Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parámetros estadísticos
Población y muestra. Media muestral y media
poblacional
Cálculo de media, varianza y desviación estándar para
distribución discreta.
Cálculo de media, varianza y desviación estándar para
distribución continua.
Parámetros de distribución binomial, poisson y normal.
Estandarización de variables para la distribución normal.
Uso de la tablas, interpretación. Casos.
Población y Muestra
POBLACION
Es una colección de todos los elementos que estamos
estudiando y acerca de los cuales se intenta extraer
conclusiones. Puede ser infinita o finita.
MUESTRA
Una parte de la población o un subconjunto del conjunto de
unidades obtenidas con el objeto de investigar las
propiedades de la población
DEFINICIONES
ESTADISTICO
Elemento que describe una muestra y sirve como estimación
del parámetro de la población correspondiente.
VARIABLE
Es una característica de la población que se esta analizando
en el estudio estadístico, pudiendo ser cualitativa y
cuantitativa.
VARIABLES
CUANTITATIVAS CONTINUAS
Si las observaciones se Toma cualquier valor
expresan numéricamente. dentro de un rango dado.
Ejemp. Los ingresos de los Resulta de una medición.
trabajadores
CUALITATIVAS DISCRETAS
Se mide de una manera no Esta limitada a ciertos
numérica valores como números
Ejemp. Sexo de los enteros. Son el resultado
estudiantes del Senati. de la enumeración o
conteo.
DEFINICIONES
ERROR DE MUESTREO
Es la diferencia entre el parámetro desconocido de la población y el
estadístico de la muestra utilizado para calcular el parametro
SESGO MUESTRAL
Es la tendencia a favorecer la selección de ciertos elementos de la
muestra en lugar de otros
MEDIDAS DE ESCALA
NOMINAL Nombres o clasificaciones que se usan para
datos en categorías distintas y separadas
= σ𝑛𝑖=1 𝑋𝑖 ∗ 𝑃𝑖 𝜇 = 𝑃 𝑋 = 𝑥𝑖 ∗ 𝑥𝑖
𝑋1 + 𝑋2 + 𝑋3 + ⋯ +𝑋𝑛 σ 𝑋𝑖 σ 𝑋𝑖 𝑓𝑖
Muestral 𝑥ҧ = 𝑥ҧ = 𝑥ҧ =
𝑛 𝑛 𝑛
𝑋1 + 𝑋2 + 𝑋3 + ⋯ +𝑋𝑁 σ 𝑋𝑖 σ 𝑋𝑖 𝑓𝑖
Poblacional 𝑥ҧ = 𝜇= 𝜇=
𝑁 𝑁 𝑁
𝑝1 𝑋1 + 𝑝2 𝑋2 + ⋯ + 𝑝𝑁 𝑋𝑁 σ𝑘𝑖=1 𝑥𝑖 𝑤𝑖 𝑛𝑖
Media ponderada 𝑥ҧ𝑤 =
𝑝1 + 𝑝2 + ⋯ + 𝑝𝑛
= 𝑥ҧ𝑤 = 𝑘
σ𝑖=1 𝑤𝑖 𝑛𝑖
Media geometrica 𝑀𝐺 = 𝑛
𝑋1 , 𝑋2 , 𝑋3 , … 𝑋𝑛
Mediana y Moda
Mediana Moda
Llamada también media posicional, por que queda Es la observación que ocurre con mayor frecuencia
a la mitad del conjunto de datos después que las
observaciones han sido ordenadas Ejemplo: 35, 45, 52, 56, 67, 67
𝑛+1
𝑃𝑜𝑠. = La moda es 67
2
Ejemplo: 52, 45, 67, 56, 67
5+1
𝑃𝑜𝑠. = =3
2
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 56
Media Ponderada Media Geométrica
Se utiliza en algunos casos donde se quiere Se utiliza para mostrar cambios porcentuales en
dar mayor peso a las observaciones. una serie de datos positivos. Tiene aplicación en los
negocios y economía, debido a su aplicación en los
cambios porcentuales en las ventas.
Nota (X) Peso (W) X*W Año Ingreso $ % del Anterior
11 0.2 2.2 1992 50000
15 0.2 3.0 1993 55000 55/50 = 1.1
07 0.2 1.4 1994 66000 66/55 = 1.2
16 0.6 9.6 1995 60000 60/66 = 0.91
TOTAL 1.2 16.2 1996 78000 78/60 = 1.3
16.2 4
𝑥ҧ𝑤 = = 13.5 𝑀𝐺 = 1.1 ∗ 1.2 ∗ 0.91 ∗ 1.3 = 1.1179
1.2
Varianza y Desviación Estándar
POBLACIONAL MUESTRAL
σ(𝑥 − 𝜇)2 2
σ 𝑥2 σ(𝑥 − 𝑥)ҧ 2
2
𝑆 = o 𝑆 = − (𝜇)2 2
𝑆 =
𝑁 𝑁 𝑛−1
3935 𝐷𝑎
𝑀𝑒𝑑𝑖𝑎 = = 78.7 𝑀𝑜𝑑𝑎 = 𝐿𝑚𝑜 + (𝐶)
50 𝐷𝑏 + 𝐷𝑎 σ 𝑓𝑀 2 − 𝑛𝑋 2
𝑆2 =
𝑛−1
𝑛
−𝐹 𝐷𝑎 2
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 𝐿𝑚𝑑 + 2 (𝐶) 𝑀𝑜𝑑𝑎 = 70 + (10) 2 316902.5 − 50 ∗ 78.7
𝑓𝑚𝑑 18 − 12 + 18 − 7 𝑆 = = 147.31
49
50
− 10 𝑀𝑜𝑑𝑎 = 76.47
𝑀𝑒𝑑𝑖𝑎𝑛𝑎 = 70 + 2 ∗ 10
18
Descripción del conjunto de datos
Distribución de
Histograma
frecuencia acumulada
Distribución de
Diagrama de barras
frecuencia relativa
Tablas de
Diagrama circular
contingencia
Diagrama de máximos
y mínimos y al cierre
Diagrama de tallo y
hoja
Medidas de tendencia
central y dispersión
Tendencias
Dispersión
centrales
Varianza y desviación
Media Media Rango
estándar
Varianza y desviación
Mediana Mediana
estándar
Media ponderada
Media geométrica
Distribuciones de
Probabilidad
Aproximación de la
Distribución binomial Distribución normal
distribución binomial
Distribución
Distribución Gamma Calculo de probabilidades
hipergeométrica
Distribución
exponencial
Distribuciones Discretas
𝜇 = 𝑃𝑖 ∗ 𝑥𝑖
𝛿 2 = 𝑃𝑖 ∗ (𝑥𝑖 − 𝜇)2
𝑖
𝛿 2 = 𝑋𝑖2 ∗ 𝑃𝑖 − 𝑢2
𝑖
𝛿= 𝛿2
poblacional
Muestral
Distribuciones Discretas
• Ejemplo: Se lanza un dado de 4 caras, cuyas probabilidades de
Que salga cada una de las caras es la siguiente:
𝑿𝒊 𝑷𝒊 𝑿𝒊 ∗ 𝑷𝒊 𝑋𝑖 2 ∗ 𝑃𝑖
1 0.2 0.2 0.2
2 0.4 0.8 1.6
3 0.3 0.9 2.7
4 0.1 0.4 1.6
Varianza
Desviación estándar
Resolver:
• Por que es importante el muestreo?
Distribuciones
• Variable aleatoria
Es una variable cuyo valor es un evento aleatorio. Ejemplo1. Se lanza una
moneda tres veces y se anota el numero de caras que salieron.
Ejemplo2. Los pesos de envió de agua mineral en contenedores oscila entre 10 a
25 Lbs.
Variable Aleatoria Discreta
Puede asumir solo ciertos valores, con frecuencia números enteros.
Distribuciones
• Variable aleatoria continua
Resulta de la medición de y puede tomar cualquier valor, al menos dentro de un
rango dado. (los pesos del agua mineral es un ejemplo).
• Distribución de probabilidad
Es un despliegue de los posibles resultados de un experimento junto con las
probabilidades de cada resultado.
Distribuciones
4/8
Resultado (Caras) Probabilidad
0 1/8 3/8
1 3/8 2/8
2 3/8
3 1/8 1/8
1
0 1 2 3
MEDIA Y VARIANZA DE LAS DIST. DISCRETAS
Media o valor esperado de una
µ= 𝐸 𝑋 = σ𝑛𝑖=1[𝑋𝑖 ∗ 𝑃𝑖 ]
Distribución de probabilidad
discreta
𝑛!
P(X)= 𝜋 𝑥 (1 − 𝜋) 𝑛−𝑥
P(X)=𝑛 𝐶𝑥 (𝜋)𝑥 (1 − 𝜋) 𝑛−𝑥
𝑋! 𝑛−𝑥 !
Función de probabilidad 𝜇𝑥 𝑒 −𝑢
P(x) =
de Poisson 𝑥!
105 ∗ 2.71828−10
P(5) = = 0.0378
5!
Vaya a la tabla D, localize µ=10, x=5 y encontrara 0.0378 = 3.78%
DISTRIBUCION NORMAL
Entre todas las distribuciones, la Normal es la mas
importante. Es una distribución continua (no discreta) se
utiliza para reflejar la distribución de variables tales como
la estatura, pesos distancias y otras medidas que son
divisibles infinitamente.
DISTRIBUCION NORMAL
DISTRIBUCION NORMAL
Z: desviación normal
Desviación normal 𝑋 −𝜇 X: Algún valor especifico de la
variable aleatoria
O formula Z Z= Después del proceso de
𝛿 conversión la media es 0 y la Desv.
Estándar es 1
Z es el numero de
desviaciones estándar a
las que una observación
esta por debajo o por
encima
DISTRIBUCION NORMAL
Ejercicio 1: Claro brinda servicios de comunicación empresarial en la ciudad
de Lima. Los funcionarios de la compañía saben que la transmisión satélite
promedio es de 150 segundos. Con una desviación estándar de 15 segundos. Los
tiempos parecen estar distribuidos normalmente.
Para estimar de manera apropiada la demanda del cliente por sus servicios y
establecer una estructura de tarifas que maximize las utilidades corporativas.
Claro debe determinar que tan probable es que algunas llamadas se presenten.
El Director de Claro desea que Ud. Proporcione estimados de probabilidad de
que una llamada dure:
a) Entre 125 a 150 segundos
b) Menos de 125 segundos
c) Entre 145 y 155 segundos
d) Entre 160 y 165 segundos
DISTRIBUCION NORMAL Solucion Ejercicio 1:
a) c) d)
b) = 0.0475
CARTAS DE CONTROL DE PROCESOS
VALOR
CARTAS DE CONTROL - VENTAJAS
Herramienta simple y efectiva
El empleado manejara las cartas en su propia área
de trabajo.
Cuando un proceso esta bajo control, puede
predecirse su desempeño respecto a las
especificaciones.
El comportamiento del proceso ira mejorando
CARTAS DE CONTROL - TIPOS
POR VARIABLES
Conducen a un mejor procedimiento de control
Proporcionan un explicación grande de la variación disponible
No se entienden amenos que se de capacitación
POR ATRIBUTOS
Utiles y aplicables a cualquier proceso
Los datos están siempre disponibles y son rápidos y simples
No proporcionan inf. Detallada de control de características individuales.
No reconoce distintos grados de defectos.
CARTAS DE CONTROL - APLICACION
VARIABLES
CARTA DESCRIPCION CAMPO DE APLICACION
-R Medias y Rangos Control de características
individuales
TIPOS:
Grafico P
Grafico c
Grafico u
CARTAS DE CONTROL P
La grafica p mide la fracción
defectuosa o las piezas
defectuosas del proceso y sea
al 100% de la producción o en
base a una muestra.
La grafica p mide la proporción
de defectos
CARTAS DE CONTROL P
Desviación estándar de la
Limite superior de control para Limite inferior de control para proporción de defectos cuando π
proporciones proporciones es desconocido
ഥ 𝟏−𝒑
𝒑 ഥ ഥ(𝟏 − 𝒑
𝒑 ഥ)
ഥ(𝟏 − 𝒑
𝒑 ഥ) 𝑺𝒑 =
ഥ+𝟑
𝐋𝐒𝐂 = 𝒑 ഥ−𝟑
𝐋𝐈𝐂 = 𝒑 𝒏
𝒏 𝒏
Desviación estándar de la
proporción de defectos
π(𝟏 − π) π 𝟏−π
𝐋𝐒𝐂 = π + 𝟑 𝐋𝐈𝐂 = π − 𝟑 π(𝟏 − π)
𝒏 𝒏 𝜎𝒑 =
𝒏
CARTAS DE CONTROL P
Uso de una gráfica 𝑷
n = 50
𝟑𝟒𝟕
ഥ=
𝒑 = 0.2313
𝟏𝟓𝟎𝟎
ഥ(𝟏 − 𝒑
𝒑 ഥ) 𝟎. 𝟑𝟏𝟑(𝟏 − 𝟎. 𝟑𝟏𝟑)
𝐋𝐒𝐂 = 𝒑ഥ+𝟑 = 𝟎. 𝟑𝟏𝟑 + 𝟑
𝒏 𝟓𝟎
= 𝟎. 𝟒𝟏𝟎
ഥ 𝟏−ഥ
𝒑 𝒑 𝟎. 𝟑𝟏𝟑(𝟏−𝟎. 𝟑𝟏𝟑)
ഥ−𝟑
𝐋𝐈𝐂 = 𝒑 = 𝟎. 𝟑𝟏𝟑 − 𝟑 = 𝟎.05243
𝒏 𝟓𝟎
CARTAS DE CONTROL P
CARTAS DE CONTROL C
La distribución de Poisson y la
Carta C, sirve para determinar el
numero de defectos por articulo
(en una sola unidad).
CARTAS DE CONTROL C - formulas
c = 𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒅𝒆𝒇𝒆𝒄𝒕𝒐𝒔 𝒆𝒏 𝒍𝒂 𝒑𝒐𝒃𝒍𝒂𝒄𝒊𝒐𝒏
𝑺𝒄 = 𝒄ത
Limite superior de control para Limite Inferior de control para
proporciones proporciones
𝐋𝐒𝐂 = 𝒄ത + 𝟑 𝒄ത 𝐋𝐈𝐂 = 𝒄ത − 𝟑 𝒄ത
CARTAS DE CONTROL C
Uso de una gráfica 𝑪
ത + 𝟑 𝒄ത
𝑳𝑺𝑪 = 𝒄 𝑳𝑺𝑪 = 𝟔 + 𝟑 𝟔 = 𝟏𝟑. 𝟑𝟓
ത − 𝟑 𝒄ത
𝑳𝑰𝑪 = 𝒄 𝑳𝑰𝑪 = 𝟔 − 𝟑 𝟔 = −𝟏. 𝟑𝟓
CARTAS DE CONTROL C
CARTAS DE CONTROL U
CARTAS DE CONTROL U
• Se han observado los defectos de 24 muestras
sucesivas de artículos producidos en 24 turnos Producción
Producto Total de
Promedio de
defectos por
defectuoso defectos
sucesivos. Los datos se muestran en la siguiente unidad (U)
tabla:
96 8 12 0.125
• ഥ lo podemos calcular
Por otra parte el valor de 𝑼 99 12 14 0.141
99 17 21 0.212
mediante 100 16 21 0.210
100 9 15 0.150
100 15 18 0.180
100 18 22 0.220
100 14 20 0.200
100 15 19 0.190
99 14 20 0.202
434 100 17 19 0.190
ഥ=
𝑼 = 0.184211 100 15 17 0.170
2356 100 15 20 0.200
94 8 9 0.096
94 10 13 0.138
Los limites de control 99 22 30 0.303
100 15 21 0.210
Vienen dados por 97 12 19 0.196
87 9 12 0.138
Las formulas 100 12 12 0.120
100 13 18 0.180
98 18 24 0.245
97 14 19 0.196
97 13 19 0.196
2356 331 434 4.40808627
Por otra parte el valor de Ubarra lo podemos calcular mediante:
CARTAS DE CONTROL U
• Entonces tenemos ya el valor de 𝑼 ഥ. Promedio de
defectos por LCI LC LCS
unidad (U)
Y tenemos los valores ni que son 0.125 0.05279616 0.18421053 0.3156249
0.141
los tamaños de cada muestra 0.212
0.0548026
0.0548026
0.18421053
0.18421053
0.31361845
0.31361845
anterior). 0.180
0.220
0.05545127
0.05545127
0.18421053
0.18421053
0.31296979
0.31296979
0.200
• Esa información es suficiente para
0.05545127 0.18421053 0.31296979
0.190 0.05545127 0.18421053 0.31296979
0.202 0.0548026 0.18421053 0.31361845
calcular los límites de control. 0.190 0.05545127 0.18421053 0.31296979
0.170 0.05545127 0.18421053 0.31296979
CARTAS DE CONTROL U
DESVIACION ESTANDAR
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2
𝜎=
𝑛−1
TABLAS
Para rango promedio
En la practica se estima
ഥ
CARTAS 𝑹
Se utiliza para medir la variación del proceso, las
técnicas de control de calidad confían en el
rango como un indicio de variabilidad del
proceso
ഥ
CARTAS 𝑹
LIMITE DE OCNTROL SUPERIOR
𝑋1 +𝑋2 + …+ 𝑋𝑁
=
𝑁
R = 𝑋𝑚𝑎𝑦𝑜𝑟 - 𝑋𝑚𝑒𝑛𝑜𝑟
ഥ−𝑹
CARTAS DE CONTROL 𝑿
PASO 3: Calcular el Rango promedio 𝑹
ഥ y el
promedio del proceso 𝑿
ഥ
𝑅1 +𝑅2 + …+ 𝑅𝐾
ഥ=
𝑹
𝑁
𝑋1 +𝑋2 + …+ 𝑋𝐾
ഥ=
𝑿
𝐾
Donde K es el numero de subgrupos, 𝑅1 , 𝑅2 es el rango de cada
subgrupo y 𝑋1 , 𝑋2 son el promedio de cada grupo
ഥ−𝑹
CARTAS DE CONTROL 𝑿
PASO 4: Calcule los limites de control
LS 𝐶𝑅 = 𝐷4 𝑅 LS 𝐶𝑋 = + 𝐴2 𝑅
LI 𝐶𝑅 = 𝐷3 𝑅 LI 𝐶𝑋 = - 𝐴2 𝑅
muestra/subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.6 0.7 0.6 0.15 0.6 0.65 0.6 0.8 0.85 0.7
2 0.7 0.85 0.8 0.7 0.75 0.75 0.8 0.7 0.8 0.7 0.75 0.75 0.7
3 0.65 0.75 0.8 0.7 0.65 0.75 0.65 0.8 0.85 0.6 0.9 0.85 0.75
4 0.65 0.85 0.7 0.75 0.85 0.85 0.75 0.75 0.85 0.8 0.5 0.65 0.75
5 0.85 0.65 0.75 0.65 0.8 0.7 0.7 0.75 0.75 0.65 0.8 0.7 0.7
muestra/subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.9 0.75 0.75 0.75 0.65 0.6 0.5 0.6 0.8 0.65 0.65
2 0.7 0.8 0.8 0.7 0.7 0.65 0.6 0.55 0.8 0.65 0.6 0.7
3 0.85 0.8 0.75 0.85 0.6 0.85 0.65 0.65 0.65 0.75 0.65 0.7
4 0.75 0.75 0.8 0.7 0.7 0.65 0.6 0.8 0.65 0.65 0.6 0.6
5 0.6 0.85 0.65 0.8 0.6 0.7 0.65 0.8 0.75 0.65 0.7 0.65
ഥ − 𝑹 - EJEMPLO
CARTAS DE CONTROL 𝑿
Calculando el rango y promedio para cada subgrupo tenemos
muestra/subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.6 0.7 0.6 0.15 0.6 0.65 0.6 0.8 0.85 0.7
2 0.7 0.85 0.8 0.7 0.75 0.75 0.8 0.7 0.8 0.7 0.75 0.75 0.7
3 0.65 0.75 0.8 0.7 0.65 0.75 0.65 0.8 0.85 0.6 0.9 0.85 0.75
4 0.65 0.85 0.7 0.75 0.85 0.85 0.75 0.75 0.85 0.8 0.5 0.65 0.75
5 0.85 0.65 0.75 0.65 0.8 0.7 0.7 0.75 0.75 0.65 0.8 0.7 0.7
PROMEDIO 0.7 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
RANGO 0.2 0.2 0.1 0.15 0.2 0.25 0.65 0.2 0.2 0.2 0.4 0.2 0.05
muestra/subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.9 0.75 0.75 0.75 0.65 0.6 0.5 0.6 0.8 0.65 0.65
2 0.7 0.8 0.8 0.7 0.7 0.65 0.6 0.55 0.8 0.65 0.6 0.7
3 0.85 0.8 0.75 0.85 0.6 0.85 0.65 0.65 0.65 0.75 0.65 0.7
4 0.75 0.75 0.8 0.7 0.7 0.65 0.6 0.8 0.65 0.65 0.6 0.6
5 0.6 0.85 0.65 0.8 0.6 0.7 0.65 0.8 0.75 0.65 0.7 0.65
PROMEDIO 0.71 0.82 0.75 0.76 0.67 0.7 0.62 0.66 0.69 0.7 0.64 0.66
RANGO 0.25 0.15 0.15 0.15 0.15 0.2 0.05 0.3 0.2 0.15 0.1 0.1
ഥ − 𝑹- EJEMPLO
CARTAS DE CONTROL 𝑿
Calculamos el Rango promedio, promedio del proceso y limites de control.
ഥ = 0.198
𝑹
= 0.71
LS 𝐶𝑅 = 𝐷4 𝑹
ഥ = 2.11 * 0.198 = 0.41
ഥ= 0
LI 𝐶𝑅 = 𝐷3 𝑹
LS𝐶𝑋 = ഥ=
+ 𝐴2 𝑹 0.71 + (0.58)*(0.198) = 0.82
ഥ = 0.71 - (0.58)*(0.198) = 0.59
LI𝐶𝑋 = − 𝐴2 𝑹
ഥ − 𝑹- EJEMPLO
CARTAS DE CONTROL 𝑿
ഥ − 𝑹 - EJEMPLO
CARTAS DE CONTROL 𝑿
INTERPRETACION DE CARTAS
CARTAS DE CONTROL I-MR
Esta carta monitorea la tendencia de un proceso con
datos variables que no pueden ser muestreados en
subgrupos.
Es usada cuando las mediciones son muy costosas
(pruebas destructivas), o cuando la característica a
medir es relativa en el tiempo.
La línea central se basa en el promedio de los datos y
los limites de control en la desviación estándar (+/- 3
sigmas)
CARTAS DE CONTROL I-MR
ഥ
LS𝐶𝑋 = + 𝐸2 𝑅 ഥ
LS𝐶𝑅 = 𝐷4 𝑅
LS𝐶𝑋 = 𝑋ത L𝐶𝑅 = 𝑅ത
LI𝐶𝑋 = ഥ
− 𝐸2 𝑅 ഥ
LI𝐶𝑅 = 𝐷3 𝑅
CARTAS DE CONTROL I-MR
Ejemplo: Se mide la longitud de cada tubo que produce cierta fabrica, siendo
los siguientes:
Parte 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Promedio
Longitud 12.02 11.85 11.98 11.72 11.88 12.07 12.03 12.13 12.16 12.16 12.16 12.21 12.19 11.93 11.89 12.0253
Rango 0.17 0.13 0.26 0.16 0.19 0.04 0.1 0.03 0 0 0.05 0.02 0.26 0.04 0.10357
siguientes muestras de 1
2
10
12
12
11
8
7 9 13
pesos de un producto 3 5 6 4 9
”A”. 4 8 8 6
5 17 15 16 18 20
Se desea saber si el 6 22 24 22
7 8 9 7
proceso de producción 8 6 5 6 5
de dicho producto esta 9 10 10 10 11 9
10 13 10 12
bajo control
CARTAS X-S
S (desv.
Dia Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra 5 xBarra lci LC lcs lci lc lcs
std)
1 10 12 8 10.0 2.00 8.79 10.88 12.96 0 1.46 3.05
2 12 11 7 9 13 10.4 2.41 8.79 10.88 12.96 0 1.46 3.05
3 5 6 4 9 6.0 2.16 8.79 10.88 12.96 0 1.46 3.05
4 8 8 6 7.3 1.15 8.79 10.88 12.96 0 1.46 3.05
5 17 15 16 18 20 17.2 1.92 8.79 10.88 12.96 0 1.46 3.05
6 22 24 22 22.7 1.15 8.79 10.88 12.96 0 1.46 3.05
7 8 9 7 8.0 1.00 8.79 10.88 12.96 0 1.46 3.05
8 6 5 6 5 5.5 0.58 8.79 10.88 12.96 0 1.46 3.05
9 10 10 10 11 9 10.0 0.71 8.79 10.88 12.96 0 1.46 3.05
10 13 10 12 11.7 1.53 8.79 10.88 12.96 0 1.46 3.05
10.88 1.4613
a3 1.427
b3 0
b4 2.089
CARTAS X
CARTAS X-S
Ejercicio 1
Determine los límites de control superior e inferior y las medias globales para
las gráficas y R. Dibuje la gráfica representando los valores de las medias y
de los rangos muestrales. ¿Los datos indican que el proceso está bajo
control? ¿Por qué sí o por qué no?
Ejercicio 3
Realice la grafica para los siguientes datos
CONSTANTES PARA GRAFICOS DE
CONTROL DE MEDIANAS
Para usar el Rango Promedio, para Para usar la Mediana del Rango, para
encontrar los límites de control para encontrar los límites de control para las
las Medianas de Subgrupos y Rangos Medianas de Subgrupos y Rangos de
de Subgrupos Subgrupos
CARTAS INDIVIDUALES Y RANGO MOVIL
TABLA DE CONSTANTES D
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.77 1.29 1.18 1.11 1.05 1.01 0.98
BIBLIOGRAFIA:
Estadística aplicada a los negocios y economía
Principios de administración de operaciones p234
TABLAS
TABLA DE VALORES
N A2 D3 D4 d2
2 1.88 0 3.268 1.128
3 1.023 0 2.574 1.693
4 0.729 0 2.282 2.059
5 0.577 0 2.114 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.377 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
11 0.285 0.256 1.744 3.173
12 0.266 0.284 1.717 3.258
13 0.249 0.308 1.692 3.336
14 0.235 0.329 1.671 3.407
15 0.223 0.348 1.652 3.472
p https://www.gestiondecalidadtotal.com/grafica_de_proporcion
es.html
c https://optyestadistica.wordpress.com/2009/04/08/ejempl
o-grafico-de-control-c-o-de-numero-de-defectos-por-
muestra/
https://optyestadistica.wordpress.com/2009/04/26/ejemplo-
I-MR graficos-de-control-de-datos-individuales-y-rangos-moviles-x-
rm/