TALLER ACTIVIDAD COLABORATIVA 5

Integrantes: Christian Almeida, Marlon Andrés Pérez

Responda las siguientes preguntas sobre la distribución Normal. Utilice las fuentes
bibliográficas disponibles para fundamentar cada respuesta.

1. ¿Cuál es la mejor definición de distribución normal?

De acuerdo con Mendenhall et al. [1, p. 221], la distribución normal de probabilidad tiene la
forma mostrada en la Ecuación 1.

Dónde: \sigma es la desviación estándar y \mu es la media poblacional.

El parámetro x es conocido como variable aleatoria, la cual puede ser discreta o continua,
la Ecuación 1 emplea una variable aleatoria continua, Mendenhall [1, p. 220].

La función f(x) mostrada por la Ecuación 1, se conoce como distribución de probabilidad

o función de densidad de probabilidad, Mendenhall [1, p. 221].

Existen varias formas para las distribuciones de probabilidad continua, una de ellas es la
distribución normal de probabilidad, Mendenhall [1, p. 223].

Por lo tanto, la respuesta correcta sería: una función de densidad de probabilidad.

2. ¿Por qué la distribución normal se ajusta comúnmente a un gran número de

mediciones?

Según Mendenhall [1, p. 224], una gran cantidad de variables aleatorias observadas en la
naturaleza tienden a formar una distribución normal de probabilidad.

De manera más específica, variables aleatorias positivas como por ejemplo: estaturas,
pesos y tiempos, tienen distribuciones las cuales pueden modelarse adecuadamente
mediante una distribución normal, Mendenhall [1, p. 224].

El teorema del límite central plantea que las medias de muestras aleatorias para
mediciones tomadas de una población, tienden a presentar una distribución
aproximadamente normal, a partir de una cantidad determinada de muestras en función del
tipo de población (normal, simétrica, sesgada), Mendenhall [1, pp. 263–265].
Por lo tanto, la respuesta sería: Siempre es la mejor aproximación de un gran número
de mediciones.

3. Identifique el porcentaje del área total bajo la curva de campana de distribución

normal, mostrada en la Figura 1, asociada con los rangos especificados de
desviaciones estándar.
 Figura 1. Campana de distribución normal. Autoría propia.

Se obtendrán los porcentajes solicitados aplicando la Ecuación 2. Debido a que el área

entre la curva y el eje de integración se puede calcular mediante una integral definida,
Larson & Edwards [2, p. 274].

Nótese que de acuerdo con la Figura 1, la media poblacional (\mu) es cero.

Los porcentajes se han calculado empleando el siguiente programa realizado en Matlab.

Los resultados obtenidos se muestran en la Tabla 2.

Tabla 2. Porcentajes según el rango de varianza, para una distribución normal.

Región Porcentaje

$$ \pm \sigma $$ 68.26895

$$ \pm 2 \cdot \sigma $$ 95.44997

$$ \pm 3 \cdot \sigma $$ 99.73002

$$ \pm 4 \cdot \sigma $$ 99.99367

Fuente: Autoría propia.
 4. Piezas se producen mediante un proceso con un buen control estadístico.
Inicialmente, la dimensión media de la pieza es idéntica al valor medio nominal
especificado y el proceso presenta una distribución normal con una variación tal que
los límites de tolerancia superior e inferior corresponden a tres desviaciones
estándar por encima y por debajo de la media.

Por lo tanto, solo el 0.27% de las piezas quedarán fuera de especificación.

4.1. Si la media del proceso se desplaza hacia arriba en una desviación estándar, pero la
varianza del proceso sigue siendo la misma, ¿Qué porcentaje de las partes estará ahora
fuera de los límites de especificación?

4.2. Si, en cambio, la media permanece igual pero la variación del proceso aumenta de tal
manera que la desviación estándar se duplica, ¿Qué porcentaje de piezas estarán fuera de
los límites de especificación?

5. Investigue cómo se definen las tolerancias estadísticas para ensambles. Para

ejemplificar muestre un problema numérico que permita calcular la tolerancia
estadística.

Tolerancias estadísticas para ensambles

Las tolerancias estadísticas para ensambles se calculan mediante el análisis acumulativo de

las tolerancias individuales de los componentes que conforman el ensamble. Este análisis
considera la variación máxima probable para una dimensión seleccionada, teniendo en
cuenta todas las tolerancias y otras variables que contribuyen a la variación total.

En el método, se asume que es altamente improbable que todas las dimensiones en las
tolerancias acumuladas estén en su peor caso al mismo tiempo (que todas estén en su
límite inferior o superior simultáneamente). Se reconoce que el peor caso de la tolerancia
acumulada requiere que algunas dimensiones esten en su límite inferior y otras en su límite
superior.

El análisis estadístico de tolerancias se basa en condiciones como la capacidad de controlar

los procesos de fabricación, la capacidad de centrar los procesos y salirse de las
distribuciones Gaussianas, y la posibilidad de seleccionar partes al azar para ensamblajes.
Para realizar el análisis de tolerancias se pueden utilizar métodos manuales o modelados
por computadora [3, pp. 46–53].

Ejemplo:

Por ejemplo, podemos calcular la tolerancia total permitida dentro de un sistema eje-
agujero.
En este ejemplo: el diámetro nominal del agujero es de 20 mm con una tolerancia de ±0,2
mm, y el diámetro nominal del eje es de 19,9 mm con una tolerancia de ±0,1 mm.

Así, tenemos:
La tolerancia total es la suma de las tolerancias:
Tolerancia total = Tolerancia del agujero + Tolerancia del eje
Tolerancia total = 0,2 mm + 0,1 mm
Tolerancia total = 0,3 mm

Por lo tanto, la tolerancia estadística del ensamble es de ±0,3 mm.

Bibliografía
[1] W. Mendenhall, R. Beaver, and B. Beaver, Introducción a la probabilidad y estadística,
13era ed. CENGAGE Learning, 2010.
[2] R. Larson and B. Edwards, Cálculo 1, 9na ed. Mc Graw Hill, 2010.
[3] B. R. Fischer, Mechanical tolerance stackup and analysis, 2nd ed. Boca Raton: CRC
Press, 2011.