Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 4 Parte 1
Capitulo 4 Parte 1
Página 1
FUNDAMENTOS DE ESTADÍSTICO
CONCEPTOS Y TÉCNICAS EN
CALIDAD DE CONTROL Y
MEJORA
Página 2
En este capítulo construimos una base para los conceptos estadísticos y técnicas utilizadas en calidad.
https://translate.googleusercontent.com/translate_f 1/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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.
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.
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.
https://translate.googleusercontent.com/translate_f 2/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
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:
Página 4
SˆfA1A2,A1D2,D1A2,D1D2g
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
https://translate.googleusercontent.com/translate_f 3/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 5
153
PROBABILIDAD
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:
Página 6
https://translate.googleusercontent.com/translate_f 4/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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.
Página 7
155
PROBABILIDAD
Ejemplo 4-7
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
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
https://translate.googleusercontent.com/translate_f 7/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
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.
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.
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:
Modo El modo es el valor que ocurre con más frecuencia en el conjunto de datos. Denota un
Valor “típico” del proceso.
https://translate.googleusercontent.com/translate_f 9/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 13
161
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
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 .
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
https://translate.googleusercontent.com/translate_f 10/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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:
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
Página 15
163
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
https://translate.googleusercontent.com/translate_f 11/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 16
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
https://translate.googleusercontent.com/translate_f 12/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 17
165
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
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).
https://translate.googleusercontent.com/translate_f 13/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
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
IQR Q 3 Q1
ˆ 2.275 1.825 ˆ 0.45 minuto
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
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
https://translate.googleusercontent.com/translate_f 14/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
https://translate.googleusercontent.com/translate_f 15/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 21
169
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
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.
https://translate.googleusercontent.com/translate_f 16/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 22
norte
... X i X † ... YYi †
r yo ˆ1 … 4-19 †
norte norte
... X i X † 2 ... Y i Y † 2
yo ˆ1 yo ˆ1
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
ESTADÍSTICAS DESCRIPTIVAS: DESCRIPCIÓN DE LAS CARACTERÍSTICAS DEL PRODUCTO O PROCESO
https://translate.googleusercontent.com/translate_f 17/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
https://translate.googleusercontent.com/translate_f 18/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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.
Página 25
173
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:
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
https://translate.googleusercontent.com/translate_f 19/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
Página 27
175
DISTRIBUCIONES DE PROBABILIDAD
https://translate.googleusercontent.com/translate_f 20/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
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
Página 28
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
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
https://translate.googleusercontent.com/translate_f 21/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
Página 29
177
DISTRIBUCIONES DE PROBABILIDAD
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
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
https://translate.googleusercontent.com/translate_f 22/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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.
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
Página 31
https://translate.googleusercontent.com/translate_f 23/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
179
DISTRIBUCIONES DE PROBABILIDAD
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 †
El Apéndice A-2 enumera las probabilidades acumuladas de Poisson para varios valores de λ
Página 32
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
https://translate.googleusercontent.com/translate_f 24/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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
Página 33
181
DISTRIBUCIONES DE PROBABILIDAD
https://translate.googleusercontent.com/translate_f 25/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Z Xμ … 4-36 †
σ
1
f … z † ˆp e z /2
, 2 1 < z <1 … 4-37 †
2π
Página 34
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.
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
https://translate.googleusercontent.com/translate_f 26/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 35
183
DISTRIBUCIONES DE PROBABILIDAD
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
Página 36
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.
Página 37
185
DISTRIBUCIONES DE PROBABILIDAD
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):
https://translate.googleusercontent.com/translate_f 28/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
P … X > 600 † ˆ 1 P … X 600 † ˆ 1 ‰ 1 e ... 1/500 † ... † 1.2
600ˆ 0.301
©e
( 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
https://translate.googleusercontent.com/translate_f 29/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
Página 39
187
DISTRIBUCIONES DE PROBABILIDAD
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
λk k1 λx … 4-47 †
f … x † xe , x0
Γ… k †
https://translate.googleusercontent.com/translate_f 30/31
24/6/2019 FUNDAMENTOSTIS CONCEPTOS ESTADÍSTICOS Y TÉCNICAS EN CALIDAD CONTROL Y MEJORA
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.
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.
https://translate.googleusercontent.com/translate_f 31/31