o “Crítico, mayor y menor”. Valores numéricos,
aunque asignados, no están involucrados.
2. Escala ordinal. La escala de medición es ordinal cuando los datos tienen las propiedades.
de datos nominales (es decir, etiquetas) y los datos clasifican u ordenan las observaciones. Suponer que
Los clientes de una tienda de ropa deben evaluar la calidad del servicio de la tienda. los
los clientes califican la calidad según estos criterios: 1 (sobresaliente), 2 (bueno),
3 (promedio), 4 (regular), 5 (pobre). Estos son datos ordinales. Tenga en cuenta que una calificación de 1 no lo hace
necesariamente implica que el servicio es el doble de bueno que una calificación de 2. Sin embargo, podemos decir
que una calificación de 1 es preferible a una calificación de 2, y así sucesivamente.
3. Escala de intervalo. La escala de medida es el intervalo cuando los datos tienen las propiedades.
de datos ordinales y una unidad de medida fija describe el intervalo entre observaciones.
Supongamos que estamos interesados en la temperatura de un horno utilizado en la fundición de acero.
Cuatro lecturas tomadas durante un intervalo de 2 horas son 2050, 2100, 2150 y 2200 ° F.
Obviamente, estos valores de datos se clasifican (como los datos ordinales) en orden ascendente de
temperatura, que indica la temperatura más fría, la siguiente más fría, y así sucesivamente. Promover
Más, las diferencias entre los valores clasificados se pueden comparar. Aquí el
el intervalo entre los valores de datos 2050 y 2100 representa un aumento de 50 ° F en
temperatura, al igual que los intervalos entre los valores clasificados restantes.
4. Escala de relación. La escala de medida es la relación cuando los datos tienen las propiedades de
Datos de intervalo y existe un cero natural para la escala de medición. Tanto el orden de como el
diferencia entre las observaciones se puede comparar y existe un cero natural para el
Página 11
159
escala de medición. Supongamos que los pesos de cuatro piezas fundidas son 2.0, 2.1, 2.3 y
2,5 kg. Se puede comparar el orden (ordinal) y la diferencia (intervalo) en los pesos.
Por lo tanto, el aumento de peso de 2 a 2.1 es de 0.1 kg, que es el mismo que el aumento
De 2,3 a 2,4 kg. Además, cuando comparamos los pesos de 2.0 y 2.4 kg, encontramos un
relación significativa. Una pieza de fundición que pesa 2.4 kg es un 20% más pesada que una que pesa 2.0 kg.
También hay un cero natural para la báscula: 0 kg no implica peso.
Medidas de tendencia central

En el control de calidad estadístico, los datos recopilados deben describirse para que los analistas puedan objetivamente
Evaluar el proceso o característica del producto. En esta sección describimos algunos de los puntos comunes.
Medidas numéricas utilizadas para obtener información resumida de los valores observados. Medidas de
La tendencia central nos dice algo acerca de la ubicación de las observaciones y el valor de
que agrupan y, por lo tanto, nos ayudan a decidir si la configuración de las variables de proceso debe ser
cambiado
Media La media es el promedio simple de las observaciones en un conjunto de datos. En control de calidad,
La media es una de las medidas más utilizadas. Se utiliza para determinar si, en
En promedio, el proceso está operando alrededor de un valor objetivo deseable. La media muestral , o
promedio (indicado por X ), se encuentra sumando todas las observaciones en una muestra y dividiendo por el
número de observaciones ( n ) en esa muestra. Si la observación i se denota por X i , la muestra
la media se calcula como
norte
Xi
X yo ˆ1 … 4-7 †
norte
La media poblacional (μ) se encuentra sumando todos los valores de los datos en la población y dividiendo
Por el tamaño de la población ( N ). Se calcula como
norte
Xi
μˆ yo ˆ1 … 4-8 †
norte
La media de la población a veces se denota como E ( X ), el valor esperado del azar
variable X También se le llama la media de la distribución de probabilidad de X. Probabilidad
Las distribuciones se discuten más adelante en el capítulo.
Ejemplo 4-8 Una muestra aleatoria de cinco observaciones del tiempo de espera de los clientes en un
se toma el banco Los tiempos (en minutos) son 3, 2, 4, 1 y 2. El promedio de la muestra ... X †, o media
tiempo de espera, es
3 ‡ 2 ‡ 4 ‡ 1 ‡ 2 12
X ˆ ˆ 2.4 minutos
5 5
El banco puede usar esta información para determinar si se debe mejorar el tiempo de espera
Al aumentar el número de cajeros.
Mediana La mediana es el valor en el medio cuando se clasifican las observaciones. Sí hay

son un número par de observaciones, se elige el promedio simple de los dos números del medio
como la mediana. La mediana tiene la propiedad de que el 50% de los valores son menores o iguales a ella.
Pagina 12
Ejemplo 4-9
( a ) Una muestra aleatoria de 10 observaciones de diámetros de anillos de pistón (en milímetros) produce
los siguientes valores: 52.3, 51.9, 52.6, 52.4, 52.4, 52.1, 52.3, 52.0, 52.5 y 52.5. Nosotros
Primero clasifica las observaciones:
51.9 52.0 52.1 52.3 52.3

52.4 52.4 52.5 52.5 52.6
Las observaciones en el medio son 52.3 y 52.4. La mediana es (52.3 + 52.4) / 2, o

52.35.
La mediana está menos influenciada por los valores extremos en el conjunto de datos; por lo tanto, se dice que es
Más "robusto" que la media.
( b ) Una tienda por departamentos está interesada en ampliar sus instalaciones y desea hacer una
Análisis preliminar del número de clientes que atiende. Cinco semanas son elegidas
al azar, y el número de clientes atendidos durante esas semanas fue el siguiente:
3000, 3500, 500, 3300, 3800
La mediana del número de clientes es de 3300, mientras que la media es de 2820.

investigación de la semana con 500 clientes, se encuentra que una universidad importante cuya
Los estudiantes que compran frecuentemente en la tienda estaban cerrados por vacaciones de primavera. En este caso, el
La mediana (3300) es una mejor medida de la tendencia central que la media (2820) porque
Da una mejor idea de la variable de interés. De hecho, el valor de los datos ha sido 100 en lugar de
de 500, la mediana aún sería 3300, aunque la media disminuiría aún más,
Otra demostración de la robustez de la mediana.
Valores atípicos (valores que son muy grandes o muy pequeños en comparación con la mayoría de los datos)
puntos) pueden tener una influencia significativa en la media, que se tira hacia la
valores atípicos La figura 4-6 demuestra el efecto de los valores atípicos.
Modo El modo es el valor que ocurre con más frecuencia en el conjunto de datos. Denota un
Valor “típico” del proceso.
FIGURA 4-6 Efecto de los valores atípicos en una media.
Página 13
161
Ejemplo 4-10 Una ferretería quiere determinar qué tamaño de sierras circulares debería
valores. De los datos de ventas anteriores, una muestra aleatoria de 30 muestra los siguientes tamaños (en milímetros):
80 120 100 100 150 120 80 150 120 80
120 100 120 120 150 80 120 100 120 80
100 120 120 150 120 100 120 120 100 100
Tenga en cuenta que el modo tiene la frecuencia más alta. En este caso, el modo es 120 (13 es el más grande
numero de incidentes). Por lo tanto, el gerente puede decidir almacenar más sierras de tamaño 120. Un conjunto de datos
puede tener más de un modo, en cuyo caso se dice que es multimodal .
Media recortada La media recortada es un estimador robusto de la tendencia central de un

conjunto de observaciones. Se obtiene calculando la media de las observaciones que
permanecer después de que una proporción de los valores altos y bajos hayan sido eliminados. El% α recortado
media, denotada por T (α), es el promedio de las observaciones que quedan después de recortar (o
eliminando) α% de las observaciones altas y α% de las observaciones bajas. Este es un adecuado
medir cuando se cree que los valores atípicos existentes no representan el proceso habitual
caracteristicas Por lo tanto, los analistas a veces recortan observaciones extremas causadas por un
Proceso de medición defectuoso para obtener una mejor estimación de la población central.
tendencia.
Ejemplo 4-11 El tiempo que se tarda en afinar el automóvil (en minutos) se observa aleatoriamente durante 20
Autos seleccionados. Los valores de los datos son los siguientes:
15 10 12 20 16 18 30 14 16 15
18 40 20 19 17 15 22 20 19 22
Para encontrar la media recortada del 5% [es decir, T (0.05)], primero clasifique los datos en orden creciente:
10 12 14 15 15 15 16 16 17 18
18 19 19 20 20 20 22 22 30 40
El número de observaciones (alto y bajo) que se eliminarán en cada lado es (20) (0.05) ˆ 1. Eliminar
la observación más baja (10) y la más alta (40). La media recortada (de las 18 restantes).
observaciones) es 18.222, que obviamente es más robusta que la media (18.9). Por ejemplo, si
la observación más grande de 40 había sido 60, la media recortada del 5% todavía sería 18.222.
Sin embargo, la media no recortada saltaría a 19.9.
Medidas de dispersión
Una función importante del control y mejora de la calidad es analizar y reducir la
Variabilidad de un proceso. Las medidas numéricas de ubicación que hemos descrito nos dan
Indicaciones de la tendencia central, o media, de un conjunto de datos. No nos dicen mucho sobre la
Variabilidad de las observaciones. En consecuencia, el análisis de sonido requiere una comprensión de
medidas de dispersión, que proporcionan información sobre la variabilidad, o dispersión, de la
Observaciones alrededor de un valor dado (usualmente, la media).
Rango Una medida ampliamente utilizada de dispersión en el control de calidad es el rango , que es el
diferencia entre los valores más grandes y más pequeños en un conjunto de datos. Notacionalmente, el rango R es
Página 14
definido como
RXL XS … 4-9 †
donde X L es la observación más grande y X S es la observación más pequeña.
Ejemplo 4-12 Las siguientes 10 observaciones del tiempo para recibir equipaje después de aterrizar
se toman al azar en un aeropuerto. Los valores de los datos (en minutos) son los siguientes:
15, 12, 20, 13, 22, 18, 19, 21, 17, 20
El rango R ˆ 2212 ˆ 10 minutos. Este valor nos da una idea de la variabilidad en el

observaciones La gerencia ahora puede decidir si esta propagación es aceptable.
Diferencia La varianza mide la fluctuación de las observaciones alrededor de la media. los

Cuanto mayor sea el valor, mayor será la fluctuación. La varianza poblacional σ 2 viene dada por
norte
... X i μ †2
σ 2i 1 … 4-10 †
norte
donde μ es la media de la población y N representa el tamaño de la población. La muestra
la varianza s 2 viene dada por
norte
... X i X † 2
s2 yo ˆ1 … 4-11 †
n1
donde X es la media de la muestra yn es el número de observaciones en la muestra. En la mayoría
aplicaciones, la varianza de la muestra se calcula en lugar de la varianza de la población porque
el cálculo de este último solo es posible cuando se conoce cada valor de la población.
Una versión modificada de eq. (4-11) para calcular la varianza de la muestra es
norte norte /2n

Xyo
2 Xi
s2 yo ˆ1 yo ˆ1 … 4-12 †
n1
Esta versión es a veces más fácil de usar. Implica acumular la suma de los
Las observaciones y la suma de los cuadrados de las observaciones a medida que los valores de los datos estén disponibles.
Estas dos ecuaciones son algebraicamente equivalentes.
Tenga en cuenta que al calcular la varianza de la muestra, el denominador es n 1, mientras que para el
varianza
cálculodedepoblación
la varianza
el denominador
de la muestra es N . Así, eq. (4-10) puede interpretarse como el promedio de
las desviaciones cuadradas de las observaciones de la media, y la ec. (4-11) puede ser interpretado
de manera similar, excepto por la diferencia en el denominador, donde se usa n 1 en lugar de n . Esta
la diferencia se puede explicar de la siguiente manera. Primero, una varianza poblacional σ 2 es un parámetro, mientras que
una varianza de muestra s 2 es un estimador, o una estadística. El valor de s 2 puede por tanto cambiar de
muestra a muestra, mientras que σ 2 debe ser constante.
Una propiedad deseable de s 2 es que aunque puede no ser igual a σ 2 para cada muestra, en
el promedio s 2 es igual a σ 2 . Esto se conoce como la propiedad de la imparcialidad , donde la media o
Página 15
163
FIGURA 4-7 Distribución muestral de una varianza muestral no sesgada.
FIGURA 4-8 Variabilidad de dos conjuntos de datos con el mismo rango.
El valor esperado del estimador es igual al parámetro correspondiente. Si un denominador de n 1

se utiliza para calcular la varianza de la muestra, se puede mostrar que la varianza de la muestra es una
Estimador imparcial de la varianza poblacional. Por otro lado, si se usa un denominador de n ,
en promedio, la varianza de la muestra subestima la varianza de la población.
La Figura 4-7 denota la distribución muestral (es decir, la frecuencia relativa) de s 2 calculada
utilizando eq. (4-11) o (4-12) sobre muestras repetidas. Supongamos que el valor de σ 2 es como se muestra. Si
el valor promedio de s 2 se calcula sobre muestras repetidas, será igual a la población
diferencia. Técnicamente, el valor esperado 2 de s será2igual a [es
2 decir,
2 E ( s ) ˆ σ]. Si un denominador
de n se usa en eq. (4-11) o (4-12), E ( s 2 ) será menor que σ 2 .
A diferencia del rango, que utiliza solo los valores extremos del conjunto de datos, la varianza de la muestra
Incorpora cada observación en la muestra. Dos conjuntos de datos con el mismo rango pueden tener
variabilidad diferente. Como muestra la Figura 4-8, los conjuntos de datos A y B tienen el mismo rango; sin embargo,
Su grado de variabilidad es bastante diferente. Las varianzas muestrales indicarán diferentes
Grados de fluctuación alrededor de la media. Las unidades de varianza son el cuadrado de las unidades de
Medición de los valores individuales. Por ejemplo, si las observaciones están en milímetros, la
Las unidades de varianza son milímetros cuadrados.
Desviación estándar Al igual que la varianza, la desviación estándar mide la variabilidad de

Las observaciones en torno a la media. Es igual a la raíz cuadrada positiva de la varianza. UNA
La desviación estándar tiene las mismas unidades que las observaciones y, por lo tanto, es más fácil de interpretar. Es
Probablemente la medida de dispersión más utilizada en el control de calidad. Utilizando eq. (4-10), el
Página 16
La desviación estándar de la población está dada por
norte
... X i μ †2
σˆ yo ˆ1 … 4-13 †
norte
De manera similar, la desviación estándar de la muestra s se encuentra utilizando la ec. (4-11) o (4-12) como
norte
... X i X †2
s yo ˆ1 … 4-14 †
n1
norte norte 2
Xyo
2 Xi norte
ˆ yo ˆ1 yo ˆ1 … 4-15 †
n1
Al igual que con la varianza, el conjunto de datos con la mayor desviación estándar se identificará como
Teniendo la mayor variabilidad sobre su media. Si la distribución de probabilidad del azar
La variable es conocida, una distribución normal, por ejemplo, la proporción de observaciones dentro de un
Se puede obtener cierto número de desviaciones estándar de la media. Técnicas para la obtención.
tal información se discute en la sección 4-6.
Ejemplo 4-13 Una muestra aleatoria de 10 observaciones del voltaje de salida de los transformadores es
tomado. Los valores (en voltios, V) son los siguientes:
9.2, 8.9, 8.7, 9.5, 9.0, 9.3, 9.4, 9.5, 9.0, 9.1
Utilizando eq. (4-7), la media de la muestra X es 9.16 V.
La tabla 4-1 muestra los cálculos. De la mesa, ... X i X † 2 ˆ 0.644. La muestra
la variación está dada por
s2 ... X i X †2 ˆ 0.644 ˆ 0.0716 V 2

n1 9
TABLA 4-1 Cálculo de la varianza de la muestra usando la ec. (4-11) o (4-12)

Desviación de la media, desviación al cuadrado,
Xi Xyo
2 Xi X ... X iX † 2
9.2 84.64 0.04 0.0016
8.9 79.21 0.26 0.0676
8,7 75.69 0.46 0.2116
9.5 90.25 0.34 0.1156
9.0 81.00 0.16 0.0256
9.3 86.49 0.14 0.0196
9.4 88.36 0.24 0.0576
9.5 90.25 0.34 0.1156
9.0 81.00 0.16 0.0256
9.1 81.81 0.06 0.0036
X i ˆ 91.60 Xi 2ˆ 839.70 ... X iX † ˆ 0 ... X iX † 2 ˆ 0.644
Página 17
165
La desviación estándar de la muestra dada por eq. (4-14) es

pag
s 0.0716 ˆ 0.2675 V
A continuación, utilizando eq. (4-12) (los cálculos se muestran en la Tabla 4-1), se da la varianza de la muestra
por
Xyo
2 ... X i †2/ n
s2
n1
839,70 ... 91.60 † 2 /10
ˆ
9
ˆ 0.0716 V 2
La desviación estándar de la muestra s es de 0.2675 V, como antes.
Rango intercuartil El cuartil inferior, Q 1 , es el valor tal que una cuarta parte de la
las observaciones caen debajo de ella y las tres cuartas partes caen sobre ella. El cuartil medio es la mediana—
La mitad de las observaciones caen debajo y la mitad arriba. El tercer cuartil, Q 3 , es el valor tal que
tres cuartas partes de las observaciones caen debajo de ella y una cuarta parte arriba de ella.
El rango intercuartil (IQR) es la diferencia entre el tercer cuartil y el primer cuartil
cuartilla. Así,
IOR Q 3 Q1 … 4-16 †
Observe en la Figura 4-9 que el IQR contiene el 50% de las observaciones. Cuanto mayor sea el valor IQR,
Cuanto mayor sea la propagación de los datos. Para encontrar el IQR, los datos se clasifican en orden ascendente; Q 1 es
ubicado en el rango 0.25 ( n + 1), donde n es el número de puntos de datos en la muestra, y Q 3 es
Ubicado en el rango 0.75 ( n + 1).
FIGURA 4-9 Rango intercuartil para una distribución.
Página 18
Ejemplo 4-14 Una muestra aleatoria de 20 observaciones sobre el tiempo de soldadura (en minutos) de un
La operación da los siguientes valores:
2.2 2.5 1.8 2.0 2.1 1.7 1.9 2.6 1.8 2.3
2.0 2.1 2.6 1.9 2.0 1.8 1.7 2.2 2.4 2.2
Primero vamos a encontrar las ubicaciones de Q 1 y Q 3 :
ubicación de Q 1 ˆ 0.25… n ‡ 1 † ˆ… 0.25 †… 21 † ˆ 5.25

ubicación de Q 3 ˆ 0.75… n ‡ 1 † ˆ… 0.75 †… 21 † ˆ 15.75
Ahora vamos a clasificar los valores de los datos:

Ubicación de Q ˆ 5.25
1 Ubicación de Q ˆ 15.75
3
Rango 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Valor de datos 1.7 1.7 1.8 1.8 1.8 1.9 1.9 2.0 2.0 2.0 2.1 2.1 2.2 2.2 2.2 2.3 2.4 2.5 2.6 2.6
Q ˆ 1.825
1 Q ˆ 2.275
3
Por lo tanto, la interpolación lineal produce un Q 1 de 1.825 y un Q 3 de 2.275. El rango intercuartil es

entonces
IQR Q 3 Q1
ˆ 2.275 1.825 ˆ 0.45 minuto
Medidas de sesgo y kurtosis.

Además de la tendencia central y la dispersión, se utilizan otras dos medidas para describir los datos.
Conjuntos: el coeficiente de asimetría y el coeficiente de curtosis.
Coeficiente de sesgo El coeficiente de asimetría describe la asimetría del conjunto de datos

sobre la media. El coeficiente de asimetría se calcula de la siguiente manera:
norte
... X i X †3
norte yo ˆ1
γ1 … 4-17 †
... n 1 † ... n 2 † s 3
En la Figura 4-10, la parte (a) es una distribución sesgada negativamente (sesgada a la izquierda), la parte (b) es
sesgado positivamente (sesgado a la derecha), y la parte (c) es simétrica respecto a la media. los
el coeficiente de asimetría es cero para una distribución simétrica, porque [como se muestra en la parte (c)] la
La media y la mediana son iguales. Para una distribución sesgada positivamente, la media es mayor que
la mediana porque unos pocos valores son grandes comparados con los otros; el coeficiente de asimetría
Será un número positivo. Si una distribución está sesgada negativamente, la media es menor que la
mediana porque los valores atípicos son muy pequeños en comparación con los otros valores, y la asimetría
El coeficiente será negativo. El coeficiente de asimetría indica el grado en que un
La distribución se desvía de la simetría. Se utiliza para conjuntos de datos que son unimodales (es decir, tienen
un modo) y tienen un tamaño de muestra de al menos 100. Cuanto mayor sea la magnitud de la asimetría
cuanto más fuerte es el caso para rechazar la noción de que la distribución es simétrica.
Página 19
167
FIGURA 4-10 Distribuciones simétricas y sesgadas.
Coeficiente de Kurtosis
La curtosis es una medida del grado máximo de conjunto de datos. Tambien es
visto como una medida de la "pesadez" de las colas de una distribución. El coeficiente de curtosis es
dada por
norte
... X i X † 4
n ... n ‡ 1 † 3… n 1 † 2
γ 2 ... n 1 † ... n 2 † ... n 3 yo ˆ1
† s4 ... n 2 † ... n 3 †
… 4-18 †
El coeficiente de curtosis es una medida relativa. Para distribuciones normales (discutidas en profundidad
más tarde), el coeficiente de kurtosis es cero. La figura 4-11 muestra una distribución normal ( mesocurtica ), una
distribución que tiene un pico mayor que el normal ( leptokurtic ), y una que tiene un pico menor que el normal
Lo normal ( platykurtic ). Para una distribución leptokurtica, el coeficiente de curtosis es mayor que
cero. Cuanto más pronunciado sea el pico, mayor será el valor del coeficiente de curtosis. por
En las distribuciones platykurtic, el coeficiente de kurtosis es menor que cero. El coeficiente de curtosis.
solo debe utilizarse para hacer inferencias en un conjunto de datos cuando el tamaño de la muestra es de al menos 100 y
La distribución es unimodal.
Ejemplo 4-15 Se selecciona aleatoriamente una muestra de 50 bobinas para usar en un circuito eléctrico,
y la resistencia de cada uno se mide (en ohmios). De los datos en la Tabla 4-2, la media muestral
X se encuentra para ser
1505.5
X ˆ 30.11
50
Página 20
FIGURA 4-11 Distribuciones con diferentes grados de pico.
TABLA 4-2 Resistencia de los datos de la bobina

Observación, yo
Resistencia, X Observación, yo
i Resistencia, X Observación, yo
iResistencia, X i
1 35.1 18 25.8 35 31.4

2 35.4 19 26.4 36 28.5
3 36.3 20 25.6 37 28.4
4 38.8 21 33.1 38 27.6
5 39.0 22 33.6 39 27.6
6 22.5 23 32.3 40 28.2
7 23.7 24 32.6 41 30.8
8 25.0 25 32.2 42 30.6
9 25.3 26 27.5 43 30.4
10 25.0 27 26.5 44 30.5
11 34.7 28 26.9 45 30.5
12 34.2 29 26.7 46 28.5
13 34.4 30 27.2 47 30.2
14 34.7 31 31.8 48 30.1
15 34.3 32 32.1 49 30.0
dieciséis 26.4 33 31.5 50 28.9
17 25.5 34 31.2
Página 21
169
Usando los datos, se obtienen los siguientes valores:
... X i X † 2 ˆ 727.900, ... X i X † 3 ˆ 736.321, ... X i X † 4 ˆ 26151.892
La desviación estándar de la muestra se calcula como
727.900
s ˆ 3.854
49
El coeficiente de asimetría es
50 736.321
γ1 ˆ 0.273
... 49 † ... 48 † ... 3.854 † 3
El coeficiente de asimetría positivo indica que la distribución de los puntos de datos es ligeramente
sesgado a la derecha. El coeficiente de curtosis es
… 50 †… 51 † 26, 151.892… 3 †… 49 † 2
γ2 ˆ 0.459
… 49 †… 48 †… 47 †… ...
3.854
48 ††...
4 47 †
Esto implica que la distribución dada es menos pico que una distribución normal.
Ejemplo 4-16 Para los datos de resistencia de la bobina que se muestran en la Tabla 4-2, todas las descripciones anteriores
Las estadísticas se pueden obtener utilizando Minitab. Los comandos a utilizar son Stat> Basic.
Estadísticas> Mostrar estadísticas descriptivas . En el cuadro Variables , ingrese el número de columna
o nombre de la variable (en este caso, Resistencia ). Al hacer clic en el botón Estadísticas en el
En el cuadro de diálogo, puede elegir las estadísticas que se mostrarán. Haga clic en Aceptar . La salida se muestra en
Figura 4-12.
La media y la desviación estándar de la resistencia de las bobinas son 30.11 y 3.854,
respectivamente, y la mediana es 30.3. Los valores mínimo y máximo son 22.5 y 39.0,
respectivamente, y el IQR es 5.875. Los coeficientes de asimetría y kurtosis son 0.27 y 0.46,
haciendo coincidir los valores previamente calculados.
Medidas de asociacion
Las medidas de asociación indican cómo dos o más variables están relacionadas entre sí. por
instancia, a medida que aumenta una variable, ¿cómo influye en otra variable? Pequeños valores de la
Las medidas de asociación indican una relación inexistente o débil entre las variables,
y los grandes valores indican una relación fuerte.
FIGURA 4-12 Estadísticas descriptivas de la resistencia de la bobina con Minitab.
Página 22
Coeficiente de correlaciónUn coeficiente de correlación es una medida de la fuerza de la lineal

Relación entre dos variables en datos bivariados. Si dos variables son denotadas por X e Y ,
el coeficiente de correlación r de una muestra de observaciones se encuentra en
norte
... X i X † ... YYi †
r yo ˆ1 … 4-19 †
norte norte
... X i X † 2 ... Y i Y † 2
yo ˆ1 yo ˆ1
donde X i e Y i indican las coordenadas de la observación i th, X es la media muestral de la

Los valores de X i , Y es la media muestral de los valores de Y i , y n es el tamaño de la muestra. Una alternativa
La versión para calcular el coeficiente de correlación de la muestra es
X i Y i ... X i † ... S i † / n … 4-20 †

r
‰ X 2 … X i † 2 / n ŠY‰2 … S i † 2 / n Š
yo yo
El coeficiente de correlación de muestra r siempre está entre 1 y 1. Un valor r de 1 denota un

perfecta relación lineal positiva entre X y Y . Esto significa que, a medida que X aumenta, Y
Aumenta linealmente y, a medida que X disminuye, Y disminuye linealmente. Del mismo modo, un valor r de 1
indica una relación lineal negativa perfecta entre X y Y . Si el valor de r es cero, los dos
las variables X e Y no están correlacionadas, lo que implica que si X aumenta, realmente no podemos decir cómo
Y cambiaría. Un valor de r que está cerca de cero indica que la relación entre
Las variables son débiles.
La Figura 4-13 muestra gráficos de datos bivariados con diferentes grados de fuerza de la lineal
relación. Figura 4-13a muestra una relación lineal positiva perfecta entre X y Y . Como X
aumenta, Y muy definitivamente aumenta linealmente, y viceversa. En la Figura 4-13c, X e Y son
Se correlacionó positivamente (por ejemplo, con un coeficiente de correlación de 0,8) pero no está perfectamente relacionado. Aquí,
en general, a medida que X aumenta, Y tiende a aumentar, y viceversa. Analogías similares pueden ser
dibujado para las Figuras 4-13b y d, donde X e Y están correlacionadas negativamente. En la Figura 4-13e, note
que no es evidente lo que sucede con Y a medida que X aumenta o disminuye. Ninguna tendencia general puede ser
establecido a partir de la trama, y X e Y no están correlacionados o están muy débilmente relacionados.
Las pruebas estadísticas están disponibles para probar la importancia del coeficiente de correlación de la muestra
y para determinar si el coeficiente de correlación de la población es significativamente diferente de
cero (Neter et al. 2005), como se explica más adelante en el capítulo.
Ejemplo 4-17 Considere los datos que se muestran en la Tabla 4-3 sobre la profundidad de corte y el desgaste de la herramienta (en
milímetros) en una operación de fresado. Para encontrar la fuerza de la relación lineal entre estos.
Dos variables, necesitamos calcular el coeficiente de correlación.
Usando Minitab, elija Estadísticas> Estadísticas básicas> Correlación . En Variables , ingrese el
Número de columna o nombres de las dos variables, Profundidad y Desgaste de la herramienta . Haga clic en Aceptar . los
La salida de Minitab muestra el coeficiente de correlación como 0.915, lo que indica un fuerte
Relación lineal positiva entre la profundidad de corte y el desgaste de la herramienta. Además, Minitab prueba la
hipótesis nula ( H 0 : ρ ˆ 0) frente a la hipótesis alternativa ( H a : ρ ˆ6 0), donde ρ denota
el coeficiente de correlación de la población e informa un valor de probabilidad ( valor p ) de 0.000.
Como discutimos en la Sección 4-7, si el valor p es pequeño en relación con un nivel elegido de
Página 23
171
FIGURA 4-13 Diagramas de dispersión que indican diferentes grados de correlación.
Significado, rechazamos la hipótesis nula. Entonces, aquí, para un nivel de significación elegido (α)
de 0.05 (digamos), rechazamos la hipótesis nula.
Ejemplo 4-18 Ahora vamos a usar los datos de la operación de fresado en la Tabla 4-3 para obtener un resumen
estadísticas descriptivas. Los datos se ingresan en dos columnas para las variables Profundidad y Herramienta.
Desgaste . En el menú de Windows de Minitab, elija Estadísticas> Estadísticas básicas> Gráficas
Resumen . Ahora, seleccione la variable que desea describir, por ejemplo, Profundidad .
En la Figura 4-14 se muestra un ejemplo de salida de Minitab del resumen gráfico. El significado
y la desviación estándar de la profundidad de corte son 3.527 y 1.138, lo que indica la ubicación y
Medidas de dispersión, respectivamente. El primer y tercer cuartil son 2.45 y 4.45,
respectivamente, con un rango intercuartil de 2.0, dentro del cual el 50% de las observaciones
están contenidas. También se muestran los coeficientes de sesgo y kurtosis. El coeficiente de asimetría.
es 0.034, lo que indica que la distribución está cerca de ser simétrica, aunque ligeramente
sesgado negativamente Un valor de kurtosis de 1.085 indica que la distribución es menos pico
Que la distribución normal, que tendría un valor de cero. El resumen gráfico.
Página 24
TABLA 4-3 Datos de operación de fresado

Observación, i Profundidad deDesgaste
corte, X de laObservación,
iherramienta,i YProfundidad de
i Desgaste
corte, Xde la herramienta, Y
i i
1 2.1 0.035 21 5.6 0.073

2 4.2 0.041 22 4.7 0.064
3 1.5 0.031 23 1.9 0.030
4 1.8 0.027 24 2.4 0.029
5 2.3 0.033 25 3.2 0.039
6 3.8 0.045 26 3.4 0.038
7 2.6 0.038 27 3.8 0.040
8 4.3 0.047 28 2.2 0.031
9 3.4 0.040 29 2.0 0.033
10 4.5 0.058 30 2.9 0.035
11 2.6 0.039 31 3.0 0.032
12 5.2 0.056 32 3.6 0.038
13 4.1 0.048 33 1.9 0.032
14 3.0 0.037 34 5.1 0.052
15 2.2 0.028 35 4.7 0.050
dieciséis 4.6 0.057 36 5.2 0.058
17 4.8 0.060 37 4.1 0.048
18 5.3 0.068 38 4.3 0.049
19 3.9 0.048 39 3.8 0.042
20 3.5 0.036 40 3.6 0.045
Produce cuatro parcelas. La primera es una distribución de frecuencia con la curva normal superpuesta.
en eso. Los intervalos de confianza que se muestran se analizan en la Sección 4-7, al igual que el valor de p y la
La hipótesis de las pruebas asociadas con ella. El diagrama de caja que se muestra en la Figura 4-14 se discute en
Capítulo 5.
FIGURA 4-14 Resumen gráfico de una profundidad de corte variable.
Página 25
173
DISTRIBUCIONES DE PROBABILIDAD
4-6 DISTRIBUCIONES DE PROBABILIDAD
Los datos de la muestra se pueden describir con histogramas de frecuencia o variaciones de los mismos (como los valores relativos
frecuencia o frecuencia acumulativa, que discutiremos más adelante). Valores de datos en una población.
Se describen por una distribución de probabilidad. Como se señaló anteriormente, las variables aleatorias pueden ser
discreta o continua. Para variables aleatorias discretas, una distribución de probabilidad muestra
Los valores que la variable aleatoria puede asumir y sus probabilidades correspondientes.
Algunos ejemplos de variables aleatorias discretas son el número de defectos en un ensamblaje, el
número de clientes atendidos durante un período de tiempo, y el número de clientes aceptables
compresores
Las variables aleatorias continuas pueden tomar un número infinito de valores, por lo que la probabilidad
La distribución se suele expresar como una función matemática de la variable aleatoria. Esta
Esta función se puede usar para encontrar la probabilidad de que la variable aleatoria esté entre ciertos
límites. Casi todas las variables para las cuales se pueden obtener mediciones numéricas son
De naturaleza continua: por ejemplo, el tiempo de espera en un banco, el diámetro de un tornillo, el
La resistencia a la tracción de un cable, o la gravedad específica de un líquido.
Para una variable aleatoria discreta X , que toma los valores x 1 , x 2 , y así sucesivamente, una probabilidad
La función de distribución p ( x ) tiene las siguientes propiedades:
1. p ... x i † 0 para todo i , donde p ... x i † P ... X x i †, i 1, 2, ...

2. p…xi†ˆ1
todo yo
Cuando X es una variable aleatoria continua, la función de densidad de probabilidad está representada por
f ( x ), que tiene las siguientes propiedades:
segundo
1. f … x † 0 para todas las x , donde P … a x b †f … x † dx
1 una
2. f … x † dx ˆ 1
1
Tenga en cuenta la similitud de estas dos propiedades con las de las variables aleatorias discretas.
Ejemplo 4-19 Sea X una variable aleatoria que representa el número de defectuoso
Soldaduras en una placa de circuito impreso. La distribución de probabilidad de la variable aleatoria discreta.
X puede ser dado por
X 0 1 2 3
p(x) 0.3 0.4 0.2 0.1
Esta tabla daPor
probabilidades los ejemplo,
valores tomados por
P ( X ˆ 1) la variable
ˆ 0.4; es decir,aleatoria y susde
hay un 40% correspondientes
probabilidad de encontrar uno
soldadura defectuosa Una gráfica de la distribución de probabilidad de esta variable aleatoria discreta es
se muestra en la Figura 4-15.
Ejemplo 4-20 Considere una variable aleatoria continua X que representa el tiempo necesario para
ensamblar una parte. Se sabe que la variable X está entre 0 y 2 minutos, y su probabilidad
Página 26
FIGURA 4-15 Distribución de probabilidad de una variable aleatoria discreta.
función de densidad (pdf), f ( x ), está dada por

X
f … x † ˆ, 0 < x 2
2
La gráfica de esta función de densidad de probabilidad se muestra en la Figura 4-16. Tenga en cuenta que
2 2x
f ... x † dx dx ˆ 1
0 0 2
FIGURA 4-16 Función de densidad de probabilidad, 0 < x 2.
Página 27
175
La probabilidad de que X esté entre 1 y 2 es
2x 3
P…1X2† dx
1 2 4
Función de distribución acumulativa
La función de distribución acumulada (cdf) generalmente se denota por F ( x ) y representa la
probabilidad de que la variable aleatoria X tome un valor menor o igual que x , es decir,
F ... x † P ... X x †
Para una variable aleatoria discreta,
F … x † p … x i † para x i x … 4-21 †
todo yo
Si X es una variable aleatoria continua,
X
F…x† f … t † dt … 4-22 †
1
Tenga en cuenta que F ( x ) es una función no decreciente de x tal que
lim F ... x † ˆ 1 y lim F … x † ˆ 0

x→1 x→1
Valor esperado
El valor esperado o la media de una variable aleatoria está dada por
μ E ... X † x i p ... x i † si X es discreta … 4-23 †

todo yo
y
1
μ E ... X † xf … x † dx si X es continua … 4-24 †
1
La varianza de una variable aleatoria X está dada por
Var ... X † E ‰ ... X2 Šμ †

E ... X 2 † ‰ E ...2X † Š … 4-25 †
Ejemplo 4-21 Para la distribución de probabilidad del Ejemplo 4-19, con respecto a la defectuosa
soldaduras, la media μ o valor esperado E ( X ) está dada por
μ E ... X † x i p ... x i †
todo yo
ˆ… 0 †… 0.3 † ‡… 1 †… 0.4 † ‡… 2 †… 0.2 † ‡… 3 †… 0.1 † ˆ 1.1
La varianza de X es
σ 2 Var ... X † E ... X 2 † ‰ E 2... X † Š
Página 28
Primero, E ( X 2 ) se calcula de la siguiente manera:
E … X 2 † x2i p ... x i †
todo yo
ˆ… 02†… 0.3 † 2‡… 1 †… 20.4 † ‡… 22†… 0.2 † ‡… 3 †… 0.1 † ˆ 2.1
Asi que
Var… X † ˆ 2.1… 1.1 † 2 ˆ 0.89

pag
Por lo tanto, la desviación estándar de X es
0,89
σ ˆ 0,943.
Ejemplo 4-22 Para la función de distribución de probabilidad en el Ejemplo 4-20, con respecto a una parte
tiempo de montaje, la media μ, o el valor esperado E ( X ), viene dado por
1 2 X
E…X† xf ... x † dx x dx
1 0 2
23
ˆ ˆ 1.333 minutos
6
Por lo tanto, el tiempo de montaje medio para esta parte es 1.333 minutos.
Distribuciones discretas
La clase discreta de distribuciones de probabilidad trata con aquellas variables aleatorias que pueden tomar
en un número finito o infinitamente contable de valores. Varias distribuciones discretas tienen
aplicaciones en control de calidad, tres de las cuales se discuten en esta sección.
Distribución hipergeométricaUna distribución hipergeométrica es útil en el muestreo de
población (o lote) infinita sin reemplazo (es decir, sin volver a colocar los elementos de la muestra)
en la población) cuando los elementos o resultados pueden clasificarse en uno de dos grupos
(generalmente llamado éxito y fracaso ). Si consideramos encontrar un artículo no conforme a
éxito, la distribución de probabilidad del número de elementos no conformes ( x ) en el
muestra es dada por
re DAKOTA DEL NORTE

X nx
p…x† , x ˆ 0, 1, 2, ..., min ... n , D † … 4-26 †
norte
norte
donde D ˆ número de elementos no conformes en la población, N ˆ tamaño de la población,

n ˆ tamaño de la muestra, x ˆ número de elementos no conformes en la muestra,rey ˆ
X
combinación de elementos D tomados x a la vez, D ! /… x !… D x †! †.
Página 29
177
El factorial de un entero positivo x se escribe como x ! X ( x - 1) ( x - 2) ∙∙∙ 3 2 1, y 0! es

definido como 1. La media (o valor esperado) de una distribución hipergeométrica viene dada por
Dakota del Norte … 4-27 †
μ E ... X †
norte
La varianza de una variable aleatoria hipergeométrica está dada por
Dakota del
DNNorte
n … 4-28 †
σ 2 ˆ Var… X † 1
norte NN 1
Ejemplo 4-23 Una gran cantidad de 20 chips contiene 5 no conformes. Si un inspector al azar
muestras de 4 artículos, encuentre la probabilidad de 3 chips no conformes.
Solución En este problema, N ˆ 20, D ˆ 5, n ˆ 4 y x ˆ 3.
5 15
3 1
P…Xˆ3† ˆ 0.031
20
4
Usando Minitab, haga clic en Calc> Distribuciones de probabilidad> Hipergeométrica . los

Existe la opción de seleccionar uno de los tres siguientes: Probabilidad , que representa al individuo
probabilidad de la toma variable sobre un valor elegido ( x ) [es decir, P ( X x )]; Acumulativo
probabilidad , que representa P ( X x ); y la probabilidad acumulada inversa , que
representa el valor de una de tal manera que P ( X un ) b , donde b es la probabilidad acumulada especificado.
Aquí, seleccionamos Probabilidad . Ingrese el tamaño de la Población como 20, Recuento de eventos en la población
como 5, y Tamaño de muestra como 4. Seleccione Constante de entrada e ingrese el valor de 3. Haga clic en Aceptar . Minitab
salidas P ( X ˆ 3) ˆ 0.03096.
Distribución binomial Considere una serie de ensayos independientes en los que cada ensayo da como resultado
Uno de los dos resultados. Estos resultados se etiquetan como un éxito o un fracaso. los
Se asume que la probabilidad p de éxito en cualquier prueba es constante. Sea X el número de
éxitos si n tales pruebas se llevan a cabo. Entonces la probabilidad de x éxitos viene dada por
norteX
p…x† p … 1 p nx
†, x ˆ 0, 1, 2, ..., n … 4-29 †
X
y se dice que X tiene una distribución binomial . La media de la variable aleatoria binomial es
dada por
μ E ... X † np … 4-30 †
y la varianza se expresa como
σ 2 Var ... X † np ... 1 p † … 4-31 †
Una distribución binomial es una distribución que utiliza los dos parámetros n y p . Si los valores de
estos parámetros son conocidos, toda la información asociada con la distribución binomial puede ser
determinado. Tal distribución es aplicable al muestreo sin reemplazo de un
población (o lote) que es grande en comparación con la muestra o con muestreo con reemplazo
Página 30
De una población finita. También se utiliza para situaciones en las que los elementos se seleccionan de una
proceso en curso (es decir, el tamaño de la población es muy grande). Tablas de binomio acumulativo
Las probabilidades se muestran en el Apéndice A-1.
Ejemplo 4-24 Se estima que un proceso de fabricación produce un 5% de artículos no conformes.

Si se elige una muestra aleatoria de cinco elementos, encuentre la probabilidad de obtener dos
artículos.
Solución Aquí, n ˆ 5, p ˆ 0.05 (si el éxito se define como obtener un elemento no conforme),
y x ˆ 2.
5 … 0.05 2 †… 0.95 † 3 ˆ 0.021
P…Xˆ2†
2
Esta probabilidad se puede verificar utilizando el Apéndice A-1.
P ... X 2 † P ... X 2 † P ... X 1 †

ˆ 0.999 0.977 ˆ 0.022
La discrepancia entre los dos valores se debe al redondeo de los valores del Apéndice A-1 a
tres decimales Usando el Apéndice A-1, la distribución de probabilidad completa de X , la
Número de elementos no conformes, se puede obtener:
X 0 1 2 3 4 5
p(x) 0.774 0.203 0.022 0.001 0.000 0.000
El número esperado de elementos no conformes en la muestra es

μ E ... X † ... 5 ... † † 0,05 0,25 elemento
mientras que la varianza es
σ 2 ˆ… 5 †… 0.05 †… 0.95 † ˆ 0.2375 artículo 2
Para generar la distribución de probabilidad de X usando Minitab, primero cree una hoja de trabajo
usando una columna para representar los valores de la variable aleatoria X (es decir, 0, 1, 2, 3, 4 y 5). Hacer clic
en Calc> Distribuciones de probabilidad> Binominal . Seleccione Probabilidad e ingrese la
Número de intentos como 5 y probabilidad de evento como 0.05. Seleccione la columna de entrada , e ingrese la
número de columna o el nombre de la variable X . Haga clic en Aceptar . Minitab saca la probabilidad
Distribución de X , que coincide con los valores calculados previamente.
Las principales diferencias entre las distribuciones binomial e hipergeométrica son las siguientes:
Los ensayos son independientes en una distribución binomial, mientras que no están en una hipergeométrica
uno; La probabilidad de éxito en cualquier prueba permanece constante en una distribución binomial pero no
así que en una hipergeométrica. Una distribución hipergeométrica se acerca a una distribución binomial.
como N → 1 y D / N permanece constante.
La proporción de elementos no conformes en la muestra se usa frecuentemente en estadísticas
control de calidad. Esto puede expresarse como
X
^Pn
Página 31
179
donde X tiene una distribución binomial con los parámetros n y p y x denota un observado
valor de x . La distribución de probabilidad de ^ p se obtiene usando
X
P ... ^ p un † P un P ... x na †
norte
d na enorte
ˆ pX… 1 p nx
† … 4-32 †
X
x ˆ0
whered na e es el mayor entero menor o igual que na . Se puede demostrar que la media de ^ p es p
y que la varianza de ^ p está dada por
p…1p†
Var… ^ p †
norte
Distribución de veneno Se utiliza una distribución de Poisson para modelar el número de eventos que
sucede dentro de una unidad de producto (número de remaches defectuosos en el ala de un avión), espacio o volumen
(manchas por 200 metros cuadrados de tela), o período de tiempo (averías de la máquina por mes).
Se supone que los eventos suceden aleatoriamente e independientemente.
La variable aleatoria de Poisson se denota por X . Un valor observado de X está representado por x .
La función de distribución de probabilidad (o masa) del número de eventos ( x ) viene dada por
miλ λ x
p…x† , x ˆ 0, 1, 2, ... … 4-33 †
x!
dondeλes la media o la cantidad promedio de eventos que ocurren sobre el producto, el volumen o el tiempo
período especificado El símbolo e representa la base de logaritmos naturales, que es igual a
alrededor de 2.7183. La distribución de Poisson tiene un parámetro, λ. La media y la varianza de la
Las distribuciones de Poisson son iguales y están dadas por
μˆσ2ˆλ … 4-34 †
La distribución de Poisson se usa a veces como una aproximación al binomio.

la distribución cuando n es grande ( n → 1) y p es pequeña ( p → 0), de modo que np ˆ λ es constante.
Es decir, se puede usar una distribución de Poisson cuando se cumple todo lo siguiente:
1. El número de posibles incidencias de defectos o no conformidades por unidad es grande.

2. La probabilidad o probabilidad de que ocurra un defecto o una no conformidad es pequeña ( p → 0).
3. El número promedio de defectos o no conformidades por unidad es constante.
El Apéndice A-2 enumera las probabilidades acumuladas de Poisson para varios valores de λ
Ejemplo 4-25 Se estima que el número promedio de defectos de superficie en 20 m 2 de papel

producido por un proceso es 3. ¿Cuál es la probabilidad de encontrar no más de dos defectos en
¿40 m 2 de papel por selección al azar?
Página 32
Solución Aquí, una unidad es de 40 m 2 de papel. Entonces, λ es 6 porque el número promedio de

defectos de superficie por 40 m 2 es 6. La probabilidad es
P ... X 2 † P ... X 0 † ‡ P ... X 1 † ‡ P ... X 2 †
6 6 6
ˆ e … 6 0‡† e … 6 ‡1 † e … 6 2 †ˆ 0.062
0! 1! 2!
Para calcular esta probabilidad usando Minitab, haga clic en Calc> Distribuciones de probabilidad>
Poisson . Seleccione la probabilidad acumulada e ingrese el valor de la media como 6. Seleccione la entrada
constante e ingrese el valor como 2. Haga clic en Aceptar . Salidas de Minitab P ( X 2) ˆ 0.0619688.
El Apéndice A-2 también da esta probabilidad como 0.062. La media y varianza de la distribución.
son iguales a 6. Usando el Apéndice A-2, la distribución de probabilidad es la siguiente:
X 0 1 2 3 4 5 6 7 8
p ( x ) 0.002 0.015 0.045 0.089 0.134 0.161 0.160 0.138 0.103
X 9 10 11 12 13 14 15 dieciséis
p(x) 0.069 0.041 0.023 0.011 0.005 0.003 0.000 0.000
Distribuciones continuas
Las variables aleatorias continuas pueden asumir un número infinito de valores sobre un infinito o infinito
distancia. La distribución de probabilidad de una variable aleatoria continua X a menudo se denomina
Función de densidad de probabilidad f ( x ). El área total bajo la función de densidad de probabilidad es 1.
Distribución normal La distribución más utilizada en la teoría de la calidad estadística.
El control es la distribución normal . La función de densidad de probabilidad de un azar normal.
la variable está dada por
1 … X μ2†
f … x † ˆp exp , 1 < x <1 … 4-35 †
2πσ 2σ 2
donde μ es la media de la población y σ es la desviación estándar de la población.
Los dos parámetros de una distribución normal son la media y la varianza (o estándar).
desviación). Tenga en cuenta que la varianza σ 2 es el cuadrado de la desviación estándar. La figura 4-17 muestra
FIGURA 4-17 Distribución normal.
Página 33
181
FIGURA 4-18 Efectos de los parámetros μ2y σ sobre la distribución normal.
La función de densidad de probabilidad normal. El efecto de los parámetros μ yσ 2 sobre la forma de la

la función de densidad de probabilidad se muestra en las Figuras 4-18a y b. Un cambio en la media μ provoca una
Cambio en la ubicación de la distribución. A medida que aumenta la media, la distribución se desplaza a la
a la derecha, y a medida que la media disminuye, la distribución se desplaza hacia la izquierda. Como la varianzaσ 2 (o estándar
desviación) aumenta, la propagación sobre la media aumenta. Una distribución normal es simétrica.
sobre la media es decir, la media, la mediana y el modo son iguales.
La desviación estándar es muy importante en una distribución normal. La proporcion
de los valores de la población que caen en el rango μ ± σ es 68.26%. Del mismo modo, el 95,44% del total.
el área está dentro de μ ± 2σ, y el 99.74% del área está entre μ ± 3σ.
Encontrar el área bajo una curva normal requiere integrar eq. (4-35) dentro de lo prescrito
Límites de la variable aleatoria, una tarea bastante complicada. Afortunadamente, mesas ya construidas.
nos permiten encontrar esta área. Tenga en cuenta que debido a que la forma de la función de densidad cambia con
cada combinación posible de μ y σ 2 , es imposible tabular áreas para cada concebible
distribución normal. Sin embargo, el área dentro de ciertos límites para cualquier distribución normal.
se puede encontrar buscando áreas tabuladas para una distribución normal estándar . los
La variable aleatoria normal estandarizada Z está dada por
Z Xμ … 4-36 †
σ
El valor z , o valor estandarizado, es el número de desviaciones estándar que un crudo, o

observado, el valor x es de la media. El valor z puede ser positivo o negativo. Si el valor z es
positivo, el valor bruto está a la derecha de la media, mientras que los valores z negativos indican puntos
la izquierda de la media. En la media, el valor z es 0. La distribución de la normalización normalizada
la variable aleatoria tiene una media de 0 y una varianza de 1. Se representa como una variable N (0, 1),
donde el primer parámetro representa la media y el segundo la varianza y su densidad
la función está dada por
1
f … z † ˆp e z /2
, 2 1 < z <1 … 4-37 †
2π
Página 34
FIGURA 4-19 Distribuciones normales.
La función de distribución acumulada de Z es

z
Φ ... z † F ... z † f … t † dt … 4-38 †
1
Las figuras 4-19a y b muestran la distribución normal estándar y su relación con el crudo
la variable X .
Apéndice A-3 da los valores para la función de distribución acumulativa de Z . Lo normal
la distribución tiene la propiedad de que el área entre ciertos límites a y b para una variable X es la
misma que el área entre los valores normalizados para un y b bajo la normal estándar
distribución. Por lo tanto, solo necesitamos un conjunto de tablas, aquellas para la distribución normal estándar
Función: para calcular el área entre ciertos límites para cualquier distribución normal.
Ejemplo 4-26 Se sabe que la longitud de una pieza mecanizada tiene una distribución normal con una
media de 100 mm y una desviación estándar de 2 mm.
( a ) ¿Qué proporción de las piezas estará por encima de 103.3 mm?

Solución Sea X la longitud de la pieza. Los valores de los parámetros para el normal.
la distribución es μ ˆ 100 y σ ˆ 2. La probabilidad requerida se muestra en la Figura 4-20a. los
El valor estandarizado de 103.3 corresponde a
x 1 μ 103.3 100
z1 ˆ ˆ 1.65
σ 2
Por lo tanto, P ( X > 103.3) P ( Z > 1,65). Del Apéndice A-3, P ( Z 1.65) ˆ 0.9505, que también
es igual a P ( X 103.3). Asi que
P … Z > 1.65 † ˆ 1 P … Z 1.65 †

ˆ 1 0.9505 ˆ 0.0495
La probabilidad deseada P ( X > 103.3) es 0.0495, o 4.95%.

Para obtener la probabilidad deseada usando Minitab, haga clic en Calc> Probability Dis
Tribuciones> Normal . Seleccione Probabilidad acumulada e ingrese el valor de la media
para ser 100 y el de la desviación estándar para ser 2. Seleccione Constante de entrada y entrada
Página 35
183
FIGURA 4-20 Cálculo de probabilidades normales.
El valor de 103.3. Haga clic en Aceptar . Salidas de Minitab P ( X 103.3) ˆ 0.950529. Por lo tanto,
P ( X > 103.3) ˆ 0.049471.
( b ) ¿Qué proporción de la salida estará entre 98.5 y 102.0 mm?
Solución Queremos encontrar P (98.5 X 102.0), que se muestra en la Figura 4-20b. los
Los valores estandarizados se calculan como
102.0 100
z1 ˆ 1.00
2
98.5 100
z2 ˆ 0.75
2
Del Apéndice A-3, tenemos P ( Z 1.00) ˆ 0.8413 y P ( Z 0.75) ˆ 0.2266. Lo requerido

probabilidad es 0.8413 - 0.2266 ˆ 0.6147. Así, se espera que el 61,47% de la producción sea
entre 98.5 y 102.0 mm
( c ) ¿Qué proporción de las partes será más corta que 96.5 mm?
Solución Queremos P ( X <96.5), que es equivalente a P ( X 96.5), ya que para una continuación
En esta variable aleatoria, la probabilidad de que la variable sea igual a un valor particular es cero. los
valor estandarizado es
96.5 100
z1 ˆ 1.75
2
La proporción requerida se muestra en la Figura 4-20c. Usando el Apéndice A-3, P ( Z 1.75)
0.0401. Así, el 4,01% de las piezas tendrá una longitud inferior a 96,5 mm.
( d ) Es importante que no muchas de las partes excedan la longitud deseada. Si un gerente
estipula que no más del 5% de las piezas deben sobredimensionarse, qué especificación
límite debe ser recomendado?
Página 36
Solución Que el límite de especificación sea una . De la información del problema, P ( X A)

0.05. Tofind A , wefirstfind el valor normalizado en el punto donde el valor bruto es una . Aquí,
El enfoque será el contrario de lo que se hizo en las tres partes anteriores de este ejemplo.
Es decir, se nos da un área y queremos encontrar el valor z . Aquí, P ( X A ) ˆ 1–0.05 ˆ 0.95.
Buscamos un área de 0.95 en el Apéndice A-3 y encontramos que el valor z interpolado linealmente es
1.645. Finalmente, no estandarizamos este valor para determinar el límite A :
x 1 100
1.645 ˆ
2
x 1 ˆ 103.29 mm
Por lo tanto, A debe establecerse en 103.29 mm para lograr la estipulación deseada.
Para resolver esto usando Minitab, haga clic en Calc> Distribuciones de probabilidad> Normal . Seleccionar
Probabilidad acumulada inversa , e ingrese el valor de la Media como 100 y Estándar
desviación como 2. Seleccione Constante de entrada e ingrese el valor 0.95. Haga clic en Aceptar . Salidas de minitab
el valor de X es 103.290, para el cual P ( X x ) ˆ 0.95.
Distribución exponencial La distribución exponencial se utiliza en el análisis de confiabilidad para

Describir el tiempo hasta el fallo de un componente o sistema. Su función de densidad de probabilidad es.
dada por
f … x † ˆ λ e λx , x 0 … 4-39 †
donde λ denota la tasa de falla. La figura 4-21 muestra la función de densidad. Un exponencial
la distribución representa una tasa de falla constante y se usa para modelar fallas que ocurren
Al azar e independientemente. Si consideramos el ciclo de vida típico de un producto, su vida útil.
Ocurre después de la fase de depuración y antes de la fase de desgaste. Durante su vida útil, el
la tasa de fracaso es bastante constante, y los fallos ocurren de forma aleatoria e independiente. Un
La distribución exponencial, que tiene estas propiedades, es por lo tanto apropiada para modelar
Fallos en la fase útil de un producto. La media y la varianza de un exponencial aleatorio.
las variables estan dadas por
1 1
μˆ ,Σ2 … 4-40 †
λ λ2
Por lo tanto, la media y la desviación estándar son iguales para una variable aleatoria exponencial.
FIGURA 4-21 Función de densidad exponencial.
Página 37
185
La función de distribución acumulativa exponencial se obtiene de la siguiente manera:

F ... x † P ... X x †
X
ˆ λ e λdtt ˆ 1 e λx
… 4-41 †
0
Una distribución exponencial tiene la propiedad de ser sin memoria . Esto significa que el
probabilidad de que un componente exceda las unidades de tiempo s + t , dado que ha durado t unidades de tiempo,
es la misma que la probabilidad de vida superior a s unidades de tiempo. Matemáticamente, esta propiedad
puede ser representado como
P ... X > s ‡ t j X > t † P ... X > s † para todos s y t 0 … 4-42 †
La distribución exponencial tiene alguna relación con la distribución de Poisson discutida
previamente. Si ocurre la cantidad de eventos que ocurren en un intervalo de tiempo específico
de forma aleatoria e independiente, según una distribución de Poisson, el tiempo entre el
Las ocurrencias de eventos pueden ser modeladas por la distribución exponencial. Entonces, si el número de
Las llegadas por hora en el departamento de emergencia de un hospital siguen una distribución de Poisson con
el parámetroλ = 20, que también representa el número medio de llegadas por hora, la inter-llegada
El tiempo entre pacientes seguirá una distribución exponencial con un tiempo medio entre
Llegadas de 1/20 hora = 3 minutos.
Ejemplo 4-27 Se sabe que una batería para un videojuego tiene una vida útil promedio de 500 horas
(h). Se sabe que las fallas de las baterías son aleatorias e independientes y se pueden describir
Por una distribución exponencial.
( a ) Encuentre la probabilidad de que una batería dure por lo menos 600 horas.
Solución Dado que la vida media, o vida útil media, de una batería es de 500 horas, el
la tasa de fracaso es λ ˆ 1/500.
Si la vida útil de una batería se indica con X , deseamos encontrar P ( X > 600):
P … X > 600 † ˆ 1 P … X 600 † ˆ 1 ‰ 1 e ... 1/500 † ... † 1.2
600ˆ 0.301
©e
( b ) Encuentre la probabilidad de que una batería falle dentro de 200 horas.

Solución
P … X 200 † ˆ 1 e … 1/500 †… 200 0.4

† 1 ˆe 0.330
( c ) Encuentre la probabilidad de que una batería dure entre 300 y 600 horas.
Solución
... 1/500 † ...e …300
P ... 300 X 600 † F ... 600 † F ... 300 † correo †
1/500 †… 600 †
e 0.6 mi1.2 ˆ 0.248
Para encontrar esta probabilidad usando Minitab, cree una hoja de trabajo usando una columna para el
variable X e ingrese los valores de 300 y 600. Haga clic en Calc> Distribuciones de probabilidad>
Exponencial . Seleccione Probabilidad acumulada e ingrese el valor de Escala , que es igual a
la media cuando el umbral es 0, como 500. Seleccione la columna de entrada e ingrese el número de columna
Página 38
o el nombre de la variable X . Haga clic en Aceptar .Salidas de Minitab P ( X 300) ˆ 0.451188 y

P ( X 600) ˆ 0.698806. La probabilidad deseada es 0.247618.
( d ) Encuentre la desviación estándar de la vida útil de una batería.
Solución
σ ˆ 1 / λ ˆ 500 horas
( e ) Si se sabe que una batería ha durado 300 horas, ¿cuál es la probabilidad de que dure?
¿Al menos 500 horas?
Solución
P ... X > 500 j X > 300 † P ... X > 200 † 1 P … X 200 †
ˆ 1 ‰ 1 e … 1/500 † 200 † Š
E 0,4 0,670
Distribución de Weibull Una variable aleatoria de Weibull se utiliza normalmente en el análisis de confiabilidad para
Describir el tiempo hasta la falla de los componentes mecánicos y eléctricos. Es un parámetro de tres
distribución (Banks 1989; Henley y Kumamoto 1991). Una densidad de probabilidad de Weibull
la función está dada por
βx γ β1 xγ β … 4-43 †
f…x† exp , xγ
α α α
Los parámetros son un parámetro de ubicación γ (1 <γ <1), un parámetro de escala
α (α> 0), y un parámetro de forma β (β> 0).
La Figura 4-22 muestra las funciones de densidad de probabilidad para γ ˆ 0, α ˆ 1 y varios valores
de β. La distribución de Weibull como una distribución general es importante porque puede usarse
para modelar una variedad de situaciones. La forma varía dependiendo de los valores de los parámetros.
Para ciertas combinaciones de parámetros, se acerca a una distribución normal. Si γ ˆ 0 y
FIGURA 4-22 Funciones de densidad de probabilidad de Weibull (γ = 0, α = 1, β = 0.5, 1, 2, 4).
Página 39
187
β ˆ1, una distribución de Weibull se reduce a una distribución exponencial. La media y la

varianza de la distribución de Weibull son
1
μ E ... X † γ ‡ αΓ ‡1 … 4-44 †
β
2 1 2
σ 2 ˆ Var… X † ˆ α Γ2 ‡1 Γ ‡1 … 4-45 †
β β
donde Γ ( t ) representa la función gamma , dada por
1
Γ… t † exxtdx1
0
Si u es un número entero tal que u 1, entonces Γ ( u ) ˆ ( u - 1)! Tenga en cuenta que u ! U ( u - 1) ( u - 2). . . 1 y
0! ˆ 1.
La función de distribución acumulada de una variable aleatoria de Weibull está dada por
X γ β
F … x † ˆ 1 exp , xγ … 4-46 †
α
Ejemplo 4-28 El tiempo hasta la falla para un tubo de rayos catódicos se puede modelar usando un Weibull
de distribución con parámetros de gamma 0, ß 1 y alfa 200 horas.
3
( a ) Encuentre el tiempo medio hasta el fallo y su desviación estándar.
Solución El tiempo medio hasta el fallo está dado por
μ E ... X †
ˆ 0 ‡ 200Γ… 3 ‡ 1 †
ˆ 200Γ… 4 † ˆ 1200 horas
La varianza viene dada por
2 3‡1†Šg
σ 2 ˆ… 200 † 2 fΓ… 6 ‡ 1 † ‰ Γ…
ˆ… 200 † 2 fΓ… 7 † ‰ Γ… 4 † Š 2 g ˆ 2736 10 4
La desviación estándar es σ ˆ 5230.679 horas.

( b ) ¿Cuál es la probabilidad de que un tubo funcione durante al menos 800 horas?
Solución
P … X > 800 † ˆ 1 P … X 800 †
ˆ1 1 exp ‰… 800/2001/3† Š
ˆ exp ‰… 4 † 1/3 Š ˆ exp ‰ 1.587Š
ˆ 0,20
Para encontrar esta probabilidad usando Minitab, haga clic en Calc> Distribuciones de probabilidad>
Weibull . Seleccione la probabilidad acumulada y el parámetro de forma de entrada como 0.3333, Escala
parámetro como 200, y parámetro de umbral (para la ubicación) como 0. Seleccione Constante de entrada y
ingrese el valor 800. Haga clic en OK . Salidas de Minitab P ( X 800) ˆ 0.795529. El deseado
La probabilidad es por lo tanto 0.204471.
Página 40
Distribución Gamma Otra importante distribución con aplicaciones en fiabilidad.

El análisis es la distribución gamma . Su función de densidad de probabilidad está dada por
λk k1 λx … 4-47 †
f … x † xe , x0
Γ… k †
donde k es un parámetro de forma , k > 0, y λ es un parámetro de escala , λ> 0. La media y la
varianza de la distribución gamma son
k
μˆ … 4-48 †
λ
k
σ2ˆλ … 4-49 †
2
Las distribuciones gamma pueden adoptar una variedad de formas, similares a las de Weibull, basadas en la
Elección de los parámetros k y λ. Si k ˆ 1, un caso especial de la distribución gamma por defecto es
La distribución exponencial. La distribución gamma puede verse como la suma de k
Distribuciones exponenciales independientes e idénticamente distribuidas, cada una con el parámetro λ,
La tasa de fracaso constante. Por lo tanto, podría modelar el tiempo para el fallo k th en un sistema, donde
Los artículos fallan aleatoriamente e independientemente. Minitab puede usarse para calcular probabilidades usando
La distribución gamma.
Distribución lognormal Una variable aleatoria X tiene una distribución lognormal si ln ( x )

tiene una distribución normal con media μ y varianza σ 2 , donde ln representa la natural
logaritmo. Su función de densidad de probabilidad está dada por
2
1 ln ... x † μ
f … x † ˆp exp , x>0 … 4-50 †
2π σ x 2σ 2
La media y la varianza de la distribución lognormal son

σ2 … 4-51 †
E … X † ˆ exp μ ‡
2
Var… X † ˆ exp… 2μ ‡ σ 2 † ‰ exp… σ 2 † 1Š … 4-52 †

La función de distribución acumulada se expresa como
ln ... x † μ
F…x†ˆΦ ,x>0 … 4-53 †
σ
donde Φ () representa el cdf de la norma normal.
Se modelan ciertas características de calidad, como la resistencia a la tracción o la resistencia a la compresión.
Por la distribución lognormal. Se utiliza para modelar distribuciones de fallas debido a acumulaciones.
daños, como la propagación de grietas o desgaste. Estas características suelen tener una distribución.
Eso está positivamente sesgado. Se puede demostrar que la asimetría aumenta rápidamente con σ 2 ,
independiente de μ. Los parámetros de ubicación y forma están dados por e μ y σ, respectivamente.

Capitulo 4 Parte 1

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 4 Parte 1

Cargado por

Copyright:

Formatos disponibles

24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA

4-1 Introducción y objetivos del capítulo.

Fundamentos de Control de Calidad y Mejora, Cuarta Edición. Amitava Mitra

150 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

4-1 INTRODUCCIÓN Y OBJETIVOS DEL CAPÍTULO

4-2 POBLACIÓN Y MUESTRA

4-3 PARÁMETRO Y ESTADÍSTICA

Un parámetro es una característica de una población, algo que lo describe.

Definición de frecuencia relativa de probabilidad

Eventos simples y compuestos

A 1 : evento en el que el primer transistor es aceptable

152 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

A 2 : evento que el segundo transistor es aceptable

Estos eventos pueden ser descritos de la siguiente manera:

E 1 ˆ { A 1 A 2 }: evento en el que los transistores primero y segundo son aceptables

El evento compuesto B es el evento de que al menos uno de los transistores es aceptable. En

FIGURA 4-1 Diagrama de Venn.

FIGURA 4-2 Un evento y su complemento. Nota : El área sombreada representa P ( A ). c

P ... A ∪ B † P ... A o B o ambos †

Tenga en cuenta que P ( A ∩ B ) representa la probabilidad de la intersección de los eventos A y B : es decir, la

FIGURA 4-3 Unión de dos eventos.

154 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

Independencia y Eventos Mutuamente Exclusivos.

FIGURA 4-4 Eventos mutuamente exclusivos.

( a ) En la producción de placas de metal para un ensamblaje, se sabe por la experiencia pasada.

156 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

( e ) En la parte (a), ¿los eventos A y B son mutuamente excluyentes?

Los eventos de solución A y A c son exclu- sivamente exclusivos, tonameoneinstance y P ( A ∩ A c ) ˆ 0,

4-5 ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DEL PRODUCTO O PROCESO

La estadística es la ciencia que se ocupa de la recopilación, clasificación, análisis y elaboración de

Precisión y precisión La precisión de un conjunto de datos o un instrumento de medición se refiere a la

FIGURA 4-5 Exactitud y precisión de las observaciones.

158 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

Medidas de tendencia central

Mediana La mediana es el valor en el medio cuando se clasifican las observaciones. Sí hay

160 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

51.9 52.0 52.1 52.3 52.3

Las observaciones en el medio son 52.3 y 52.4. La mediana es (52.3 + 52.4) / 2, o

3000, 3500, 500, 3300, 3800

La mediana del número de clientes es de 3300, mientras que la media es de 2820.

FIGURA 4-6 Efecto de los valores atípicos en una media.

Media recortada La media recortada es un estimador robusto de la tendencia central de un

162 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

15, 12, 20, 13, 22, 18, 19, 21, 17, 20

El rango R ˆ 2212 ˆ 10 minutos. Este valor nos da una idea de la variabilidad en el

Diferencia La varianza mide la fluctuación de las observaciones alrededor de la media. los

norte norte /2n

FIGURA 4-7 Distribución muestral de una varianza muestral no sesgada.

FIGURA 4-8 Variabilidad de dos conjuntos de datos con el mismo rango.

El valor esperado del estimador es igual al parámetro correspondiente. Si un denominador de n 1

Desviación estándar Al igual que la varianza, la desviación estándar mide la variabilidad de

164 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

La desviación estándar de la población está dada por

s2 ... X i X †2 ˆ 0.644 ˆ 0.0716 V 2

TABLA 4-1 Cálculo de la varianza de la muestra usando la ec. (4-11) o (4-12)

La desviación estándar de la muestra dada por eq. (4-14) es

FIGURA 4-9 Rango intercuartil para una distribución.

166 FUNDAMENTOS DE LOS CONCEPTOS Y TÉCNICAS ESTADÍSTICOS

Primero vamos a encontrar las ubicaciones de Q 1 y Q 3 :

ubicación de Q 1 ˆ 0.25… n ‡ 1 † ˆ… 0.25 †… 21 † ˆ 5.25

Ahora vamos a clasificar los valores de los datos:

Por lo tanto, la interpolación lineal produce un Q 1 de 1.825 y un Q 3 de 2.275. El rango intercuartil es

Medidas de sesgo y kurtosis.

Coeficiente de sesgo El coeficiente de asimetría describe la asimetría del conjunto de datos