Control de Calidad 3

CAPITULO 3
INTRODUCCION A LA PROBABILIDAD
1.- Seale que es una variable aleatoria y d un par de ejemplos de
variables aleatorias discretas y otro par de continuas.
Una variable aleatoria asocia un nmero a cada resultado de un experimento
aleatorio.
Experimento aleatorio.- es aquel que puede proporcionar diferentes resultados an
cuando se repita siempre de la misma manera.
Variable aleatoria Discreta.- es una variable con un rango finito(o infinito numerable)
Ejemplo:
1.-El nmero de tornillos defectuosos en una muestra aleatoria de tamao 15
2.- El nmero de errores de un Operador Industrial.
Variable aleatoria Continua.- Si rango de una variable aleatoria X contiene un
intervalo ( finito o infinito) de nmeros reales ,entonces X es una variable aleatoria
Continua .Ejemplos:
Pesos, volmenes, longitudes, Voltaje,Resistencia,etc
2. Qu es una distribucin de probabilidad?
Es la descripcin del conjunto de valores que puede tomar la variable aleatoria X
junto a la probabilidad asociada a cada uno de estos valores.
3.- Qu es una funcin de densidad de probabilidades y qu requisitos
debe cumplir?
La densidad de probabilidades se usa en el caso de una variable continua .Sus
requisitos son:
Si f(x) es una funcin de densidad de probabilidades de la variable aleatoria
continua X, entonces para cualquier intervalo de nmeros reales [x1, x2], se
cumple.
1.- f(x) 0
2.

dx =1 (rea bajo la curva es 1)

3.- P(x1 X x2) =

entre x1 y x2)

CARLOS MAURICIO NINA VILLARROEL

(u) du (la probabilidad es igual al rea bajo la curva

Control de Calidad 3
4. Explique en cada caso qu tipo de variables siguen distribucin
binomial, de Poisson e hipergeomtrica. Mencione ejemplos de cada una
Una distribucin binomial proporciona la probabilidad de observar x xitos en una
secuencia de n experimentos Bernoulli independientes con una probabilidad
constante de xito, p.
Con x = 0,1,2,,n.
Esto quiere decir que se utiliza cuando las variables son del tipo pasa o no pasa y
cumple con
1. Los ensayos son independientes
2. La probabilidad de xito en cada ensayo, denotada por p, permanece
constante
Algunos ejemplos :
Un proceso se produce 5% de piezas defectuosas. Sea X el numero de piezas
defectuosas en las siguientes 20 piezas producidas.
En una zona martima se ha determinado que el porcentaje de incidencia de
bitrio cholerae es del 20%, se aX las muestras positivas en los siguientes 15
muestreos
Una distribucin de Poisson proporciona el nmero de eventos que ocurren por
unidad (por unidad de rea, por unidad de volmen, por unidad de tiempo,
etctera). Algunos ejemplos
La llegada de un cliente al negocio durante una hora
Las llamadas telefnicas que se reciben en un dia
Los defectos de manufactura de papel por cada metro producido
Los envases llenados fuera de los limites por cada 100 galones de producto
terminado
Una distribucin de hipergeomtrica proporciona la probabilidad de obtener X xitos
en n experimentos Bernoulli donde no se mantiene la probabilidad de xito
constante. Ejemplo
Si en una urna con 5 bolas blancas y 3 negras en el primer ensayo se saco una
bola blanca, en el segundo ensayo hay una bola blanca menos por lo que
estas probabilidades son diferentes(hay dependencia de ensayos)
5.- Cul es la relacin
cuadrada?

entre la distribucin

normal y la distribucin ji-

La distribucin ji-cuadrada para hacer inferencias sobre la desviacin estndar de

una distribucin normal si se tiene una muestra de tamao n, entonces el
estadstico:
X

(n 1)S 2
2

6. Cmo se relaciona la distribucin T de Student y la Ji-cuadrada?

CARLOS MAURICIO NINA VILLARROEL

Control de Calidad 3
Estas distribuciones se relacionan porque ambas utilizan nmeros de muestra
pequeos (menores iguales a 30) y las dos utilizan las variables aleatorias continuas.
7. El departamento de compras inspecciona un pedido de 500 piezas
elctricas para ello toma una muestra aleatoria de 20 de ellas y se
prueban. El vendedor asegura que el porcentaje de piezas defectuosas es
solo de 5%, as, suponiendo el peor de los casos segn el vendedor, p =
0.05, responda:
a) Cul e la probabilidad de que el porcentaje de defectuosos muestral
sea mayor a 10%?
el 10% de 20 muestras es 2 asi que la probabilidad de que sea mayor que 2 es
P(X2)=1-P(X2)
P(X2)= P(X=0)+P(X=1)+P(X=2)
DATOS
P=0,05
n=20
X=2

P ( X 2)

20 !
(0.05) 2 (1 0.05) 20 2 0,92451633
2!(20 2)!

La probabilidad de obtener 2 o menos piezas defectuosas es de 92,45% por lo tanto

la probabilidad de obtener ms de 2 piezas defectuosas es = 100 - 92,45 = 7.55%
b)

Cul e la probabilidad de obtener una o menos piezas defectuosas?

P ( X 1)

20 !
(0.05)1 (1 0.05) 201 0,73583952
1!( 20 1)!

De acuerdo a lo calculado la probabilidad de obtener 1 o menos piezas defectuosas

es de 73,58%
8. Un proceso de produccin de partes trabaja con un porcentaje promedio
de defectos de 5%. Cada hora se toma una muestra aleatoria de 18
artculos y se prueban. Si la muestra contiene ms de un defecto el
proceso deber detenerse.
a) Calcule la probabilidad de que el proceso se detenga debido al esquema
de muestreo.
Se utiliza la distribucin binomial para calcular la probabilidad:
CARLOS MAURICIO NINA VILLARROEL

Control de Calidad 3

p 5% 0.05
n 18
x 1 artculo defectuoso
n x
18
n- x
18 -1
p 1 - p
0.05 1 1 - 0.05

0.7735 77.35%
x
1

f(x, n, p)

Probabilidad que exista menor o igual a 1 defecto =

77,35%
Probabilidad que exista mayor a 1 defecto = 100 - 77,35 = 22,65%

La probabilidad de que se presente 1 artculo defectuoso es de 77.35%, por lo tanto,

la probabilidad de que aparezca ms de 1 artculo defectuoso, y que se detenga el
proceso, es de 22.65%.
b) Con lo contestado en a el esquema de muestreo es adecuado o
generar demasiadas interrupciones?
Basndose en los resultados anteriores, se estima que de cada 100 artculos que se
tomen, 23 sern defectuosos, lo cual generar demasiadas interrupciones.
9. Un fabricante de calculadoras electrnicas desea estimar la proporcin
de unidades defectuosas producidas, para ello toma una muestra aleatoria
de 250 y encuentra 25 defectuosas. Con base en esto el fabricante afirma
que el porcentaje de calculadoras defectuosas que se produce es de 10%,
es verdad esta afirmacin? Argumente.
Datos:
n = 250 u. (tamao de muestra)
x = 25 u. (numero de xitos del que se quiere obtener la probabilidad)
p = 0.10 (proporcin de artculos defectuosos)
Distribucin Binomial
P ( X x)

n!
p x (1 p ) n x
x!( n x )!

Reemplazando:
P ( X 25)

250!
(0.10) x (1 0.10) 250 25 0.0838
25!( 250 25)!

Conclusin:
Por tanto, se espera que un 8.38% de la muestra tendr 25 unidades defectuosas y
no as, el 10%, como lo afirma el fabricante.
10.-un fabricante de galletas desea que. Con probabilidad de 0.95, cada
galleta contenga al menos una pasa. Cuntas pasas en promedio por
galleta deber agregar la masa como minimo? Cul es la probabilidad de
que una galleta contenga mas de seis pasas?
P(X1)=0,95=Xe-/x!

CARLOS MAURICIO NINA VILLARROEL

Control de Calidad 3
Despejando o haciendo una aproximacin con Excel
Se obtiene que =0,352 que es la cantidad de pasas promedio por galletas
La P(X6)=1-P(X6)
Con Excel nos da estos resultados
P(X6)=1-0,999=0,001
la probabilidad de tener mas de 6 pasas en una galleta es del 0,1%
11.-en un almacen se inspeccionan todos los lotes de cierta pieza que se
recibe; para ello se emplean muestras de tamao 100. Se sabe que el
proceso genera 1% de piezas defectuosas y se tiene el criterio de rechazar
el lote cuando se encuentran mas de 3 piezas defectuosas en la muestra .
cual es la probabilidad de aceptar un lote? Cul es la probabilidad de que
se tengan que inspeccionar 10 lotes antes de rechazar el primero del dia?
DATOS
p=0,01
n=100
para aceptar un lote se tiene que tener menos de 3 piezas defectuosas, entonces la
probabilidad es
P(X3)=

usamos la distribucin binomial

P(X3)=0,9816=98,16% entonces tenemos esta probabilidad de aceptar un lote

La probabilidad de rechazar 1 lote es =1-0,9816=0,0184
12.-una caja contiene cuatro artculos defectuosos y 8 en buen estado. Se
sacan dos artculos al azar
a) Cul es la probabilidad de que al menos uno sea bueno
b) Cul es la probabilidad de que los dos sean del mismo tipo(buenos o
malos)?
c) Cul es el valor esperado de los artculos buenos
a)P(X=1)=
x=1
n=2
K=4
N=12

usando la distribucin hipergeometrica

P(X=1)= 0,90909091= 90,9%

CARLOS MAURICIO NINA VILLARROEL

Control de Calidad 3

13.-un gerente de produccin de cierta compaa esta interesado en

probar los productos terminados que estn disponibles en lote de tamao
50. Le gustara retrabajar el lote si puede estar seguro de que 10% de los
artculos estn defectuosos en la muestra . entonces, decide tomar una
muestra de tamao 10 sin reemplazo y retrabaja el lote si encuentra uno o
mas defectuosos en la muestra es este un procedimiento razonable?
Argumente su respuesta.
DATOS
N=50
n=10 es el numero de muestra
K=1 que es el 10% de la muestra de defectuosos
P(X1)= 1-P(X=0)
P(X=0)= 0,8 = 80%
P(X1)=1-0,8=0,2
Con estos datos nos da un 20% de posibilidades de que se tenga que retrabajar el
lote, por esta razn este procedimiento no es razonable ya que es una probabilidad
muy alta que se tiene para retrabajar el lote.
14.-una maquina llena cajas de cereal y lo hace siguiendo una distribucin
normal con varianza igual a 0,01 onzasQu nivel de contenido deber
fijarse en la maquina si se desea solo 1% de las cajas contengan menos de
20 onzas?
DATOS
=0,01onzas
P(X<20)=0,01=P(Z<X-/)
p=1%
X<20 onzas
reemplazando los datos
P(X<20)= P(Z<20-/0,01)=0,01
Buscando en la tabla de distribucin normal
Con p=0,01 me da z=2,31
Reemplazando en la formula
2,3<20-/0,01
=19,977
Entonces el nivel de contenido debe ser de =19,977
15.-en una compaa area 40% de las reservaciones que se hacen con ms
de un mes de anticipacin son canceladas o modificadas. En una muestra
de 20 reservaciones cul es la probabilidad de que 10,11 o 12
reservaciones no hayan cambiado?
a) Conteste usando la distribucin binomial
b) Resuelva con base en la distribucin normal con la media y varianza
de la binomial, considerando el rango de 9,5 a 12,5
CARLOS MAURICIO NINA VILLARROEL

Control de Calidad 3

DATOS
P=40%
n=20
a) X=10
X=11 X=12
P(X=10)+P(X=11)+P(X=12)=0,1174+0,07+0,035=0,224
La probabilidad es del 22,4%
b)=np

=npq

=20*0,4=8
P(9,5X12,5)

=20*0,4*0,6=2,19

17. Una mquina realiza cortes de manera automtica de ciertas tiras

metlicas con media = 40.1 cm y una desviacin estndar 0.2 cm. La
medida ptima de tales tiras debe ser de 40cm con una tolerancia de 0,5
cm. Suponiendo distribucin normal, estime el porcentaje de tiras que
cumple con las especificaciones.
Datos:
= 40.1 cm.
= 0.2 cm.
Distribucin Normal
X x

P(Z z )

P ( X x ) p

Entonces:
P (39.5 X 40.5) P ( X 40.5) P ( X 39.5)

Estandarizando:
40.5 40.1

P ( X 40.5) P Z
P ( Z 2) 0.977
0.2

39.5 40.1

P ( X 39.5) P Z
P ( Z 3) 1 P ( Z 3) 0.001
0.2

Entonces:
P (39.5 X 40.5) 0.977 0.001 0.976

Conclusin:
La probabilidad de que los cortes de las tiras est dentro de las especificaciones es:
CARLOS MAURICIO NINA VILLARROEL

Control de Calidad 3
(0.977 0.001) = 0.976
Por tanto, el 97.6% de los cortes de las tiras metlicas se espera que este dentro de
las especificaciones.
18. Verifique si los siguientes datos se ajustan bien a una distribucin
normal.
2.51
3.73
2.31
2.07
2.69

2.29
2.98
2.00
3.10
2.60

2.31
1.08
2.35
2.32

2.19
2.25
1.76
2.59

2.09
2.10
2.91
2.42

2.48
3.30
1.84
2.04

2.65
3.15
2.09
2.13

2.50
2.27
2.78
1.98

Estadsticos

Segn los datos, su anlisis y el

se puede decir que tiene una

2.48
2.23
2.32
2.02

2.27
2.61
2.59
2.18

2.26
2.11
1.87
2.26

2.86
5.7
2.59
2.10

comportamiento que estos tienen

Media
2.4462 distribucin normal.
Error tp. de la
0.09034
media
Mediana
2.3100
Moda
2.59
Desv. tp.
0.63883
Varianza
0.40810
De otra manera: Elementos
Asimetra
2,789 para la obtencin de una grafica
de probabilidad Normal:
Error tp. de
0,337
asimetra
Datos Ordenados
Frecuencia
Puntajes normales
Numero
Curtosis
13,450 estandarizados
X(j)
Acumulada (j(j)
Error tp. de curtosis0.5)/n 0,662
Z(j)
1.08
0.01
-2.33
1
Rango
4.62
1.76
0.03
-1.88
2
Mnimo
1.08
1.84
0.05
-1.64
3
Mximo
5.70
1.87
0.07
-1.48
4
5
6
7
8
9
10
11
12
13
14
15
16
17
CARLOS MAURICIO NINA VILLARROEL

1.98
2
2.02
2.04
2.07
2.09
2.09
2.1
2.1
2.11
2.13
2.18
2.19

0.09
0.11
0.13
0.15
0.17
0.19
0.21
0.23
0.25
0.27
0.29
0.31
0.33

-1.34
-1.23
-1.13
-1.04
-0.95
-0.88
-0.81
-0.74
-0.67
-0.61
-0.55
-0.50
-0.44

Control de Calidad 3
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

Graficando:

CARLOS MAURICIO NINA VILLARROEL

2.23
2.25
2.26
2.26
2.27
2.27
2.29
2.31
2.31
2.32
2.32
2.35
2.42
2.48
2.48
2.5
2.51
2.59
2.59
2.59
2.6
2.61
2.65
2.69
2.78
2.86
2.91
2.98
3.1
3.15
3.3
3.73
5.7

0.35
0.37
0.39
0.41
0.43
0.45
0.47
0.49
0.51
0.53
0.55
0.57
0.59
0.61
0.63
0.65
0.67
0.69
0.71
0.73
0.75
0.77
0.79
0.81
0.83
0.85
0.87
0.89
0.91
0.93
0.95
0.97
0.99

-0.39
-0.33
-0.28
-0.23
-0.18
-0.13
-0.08
-0.03
0.03
0.08
0.13
0.18
0.23
0.28
0.33
0.39
0.44
0.50
0.55
0.61
0.67
0.74
0.81
0.88
0.95
1.04
1.13
1.23
1.34
1.48
1.64
1.88
2.33

Control de Calidad 3

Conclusin:
Como se puede apreciar, los puntos no siguen una lnea recta, por lo que la grafica de
probabilidad en estos casos estara detectando que los datos no siguen una distribucin
normal.

CARLOS MAURICIO NINA VILLARROEL