Gestión de la calidad

“Estadística Descriptiva”
DOCENTE: FELÍCITA E. LATORRACA RIOS
CICLO: 9NO

CAMPUS CAJAMARCA
 LOGRO DE APRENDIZAJE

El estudiante, al finalizar la unidad, identifica apropiadamente los

costos de la calidad, utiliza de forma adecuada las herramientas de
calidad y los gráficos de control para analizar problemas y determinar
sus causas; y utiliza planes de muestreo de aceptación para
determinar la aceptación o rechazo de lotes de productos.

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 SITUACIÓN PROBLEMA:

Un fabricante desea establecer un control de calidad en su empresa definido

por las siguientes condiciones:
(A) que sea el más barato posible,
(B) que el porcentaje aceptable de piezas defectuosas en un lote sea del 20 %,
(C) que un lote con 10 % de piezas defectuosas tenga una probabilidad de
aceptación de al menos un 90 %,
(D) que un lote con 30 % de piezas defectuosas tenga una probabilidad de
rechazo de al menos un 75 %.
Establecer las características del control elegido justificando razonadamente la
propuesta.

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 Probabilidad

Experiment
o
Espacio
Muestral

Variable

Probabilidad - Binomial
- Poisson
- Normal
Distribuciones de
- Verificación de
Probabilidad
Normalidad
DOCENTE: FELÍCITA E. LATORRACA RIOS
CICLO: 9NO
ROL: DOCENTE ASESOR
 Definiciones de probabilidad

Experimento
• Se llama experimento al conjunto de acciones, reales
o imaginarias, realizadas con la finalidad de obtener
resultados..
Espacio Muestral
• Conjunto de todos los resultados posibles del
experimento.
Evento
• Es un subconjunto del espacio muestral de un
experimento aleatorio.
PROBABILIDAD: Valor entre cero y uno, inclusive, que describe la posibilidad
relativa (oportunidad o casualidad) de que ocurra un evento.
DOCENTE: FELÍCITA E. LATORRACA RIOS
CICLO: 9NO
ROL: DOCENTE ASESOR
 EJEMPLO DE PROBABILIDAD

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 PROBABILIDAD CLÁSICA

La probabilidad clásica parte del supuesto de que los resultados de un experimento son
igualmente posibles.

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠

Probabilidad de un evento =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 OPERACIONES CON EVENTOS
Dados los eventos A y B

a) UNIÓN: La unión o reunión de A y B, que se denota AUB, es el evento

AUB={w   / w  A ó w  B}

 A B

𝑷 𝑨⋃𝑩 = 𝑷 𝑨 + 𝑷 𝑩 − 𝑷(𝑨⋂𝑩)

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 OPERACIONES CON EVENTOS

b) INTERSECCIÓN: La intersección de A y B, que se denota A⋂B, es el evento

AB = {w   / w  A y w  B}

 A B

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 OPERACIONES CON EVENTOS

c) COMPLEMENTO : El complemento de A, que se denota por A , se define como el

evento formado por los elementos de  que no están en A. También se le
denomina evento opuesto o contrario.

A ={w   / w  A}

 A
A

𝑷 𝑨 =𝟏−𝑷 𝑨
DOCENTE: FELÍCITA E. LATORRACA RIOS
CICLO: 9NO
ROL: DOCENTE ASESOR
 OPERACIONES CON EVENTOS

Observación:
o Si AÇB =  , se dice que A y B son eventos mutuamente excluyentes ó
incompatibles ó disjuntos.

 A B

𝑷 𝑨⋃𝑩 = 𝑷 𝑨 + 𝑷 𝑩
𝑷 𝑨⋂𝑩 = 𝑷 𝑨 𝗑 𝑷 𝑩
DOCENTE: FELÍCITA E. LATORRACA RIOS
CICLO: 9NO
ROL: DOCENTE ASESOR
 PROBABILIDAD CONDICIONAL
Se llama probabilidad de A condicionada a B, o probabilidad de A sabiendo
que ocurrió B:

E espacio muestral

P( A  B)
P( A | B)  A
P( B) B

• Error muy frecuente:

- No confundir probabilidad condicionada con intersección.

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD
BINOMIAL
Se denomina experimento binomio a un número
fijo, n, de repeticiones independientes de un
experimento aleatorio de Bernoulli y por lo tanto,
se caracteriza por qué

 El experimento consiste de n pruebas idénticas.

 Cada prueba tiene únicamente dos resultados: S (Éxito) y F (Fracaso)
 P(S) = p y P(F) = q se mantiene constante a lo largo de todas las pruebas ( p + q = 1)
 La variable aleatoria binomial x es el número de éxitos obtenidos en las n pruebas.

Ejemplo:
un artículo cumple con especificaciones o no, una pieza resiste cierta fuerza o no,
una lámpara enciende o no. En control de calidad se suele llamar “éxito” al
resultado con connotación negativa de los dos posibles, dado que el interés de un
estudio se enfoca directamente a investigar cómo reducir la ocurrencia de éstos.

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

 La fórmula para el cálculo de las probabilidades de una variable aleatoria Binomial

es:

P X  x  Cnx p x q n x , x  0, 1, 2, ... , n

Donde n y p son los parámetros de la función.

El valor de p(x) para diversos valores de n y p aparece en tablas de todo texto
básico de Estadística.

 El valor esperado y la varianza son:

E X   np V X   npq

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD
BINOMIAL: EJEMPLO
El 15% de los engranajes de tornillo producidos en una fresadora automática de
alta velocidad Carter-Bell se encuentra defectuoso.
¿Cuál es la probabilidad de que, en seis engranajes seleccionados, ninguno se
encuentre defectuoso? , ¿Exactamente uno? , ¿Mas de dos? y ¿Menor o igual
de tres?

Solución:
La distribución binomial con parámetros n=6, p=0.15 es:

X p(X) cumulative
probability
P 𝑋 = 0 = 0.37715
0 0.37715 0.37715
1 0.39933 0.77648
P 𝑋 = 1 = 0.39933
2 0.17618 0.95266
3 0.04145 0.99411
P 𝑋 > 2 = 0.04734
4 0.00549 0.99960
5 0.00039 0.99999
6 0.00001 1.00000
P 𝑋 ≤ 3 = 0.99411
Total 1.00000

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD
BINOMIAL: EJEMPLO
Primero colocar en una
columna los valores que
debe tomar la variable X
en función al número de
ensayos (para este caso
n = 6); por lo tanto X va
desde 0 a 6.

Seguir con la secuencia

Calc / Distribuciones de
probabilidad / Binomial

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD
BINOMIAL: EJEMPLO
Seleccionar la opción Probabilidad,
colocar el valor del Número de
ensayos (6), la Probabilidad del
Evento (0.15) y activar la opción
Columna de entrada (seleccionarla
desde el recuadro que aparece la
variable). Por lo tanto se obtiene el
siguiente resultado

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD POISSON

 El experimento consiste en contar el número de veces que ocurre un evento

durante una unidad de medida (tiempo, área o volumen).
 La probabilidad que un evento ocurra en una unidad de medida es la misma.
 El número de eventos que ocurren en una unidad de medida especifica es
independiente de lo que ocurra en cualquier otra.
 El número promedio de eventos en cada unidad de medida se denota por la letra
griega lambda λ.

En control de calidad se evalúa el número de defectos por

artículo, número de defectos por metros de cable,
número de defectos por metro cuadrado de tela, número
de impurezas en un líquido, número de fallas mensuales
de una máquina, etc.

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD POISSON

 La fórmula para el cálculo de las probabilidades de una variable aleatoria Poisson

es:
e  x
P X  x  , x  0, 1, 2, ...
x!
 La constante e tiene un valor aproximado de 2.711828

 El valor esperado y la varianza son:

E X    V X   

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD POISSON:
EJEMPLO
En la inspección de una hojalata producida por un proceso electrónico continuo, se
identificaron 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar:
a) Una imperfección en 3 minutos

Empleamos λ= 0.6 imperfección / 3 minutos

P( X = 1 ) = 0.3293
b) Al menos dos imperfección en 5 minutos

Empleamos λ= 1 imperfección/ 5 minutos

P( X ≥ ) = 0.2642

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD POISSON:
EJEMPLO

Seguir con la secuencia

Calc / Distribuciones de
probabilidad / Poisson

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD POISSON

Seleccionar la opción Probabilidad,

colocar el valor de la media de
ocurrencia y en la opción Constante
de entrada se debe colocar el valor
de X (para este ejemplo es 1). Por lo
tanto se obtiene el siguiente
resultado

El valor de probabilida
cuando X = 1, es 0.329287

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL A LA DISTRIBUCIÓN DE
POISSON

Si X tiene una distribución Binomial con n ≥ 100 y la probabilidad de

ocurrencia es pequeña p ≤ 0.05, entonces se aproxima a una
distribución Poisson con

λ = np

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

Es una distribución continua cuya densidad tiene forma de campana. Es muy

importante tanto en la estadística teórica como en la aplicada.
La distribución normal con parámetros μ = 0 y σ2= 1 se conoce como distribución
normal estándar (N(0, 1)).

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD NORMAL:
EJEMPLO

Los ingresos semanales de los supervisores de

turno de la industria del vidrio se rigen por una
distribución de probabilidad normal con una
media de $1000 y una desviación estándar de
$100.
¿Cuál es la probabilidad que el ingreso de un
supervisor sea mayor a $1 100 semanales?
¿Cuál es la probabilidad que el ingreso de un
supervisor sea como máximo $900 semanales?

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD NORMAL:
EJEMPLO
: Los trabajadores de la industria de vidrio b) El ingreso de un supervisor sea como máximo
X: ingreso semanales $900, P( X≤ 900 )
X N(  = 1000;  = 100) Estandarizando la variable
a) Nos pide: P( X > 1100)
P( X > 1100) = 1 - P( X ≤1100)
X  900  1000
Z   1
Estandarizando la variable:  100

Luego,
X  1100  1000 P( X ≤ 900 ) = P( Z < -1 )
Z  1
Luego:  100
1 - P( X ≤ 1000) = 1 - P( Z ≤ 1) Buscando en la tabla
= 1 – 0.8413 P( Z < -1 ) = 0.1587
= 0.1587
Interpretación:
La probabilidad de que el ingreso de un
supervisor sea mayor a $1100 es de 0.1587

900 µ=1000

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD NORMAL:
EJEMPLO

Seguir con la secuencia

Calc / Distribuciones de
probabilidad / Normal

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD NORMAL:
EJEMPLO
P( X > 1100) = 1 - P( X ≤1100)

Se debe elegir la opción

Probabilidad acumulada, colocar
la media, desviación estándar y el
la opción Constate de entrada
colocar el valor de probabilidad
que se desea determinar

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
 DISTRIBUCIÓN DE PROBABILIDAD NORMAL:
EJEMPLO
P( X > 1100) = 1 - P( X ≤1100)

Cabe señalar que la

P( X > 1100) = 1 - P( X ≤1100) probabilidad acumulada
= 1 – 0.841345 significa menor o menor igual
= 0.1587 a X (P X ≤1100)

Por lo tanto la probabilidad que el ingreso de un supervisor sea mayor a $1 100

semanales, es 0.1587.
O, el 15.87% de los supervisores tienen un ingreso mayor a $ 1,100 semanales.

DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 9NO
ROL: DOCENTE ASESOR
BIBLIOGRAFÍA BÁSICA:

Estimado estudiante, puedes revisar el siguiente textos que se encuentran en tu

biblioteca:

N° CÓDIGO AUTOR TÍTULO AÑO

658.562 Control Estadístico de la Calidad y Seis

1 Gutiérrez H. y De La Vara, R 2009
GUTI Sigma