Fase Medicion Prob

VI.
FASE
DE
MEDICI
N
2. Probabilidad
Dr. Primitivo Reyes
Aguilar / enero
2009enero 2009
www.icicm.com
primitivo_reyes@yahoo.
com 04455 52 17 49 12
FASE DE MEDICIN PROBABILIDAD

Reyes / febrero 2009
P.
Contenido
VI. FASE DE MEDICIN - PROBABILIDAD.................................................3
Definiciones......................................................................................3
VI.1 Conclusiones estadsticas vlidas.................................................3
Estudios analticos (inferenciales).....................................................3
Estudios enumerativos (descriptivos)...............................................4
VI.2 Teorema del lmite central............................................................5
VI.3 Conceptos de Probabilidad...........................................................6
Probabilidad de un evento simple.....................................................7
Probabilidad de eventos Compuestos...............................................7
Relaciones entre eventos..................................................................8
Leyes dela probabilidad..................................................................10
Teorema de Bayes...........................................................................11
VI.4 Distribuciones de probabilidad...................................................13
VI.5 Distribuciones de probabilidad discretas....................................14
DISTRIBUCIN HIPERGEOMTRICA.................................................14
b) Cul es la probabilidad de aceptar el lote si contiene 3
defectuosos.....................................................................................15
DISTRIBUCIN BINOMIAL................................................................15
DISTRIBUCIN DE POISSON............................................................18
VI.6 Distribuciones de probabilidad continuas...................................22
DISTRIBUCIN EXPONENCIAL..........................................................23
La distribucin normal.....................................................................27
VI.7 Distribuciones de probabilidad para decisin.............................29
DISTRIBUCIN CHI CUADRADA........................................................29
DISTRIBUCIN T DE STUDENT.........................................................30
Distribucin F..................................................................................31
Bibliografa.........................................................................................33
Pgina 2 de 43

P.
VI. FASE DE MEDICIN - PROBABILIDAD
Definir
Definir
Medir
Medir
Analizar
Analizar
Mejorar
Mejorar
Controlar
Controlar
Definiciones
Distribuciones
de
probabilidad
continuas
Contienen un nmero infinito de valores que pueden

ser mostrarlos en una escala de medicin continua
(distribuciones
normal,
uniforme,
Weibull
y
exponencial)
Distribuciones
de
probabilidad
discretas
Distribuciones
de
probabilidad
de decisin
Resultan de datos contables (atributos) con un

nmero finito de valores posibles (distribuciones
binomial, Poisson e hipergeomtrcia)
De utilizan para tomar decisiones y construir
intervalos de confianza. Ejemplos t, F, Chi cuadrada
VI.1 Conclusiones estadsticas vlidas

Estudios analticos (inferenciales)
El objetivo de la inferencia estadstica es obtener conclusiones acerca
de una caracterstica de la poblacin con base en la informacin
obtenida en una muestra. Tiene dos pasos: (1) la inferencia y (2) la
medicin de su validez. Los pasos para realizar la inferencia son:
Definir el objetivo del problema en forma precisa
Decidir si el problema se evaluar con una o dos colas
Pgina 3 de 43

P.
Formular una hiptesis nula y la alterna
Seleccionar una distribucin de prueba y un valor crtico del

estadstico reflejado el grado de incertidumbre que puede ser
tolerado (alfa, riesgo)
Calcular el valor del estadstico de prueba con la informacin de

la muestra
Comparar el valor del estadstico calculado vs su valor crtico y

tomar una decisin de aceptar o rechazar la hiptesis nula
Comunicar los hallazgos a las partes interesa
Todos los das nos enfrentamos a tomar decisiones (A o B), mientras

que mucha gente piensa que con su intuicin es suficiente, el caso es
que frecuentemente toman malas decisiones.
Estudios enumerativos (descriptivos)

Los datos enumerativos son los que pueden ser contados (por ejemplo:
clasificacin de cosas, clasificacin de gente por rango de ingreso,
etc.). Las herramientas usadas en las pruebas de hiptesis realizadas
con datos enumerativos son la Chi cuadrada. Binomial y Poisson.
Para Deming:
En un Estudio enumerativo la accin se toma en el universo.
En un estudio analtico la accin ser tomada en un proceso para
mejorar su desempeo futuro
Las medidas calculadas de una muestra se denominan estadsticos y
cuando describen a la poblacin se denominan parmetros:
Medida
Media
Desviacin estndar
Estadstico
X
Parmetro
Pgina 4 de 43

Pgina 5 de 43
P.

P.
RESUMEN
Los estudios analticos inician con el establecimiento de la hiptesis
acerca de los parmetros de la poblacin. Se obtiene un estadstico
muestral para probar la hiptesis y ya sea rechazarla o no rechazarla.
En un cierto nivel de confianza se deben poder hacer inferencia
respecto a la poblacin.
VI.2 Teorema del lmite central

Si una variable aleatoria X tiene media con varianza finita 2,
conforme se incrementa n, X tiende a ser una distribucin normal
con media y varianza 2X . Donde 2X = /n.
Donde n es el nmero de observaciones en las que se basa el clculo
de las medias.
La distribucin de las medias de las muestras tienden a distribuirse

normalmente independientemente de la poblacin de donde se
originan las muestras.
La dispersin de los valores individuales en mayor que la dispersin de
los promedios y se relacionan como sigue:
Ejemplo:
Pgina 6 de 43

P.
Si la media del peso de un producto es de 20 gramos y su desviacin

estndar S es de 0.124 gramos. Estimar la sigma de las medias para
un tamao de muestra de 4:
S X =
S X 0.124
=
=0.062 gramos
n 4
En la siguiente pgina se muestra el comportamiento de la

distribucin de las medias para varias distribuciones de pobalciones:
VI.3 Conceptos de Probabilidad

Para hacer inferencias acerca de la poblacin con base en informacin
tomada de una muestra, se utilizan las probabilidades.
La probabilidad de cualquier evento (E ) se encuentra entre 0 y 1. La
suma de las probabilidades de todos los eventos posibles (E ) en un
espacio muestra (S) es 1.
Pgina 7 de 43

P.
Probabilidad de un evento simple

La probabilidad de un evento (E), puede ser calculada mediante la relacin de
el nmero de respuestas en favor de E, y el nmero total de resultados
posibles en un experimento.
P E
# Favorable E
# Total resultados
1
.16
6
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:

Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es:
1
.5
2
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:
1 1 1 1 1 1
1
6 6 6 6 6 6
La probabilidad de un evento est comprendida siempre entre 0 y 1. La

suma de las probabilidades de todos los eventos posibles (E) en un
espacio muestral S = 1
Un espacio muestral (S): Es el conjunto Universal; conjunto de todos
los n elementos relacionados = # Total de resultados posibles.
Probabilidad de eventos Compuestos

Es la probabilidad compuesta por dos eventos simples relacionados entre s.
En la composicin existen dos posibilidades: Unin
o Interseccin .
Unin de A y B
Si A y B son eventos en un espacio muestral (S), la unin de A y B

contiene todos los elementos de el evento A o B o ambos.
Pgina 8 de 43

Interseccin de A y B
Si A y B son eventos en un espacio muestral S, la interseccin
A B
P.
de A y B
est compuesta por todos los elementos que se encuentran en A y B.
Relaciones entre eventos

Existen tres tipos de relaciones para encontrar la probabilidad de un evento:
complementarios, condicionales y mutuamente excluyentes.
1. Eventos complementarios: El complemento de un evento A son todos
los elementos en un espacio muestral (S) que no se encuentran en A. El
complemento de A es:
A 1 P A
Ejemplo 4: En el evento A (da nublado), P(A) = .3, la probabilidad de

tener un da despejado ser 1-P(A) = .7
P A .7
P(A)=.3
2. Probabilidad condicional: Para que se lleve a cabo un evento A se

debe haber realizado el evento B. La probabilidad condicional de un
evento A dado que ha ocurrido el evento B es:
P A B
P A B
P B
, si B 0
Pgina 9 de 43

P.
Ejemplo 5: Si el evento A (lluvia) y B(nublado) = 0.2 y el evento B

(nublado) = 0.3, cual es la probabilidad de que llueva en un da nublado?
Nota: no puede llover si no hay nubes
P A B
P A B
P B
0.2
0.67
0.3
A
P(A/B)=.67
Ejemplo 6. Las razones de queja en productos se muestran a continuacin:
Falla
apariencia
32%
3%
Total
18%
12%
RAZN DE LA
QUEJA
Falla
mecnica
13%
22%
30%
35%
35%
100%
Falla elctrica
En garanta
Fuera de
garanta
Total
63%
37%
Si A es el evento de que la queja es por apariencia y que B representa que la

queja ocurri en el periodo de garanta. Se puede calcular P(Z | B) = P(A y
B) / P(B)
P(A | B) = 0.32 / 0.63 = 0.51
Si C es el evento fuera de garanta y D falla mecnica:
P(C|D) = P(C y D) / P(D) = 0.22 / 0.35 = 0.628
Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o
P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no est afectada por la ocurrencia
del otro. De otra manera los eventos son dependientes.
Un ejemplo de evento independiente es: Cul es la probabilidad de que

llueva en lunes?
El ejemplo de evento dependiente es el ejemplo 5.
3. Eventos mutuamente excluyentes.
Pgina 10 de 43

P.
Cuando un evento A no contiene elementos en comn con un evento B, se

dice que estos son mutuamente excluyentes.
Eventos mutuamente excluyentes.
Ejemplo 7. Al lanzar un dado:
a) cual es la probabilidad de que salga 2 o 3? B) Calcule P A B ?
1 1 1
.33
P A B 6 6 3
a)
b) P A B = 0, ya que al ser conjuntos mutuamente excluyentes la

interseccin no existe, es imposible que salga 2 y 3 al mismo tiempo.
Leyes dela probabilidad

Ley aditiva:
Cuando dos eventos no son mutuamente excluyentes:
P A B P A P B P A B
Ejemplo: Si se tienen dos coches y cada uno tiene la probabilidad de

arrancar en una maana fra de 0.7 Cul es la probabilidad de llegar al
trabajo?
P(AuB) = P(A) + P(B) P(AyB) = 0.7 + 0.7 0.49 = 91%
Cuando los eventos son mutuamente excluyentes:
P A B P A P B
Ejemplo: Si la probabilidad de hallar un baln negro en un cuarto obscuro es

de 0.4 y la probabilidad de hallar un baln azul es de 0.3 Cul es la
probabilidad de hallar un baln negro o azul?
P(AuB) = 0.4 + 0.3 = 70%
Ley multiplicativa:
Pgina 11 de 43

P.
Si los eventos A y B son dependientes:
Si los eventos A y B son independientes:
P A B P A P B A
P A B P A P B
Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100

unidades, se sabe que 98 de los 100 artculos estn en buen estado. La
muestra se selecciona de manera tal que el primer artculo se observa y se
regresa antes de seleccionar el segundo artculo (con reemplazo), a) calcule
la probabilidad de que ambos artculos estn en buen estado, b) si la muestra
se toma sin reemplazo, calcule la probabilidad de que ambos artculos estn
en buen estado.
A: El primer artculo est en buen estado.
B: El segundo artculo est en buen estado.
a) Al ser eventos independientes el primero del segundo:
98 98

.9604
P A B P A P B = 100 100
A
P(A) =.98
B
P(B) =.98
b) Si la muestra se toma sin reemplazo de modo que el primer artculo no

se regresa antes de seleccionar el segundo entonces:
98 97

.9602
P A B P A P B A = 100 99
Se observa que los eventos son dependientes ya que para que para obtener
el evento B, se tiene que haber cumplido antes el evento A.
P(B/A)=.97
Pgina 12 de 43
P(A) =.98

P.
Teorema de Bayes
Mediante el teorema de Bayes se puede calcular la probabilidad de que
ocurra un determinado evento, cuando no hay datos inmediatos del mismo
mediante la informacin que se tiene de otros eventos.
Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z
se describe mediante el teorema de probabilidad total el cual es:
P ( Z ) P A P Z A P B P Z B
Mediante el teorema anterior se deduce el teorema de Bayes:
P A Z
P A P Z A
P A P Z A P B P Z B
Ejemplo 8: En cierta universidad 20% de los hombres y 1% de las mujeres

miden ms de 1.80m de altura. Asimismo 40% de los estudiantes son
mujeres. Si se selecciona un estudiante al azar y se observa que mide ms de
1.80m Cual es la probabilidad de que sea mujer?
Z > 1.80 m
HOMBRE
MUJER
A = Hombre
B = Mujer
.80
.99
< 1.80
P (A) = .60
P (B) = .40
P (Z|A) = .20
> 1.80
.20
.01
P (Z|B) = .01
=Z
Para encontrar la probabilidad de que sea mujer dado que mide ms de 1.80,
Utilizando el teorema de Bayes:
Pgina 13 de 43

P B Z
P.
P B P Z B
P A P Z A P B P Z B
Hombre
P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.
Mujer
Se puede visualizar P(B/Z) en el siguiente diagrama:

Z > .80
Por lo tanto la probabilidad de que sea mujer dado

que mide ms de 1.80 es .032 = 3.2 %
Pgina 14 de 43
P(A/Z)
P(B/Z) = .032

P.
VI.4 Distribuciones de probabilidad

Variable aleatoria: Para un determinado espacio muestral SS una
variable aleatoria (VA) es cualquier regla que relaciona un nmero con
cada resultado en SS.
Variable aleatoria de Bernoulli: Es cualquier variable aleatoria con
valores 0 y 1.
Variable aleatoria discreta: Es una variable aleatoria cuyos posibles
valores son enteros.
Variable aleatoria continua: Es una variable aleatoria cuyos valores
posibles son los reales.
Distribucin de probabilidad o funcin de masa de
probabilidad: Establece en una tabla, frmula o grfica como se
distribuye la probabilidad P(y) asociada a los posibles valores de la
variable aleatoria y.
Debe cumplir con las reglas siguientes:
1. 0 <= P(y) <= 1
2. Suma (P(y)) = 1
Su frmula es la siguiente:
Funcin de distribucin acumulativa:
FX ( x) P ( X x )
Pgina 15 de 43

P.
Con propiedades:
0 F ( x) 1
Lim x F ( x) 1
Lim x F ( x ) 0
Valor esperado de una distribucin de probabilidad discreta

La media o valor esperado de una variable aleatoria discreta X ,
denotada como E(X), es
X E ( X ) xf X ( x) xP( X x )
x
La media es el centro de la masa del rango de los valores de X.

Varianza de una distribucin de probabilidad discreta
Sea Y una variable aleatoria discreta con distribucin de probabilidades
P(X=x). Entonces, la varianza de Y es:
X E[( X X ) 2 ] ( x X ) 2 P( X x)
2
VI.5 Distribuciones de probabilidad discretas

DISTRIBUCIN HIPERGEOMTRICA
Se aplica cuando la muestra (n) es una proporcin relativamente grande en
relacin con la poblacin (n > 0.1N). El muestreo se hace sin reemplazo.
P(x, N, n, D) es la probabilidad de exactamente x xitos en una muestra de n
elementos tomados de una poblacin de tamao N que contiene D xitos. La
funcin de densidad de distribucin hipergeomtrica:
D
N D
C C
n!
P ( x) x Nn x
C xn
Cn
x!(n x)!
Con
La media y la varianza de la distribucin hipergeomtrica son:
Pgina 16 de 43

P.
Ejemplo: De un grupo de 20 productos, 10 se seleccionan al azar para

prueba. Cul es la probabilidad de que 10 productos seleccionados
contengan 5 productos buenos? Los productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) = 15, x = 5
P(x=5) = 0.0183 = 1.83%
USO DE EXCEL:
N = Tamao de Poblacin, n = Tamao de muestra, D= xitos en la
poblacin; x = xitos en la muestra.
En Fx Estadsticas seleccionar
=distr.hipergeom(x, n, D, N)
USO
DE MINITAB:
Calc > Probability distributions > Hypergeometric
Probability (densidad) o Cumulative probability (acumulada)
N, D, n y en Input constant introducir x.
EJERCICIO:
1. Se compran 10 transformadores y se toma una muestra de 4. Si se
encuentra uno o ms defectuosos se rechaza el lote de 10.
a) Cul es la probabilidad de aceptar el lote si contiene 3 defectuosos.
b) Si el lote tiene un defectuoso, Cul es la probabilidad de que se rechace
el lote?
DISTRIBUCIN BINOMIAL
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos
resultados. xito o fracaso. Donde la probabilidad de xito se denota
por p
Pgina 17 de 43

P.
Suponga se realizan n experimentos Bernoulli independientes.

Suponga que la variable X de inters es el nmero de xitos. X toma
valores 0,1,2,...,n
La distribucin binomial se utiliza para modelar datos discretos y se
aplica para poblaciones grandes (N>50) y muestras pequeas
(n<0.1N). El muestreo binomial es con reemplazo. Es apropiada
cuando la proporcin defectiva es mayor o igual a 0.1.
La binomial es una aproximacin de la hipergeomtrica
La distribucin normal se aproxima a la binomial cuando np > 5
La variable aleatoria x tiene una distribucin binomial como sigue:
n = tamao de muestra
x = Ocurrencias o nmero de defectivos
p = probabilidad o proporcin defectiva
Con media y varianza:
Ejemplo: Se toma una muestra aleatoria de 10 unidades de un lote de

una prena. Por experiencia se sabe que hay el 10% de partes
defectivas. Encontrar la probabilidad de encontrar exactamente una
parte defectiva (n = 10, x = 1, p = 0.1)
Pgina 18 de 43

P ( X=1 )=
P.
10!
(0.1)1( 0.9)9 =38.74
1!9!
Ejemplo: Durante el mes pasado un proceso continuo promedi 6% de

defectivos, al inicio de este mes se tom una muestra de 300
unidades, encontrando 22 defectivos. Cul es el promedio de
defectivos esperado y la variacin a 3 sigmas?
P = x/n = 22 / 300 = 0.073
p=
1- p =0.927
p(1 p)
0.073(0.927)
=
=0.015
n
300
P 3 S = 0.073 0.045 = ( 0.028, 0.118)

Ejemplo: Un equipo requiere a lo ms 10% de servicios en garanta.
Para comprobarlo se compran 20 de estos equipos y se someten a
pruebas aceleradas de uso para simular el uso durante el periodo de
garanta. Obtener la probabilidad para P(x<=4).
Rechazar la afirmacin de que falla menos del 10% si se encuentra que
X>=5.
P(X>=5) = 1- P(X<=4) =1 - distr.binom(4,20,0.1,1) = 1 0.9568 =
0.0432 lo cual es bajo.
USO DE EXCEL:
x = xitos en la muestra, p = probabilidad de xito, n = tamao de
muestra.
=distr.binom(x, n, p, 0 o 1 dependiendo si es puntual o
acumulada)
USO
DE MINITAB:
Calc > Probability distributions > Binomial
n = number of trials, p = probability of success y en Input
constant introducir x.
EJERCICIOS
Pgina 19 de 43

P.
1. Un panel solar tiene una vida til de 5 aos con una probabilidad de 0.95.
Se toman 20 paneles solares y se registr la vida til.
a) Cul es la probabilidad de que exactamente 18 tengan su vida til de 5
aos?
b) Cul es la probabilidad de que cuando mucho 10 tengan esa vida til?
c) Si solo 10 paneles tienen una vida til de 5 aos, que debera pensarse
sobre el valor verdadero de P?
2. 20% de los telfonos se reparan cuando todava est vigente la garanta.
De estos el 60% se reparan mientras que el 40% se reemplazan. Si una
empresa compra 10 de estos telfonos, Cul es la probabilidad de que
exactamente sean reemplazados 2 en periodo de garanta?.
3. Suponga que solo 25% de los automovilistas se detienen por completo en
un alto con luz roja intermitente cuando no est visible otro automvil. Cul
es la probabilidad de que de 20 automovilistas seleccionados al azar se
detengan:
a) A lo sumo 6 se detengan por completo
b) Exactamente 6 se detengan por completo?
c) Al menos 6 se detengan por completo?
d) Cuntos de los siguientes 20 automovilistas se espera que se detengan
por completo?
4. De todas las plantas slo el 5% descargan residuos por sobre la norma. Si
se muestrean 20 plantas Cul es la probabilidad de que estn fuera de la
ley:
a) Menos que una planta?
b) Menos de dos plantas
c) Exactamente 3
d) Ms de una
DISTRIBUCIN DE POISSON
La distribucin de Poisson se utiliza para modelar datos discretos como
aproximacin a la Binomial dada la dificultad que exista de encontrar
tablas Binomiales adecuadas cuando n es grande y p pequea. La
distribucin de probabilidad de Poisson proporciona buenas
aproximaciones cuando np <= 5.
Pgina 20 de 43

P.
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el

tamao de muestra es grande (n > 16) por tanto np > 1.6.
Una Variable aleatoria X tiene distribucin Poisson si toma
probabilidades con.
Con media y varianza:
Ejemplo 1. Suponga que una compaa de seguros asegura las vidas

de 5000 hombres de 42 aos de edad. Si los estudios actuariales
muestran que la probabilidad de que un hombre muera en cierto ao
es 0.001, entonces la probabilidad de que la empresa pague
exactamente 4 indemnizaciones y= 4 en un cierto ao es:
P ( y 4) p(4)
5000!
(0.001) 4 (0.999) 4996
4!*4996!
El valor de esta expresin no aparece en tablas y su clculo era difcil,

no as con Excel.
Aproximando con la distribucin de Poisson, se toma la tasa media de
sucesos = np = (5000)*(0.001)= 5, teniendo:
Pgina 21 de 43

P ( y 4)
P.
4 e 5 4 e 5
0.1745
4!
4!
Ejemplo 2. Una planta tiene 20 mquinas, si la probabilidad de que

falla una en cierto da es 0.05. Encuentre la probabilidad de que
durante un da determinado fallen dos mquinas.
np = 20 *0.05 = 1.0
12 e 1
P ( y 2)
0.184
2!
Si se calcula con la distribucin Binomial se tiene:

P ( y 2) p (2)
20!
(0.05) 2 (0.95)18 0.188
2!*18!
Ejemplo 3. Un proceso continuo tiene una 2 defectos en cada 100 m2

de tela cul es la probabilidad de que en 100 m2 de la muestra se
encuentre exactamente 2 defectos?
X
P ( X=2 ) =
e
4
=
=0.27=27
2
x!
2!e
Pgina 22 de 43

P.
La aproximacin es mejor conforme se aproxima a np = 5.

La distribucin de Poisson adems de ser til como aproximacin de
las probabilidades Binomiales, constituye un buen modelo para
experimentos donde Y representa el nmero de veces que ha ocurrido
un evento en una unidad dada de tiempo o de espacio. Por ejemplo:
Nmero de llamadas recibidas en un conmutador durante un da,

conociendo el promedio por da.
Nmero de reclamaciones contra una empresa de seguros por
semana, conociendo el prom. Sem.
Nmero de llegadas a una estacin de servicio durante un
minuto dado, conociendo el prom./min.
Nmero de ventas hechas por un agente de ventas en un da,
conociendo el promedio por da.
Slo se requiere que los eventos sean independientes.
USO DE EXCEL:
x = xitos en la muestra, np = media.
=Poisson(x, np, 0 o 1 dependiendo si es puntual o acumulada)
USO
DE MINITAB:
Calc > Probability distributions > Poisson
n*p = mean y en Input constant introducir x.
Pgina 23 de 43

P.
EJERCICIOS:
1. El 20% de los choferes son mujeres, si se seleccionan 20 al azar
para una encuesta:
Usando la distribucin binomial y la distribucin de Poisson
a) Cul es la probabilidad de que dos choferes sean mujeres ?
b) Cul es la probabilidad de que al menos cuatro sean mujeres?
2. Se tienen 8 recepcionistas, estan ocupadas en promedio el 30% del

tiempo, si 3 clientes llaman la prob. De que estn ocupadas es mayor
al 50%?
3. Un proveedor de partes de bicicleta tiene 3% de defectos. Se
compran 150 partes y si la probabilidad de que 3 o ms partes sean
defectuosas excede al 50%, no se hace la compra.
Qu sucede en este caso?.
4. En una universidad las llamadas entran cada 2 minutos
a) Cul es la cantidad esperada de llamadas en una hora?
b) Cul es la probabilidad de 3 llamadas en los sig. 5 minutos?
c) Cul es la probabilidad de no llamadas en los sig. 5 minutos?
d) cul es la prob. de recibir 10 llamadas en los sig. 15 minutos?
5. Un proceso de manufactura produce 1.2 defectos por cada 100
unidades producidas,
Cul es la probabilidad de que las siguientes 500 unidades presenten
X=3 defectos?
6. 40 trabajadores tienen nuevas computadoras, 26 con MMX. Si se
seleccionan 10 al azar, Cul es la prob. De que 3 tengan la tecnologa
MMX?.
7. De un grupo de 20 productos, se toman 10 al azar,
Cul es la probabilidad de contengan las 5 mejores unidades?
8. De 9 empleados diurnos slo 6 estn calificados para hacer su
trabajo, si se seleccionan aleatoriamente 5 de los 9 empleados, Cul es
la probabilidad de que:
a) Los 5 estn calificados
Pgina 24 de 43

b) 4 estn calificados
Pgina 25 de 43
P.

P.
c) Por lo menos 3 estn calificadosVI.6 Distribuciones de
probabilidad continuas
Se diferencian de las distribuciones de probabilidad discretas en que su
funcin de distribucin acumulativa (F(yo)) para una variable aleatoria
y es igual a la probabilidad F(yo) = P(y<=y0).
Si F(y) es la funcin de distribucin acumulada para una variable
aleatoria continua entonces su funcin de densidad f(y) para y es:
f(y) = dF(y) / dy
Sus propiedades son que:
1. f(y) >= 0
2. Integral desde menos infinito a ms infinito de f(y) d(y) = F( ) = 1
f(y)
F(yo)
yo
y
Funcin de distribucin acumulativa
Entre las distribuciones continuas ms comunes se encuentran la
distribucin normal y la distribucin exponencial.
Pgina 26 de 43

P.
DISTRIBUCIN EXPONENCIAL
Se usa para modelar artculos con una tasa de falla constante y est
relacionada con la distribucin de Poisson. Si una variable aleatoria x
se distribuye exponencialmente, entonces el recproco de x,
y=
1/x sigue una distribucin de Poisson y viceversa.
La funcin de densidad de probabilidad exponencial es: Para x >= 0
x
1
f ( x) e e x
Donde Lambda es la tasa de falla y theta es la media.

La funcin de densidad de la distribucin exponencial
El modelo exponencial, con un solo parmetro, es el ms simple de

todos los modelos de distribucin del tiempo de vida. Las ecuaciones
clave para la exponencial se muestran:
Si el nmero de ocurrencias tiene Distribucin de Poisson, el lapso
entre ocurrencias tiene distribucin exponencial. Su funcin de
distribucin acumulada es la siguiente:
P ( X x) 1 e t
Cuando X = 0 la distribucin de Poisson se convierte en el segundo
trmino de la distribucin exponencial.
Pgina 27 de 43

P.
Probabilidad de que el tiempo entre la ocurrencia de dos eventos

cualquiera sea <= t
F(x)
t
Aqu se desea saber de que no transcurra ms de cierto tiempo entre
dos llegadas, sabiendo que se tiene una tasa de llegadas .
Ejemplo: El tiempo de respuesta de un departamento es de 5 minutos
promedio y se distribuye exponencialmente. La probabilidad de que el
tiempo de respuesta a lo sumo sea de 10 minutos se determina como
sigue:
P(X<=10) = F(10; 1/5) = 1- exp(-0.2*10) = 0.865
La probabilidad entre el tiempo de respuesta de 5 y 10 minutos es:
P(5<=X<=10) = F(10;1/5) F(5; 1/5) = 0.233
USO DE EXCEL:
Lamda = 1/ media.
=distr.exp(x, lamda,1) = distr.exp(10,0.2,1) = 0.865
USO
DE MINITAB:
Calc > Probability distributions > Exponential
Indicar Threshold = 0 y en Scale indicar la media 5
En Input constant indicar la X del tiempo.
Exponential with mean = 5

x P( X <= x )
10
0.864665
Pgina 28 de 43

P.
La Distribucin Exponencial es usada como el modelo, para la parte de

vida til de la curva de la baera, i.e., la tasa de falla es constante. Los
sistemas complejos con muchos componentes y mltiples modos de
falla tendrn tiempos de falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la distribucin ms
conservadora para prediccin.
Las fallas ocurren en los sistemas con una distribucin denominada
Curva de la Baera:
Fallas diseo
Fallas infantiles
tasa.de. falla. cons tan te

Fallas aleatorias
Senectud
Fallas por desgaste
La zona de tasa de fallas constantes, es modelada con La Distribucin

exponencial, muy aplicada a la Confiabilidad, que es la probabilidad de
que un equipo o componente sobreviva sin falla hasta un periodo t
bajo condiciones normales de operacin:
R(t) = Confiabilidad de un sistema o componente
R(t ) e t
Donde es la tasa media de falla y su inverso es el tiempo medio entre
fallas (MTBF), o sea:
1
MTBF
Ejemplo: El MTBF de un foco es de 10 semanas, por tanto = 0.1

fallas/semana y la probabilidad de que el foco no falle o contine en
operacin hasta las 15 semanas es:
R(15) e 0.1*15 0.223
Pgina 29 de 43

y la probabilidad de que falle dentro de las 15 semanas es:
P(15) 1 e 0.1*15 0.777
Pgina 30 de 43
P.

P.
EJERCICIOS:
1. Sea X el tiempo entre dos solicitudes de servicio sucesivas a un
departamento, si X tiene una distribucin exponencial con media = 10,
calcular:
a) El tiempo esperado entre dos solicitudes sucesivas.
b) La desviacin estndar de esas llegadas
c) P(X<=15)
d) P(8<=X<=14)
2. Las falla de los ventiladores de un equipo tiene un tiempo promedio
de 25,000 Horas, cul es la probabilidad de que
a) Un ventilador seleccionado al azar dure por lo menos 20,000 horas?
b) A lo sumo 30,000 horas?
c) Entre 20,000 y 30,000 horas?
3. Un fabricante de equipos electrnicos ofrece un ao de garanta. Si
el equipo falla en ese periodo por cualquier razn se reemplaza. El
tiempo hasta una falla est modelado por la distribucin exponencial:
f(x) = 0.125 exp(-0.125*x)
a) Qu porcentaje de los equipos fallarn dentro del periodo de
garanta?
b) El costo de fabricacin del equipo es de $500 y la ganancia es de
$250 Cul es el efecto de la garanta por reemplazo sobre la
ganancia?
4. El tiempo entre fallas de un componente de equipo es importante
para proveer de equipos de respaldo. Un generador elctrico tiene una
vida promedio de 10 das.
a) Cul es la probabilidad de que falle dentro de los siguientes 14
das?
b) Cul es la probabilidad de que opere por ms de 20 das?
Pgina 31 de 43

Pgina 32 de 43
P.

P.
La distribucin normal
Esta distribucin tiene numerosas aplicaciones, como ya se vio antes
es la base del teorema del lmite central para la distribucin de las
medias muestrales.
Su funcin de densidad es la siguiente:
Donde es la media y la desviacin estndar
Pgina 33 de 43

P.
Efecto de la variacin de la desviacin estndar en la forma de la curva

normal
Para obtener las reas bajo la curva normal se utiliza la transformacin

de Z = (X-)/
Ejemplo: Que porciento usa entre 20 y 24 lts?
El valor Z asociado con X = 20 es z = 0 y con X = 24, z = (24 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) - P(0) = 0.78810.5 = 0.2881 o 28.81%.
Qu porciento usa entre 16 y 20 lts?
El valor Z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,
y para X = 20, z2 = 0. Entonces, P(16 < X < 20) = P(-0.8 < z < 0) =
P(0) - P(-0.8) = 0.5 - 0.2119 = 0.2881 = 28.81%.
Pgina 34 de 43

P.
VI.7 Distribuciones de probabilidad para decisin

Las distribuciones Chi cuadrada, t y F estn formadas con la
combinacin de variables aleatorias. Normalmente no se utilizan para
fenmenos fsicos, como el tiempo a falla, sino se utilizan para tomar
decisiones y construir intervalos de confianza.
DISTRIBUCIN CHI CUADRADA

Si Z es una variable aleatoria normal estndar, entonces:
Es una variable aleatoria Chi cuadrada con n grados de libertad. Esta

distribucin es un caso especial de la distribucin gama con una tasa
de falla de 2 y grados de libertad igual a 2 dividido por el nmero de
grados de libertad correspondiente a la distribucin Chi cuadrada.
La funcin de densidad de la distribucin Chi cuadrada es la siguiente:
Donde son los grados de libertad y x es la funcioon gama.
Pgina 35 de 43

Pgina 36 de 43
P.

P.
DISTRIBUCIN T DE STUDENT
La distribucin t de student se forma al combinar una variable
aleatoria normal y una variable aleatoria chi cuadrada, de forma que la
variable aleatoria con una distribucin t es a siguiente:
La funcin de densidad de la distribucin t de student es:
La media y la varianza de esta distribucin son;
De una muestra aleatoria de n artculos, la probabilidad que se

encuentren entre dos valores especificados es igual al rea bajo la
curva de la funcin de densidad de probabilidad entre los valores
correspondientes en el eje X con n-1 grados de libertad.
Pgina 37 de 43

P.
Ejemplo: La resistencia de 15 sellos seleccionados al azar se

muestran a continuacin Cul es la probabilidad de que la resistencia
sea mayor a 500?
Resistencia
480
500
499
489
486
504
491
499
501
508
479
496
501
496
498
495.1333333 Media
8.467304063 S
La probabilidad de que l a media poblacional sea mayor a 500 es igual

al rea bajo la funcin de densidad de probabilidad t con n 1 = 14
grados de libertad a la izquierda de:
495.13500
t=
=2.227
8.467 15
De tablas el rea a la izquierda de este valor -2.227 es 0.0214, o sea
que hay un 2.14% de posibilidad de que la media de la poblacin sea
mayor a 500.
Distribucin F
Si X es una variable aleatoria Chi cuadrad con 1 grados de libertad y
Y es una variable aleatoria Chi cuadrada con 2 grados de libertad y X
y Y son independientes, entonces la siguiente variable aleatoria sigue
una distribucin de probabilidad F con 1 , 2 grados de libertad.
Pgina 38 de 43

P.
La distribucin F se utiliza para probar la igualdad de varianzas de dos

poblaciones normales. Si U y V son las varianzas de muestras
aleatorias independientes de tamao n y m de tomadas de poblaciones
normales con varianzas w y z se tiene que:
Es una variable aleatoria con una distribucin F con 1 = n -1 y 2 =

m -1 , la forma de la distribucin F es:
Sus valores estn tabulados o se determinan con Excel o Minitab,

tambin se puede aplicar la siguiente relacin en caso de algunas
tablas faltantes:
Si F0.05, 8, 10 = 3.07 F0.95,10,8 = 0.326

Pgina 39 de 43

Pgina 40 de 43
P.

P.
Bibliografa
Referencias (Breyfogle, 2003) (Omdahl, 1997) (Triola, 1994)
(Wortman, 2001) (Smith, 1987) (Duncan, 1986) (Grant, 1988) (Lapin,
1992)
[En lnea] / aut. Network The Gilbreth. - 30 de 11 de 2006. http://gilbrethnetwork.tripod.com/therbligs.html.
"Kaizen events - 5Ss", Lean Six Sigma [Libro] / aut. Davidson P.. VIllanova : Bisk Education, Inc. and Villanova University, 2006.
"The 5S Philosophy", Matalteck Mfg, Inc. Papa Kaizen [En lnea] /
aut. Skaggs T.. - 1 de 11 de 2006. http://www.tpmonline.com/papakaizen/articlsa_on_lean_manufacturing
_strategies/5s.htm.
A study of the Toyota Production System from an industrial
engineering view point [Libro] / aut. Shingo S.. - Cambridge, MA :
Productivity Press, 1989.
A study of the Toyota production system from an industrial
engineering viewpoint [Libro] / aut. Shingo S.. - Cambridge, MA :
Productivity Press, 1989.
Advancing Quality Planning (APQP) and Control Plan Reference
Manual [Libro] / aut. AIAG. - Southfield, Michigan EUA : AIAG, 2000.
Becoming Lean: Inside stories of U.S. manufactiurers [Libro] /
aut. Liker J.. - Portland, OR : Productivity Press, 1997.
Business Statistics [Libro] / aut. Triola M.F. & FRanklin L.A.. Reading : Addison Wesley, 1994.
Business Statistics [Libro] / aut. Triola M.F. & Franklin, L.A.. Reading : Addison Wesley, 1994.
CSSGB Primer [Libro] / aut. Wortman B.L.. - Terre Haute, IN : Quality
Council of Indiana, 2001.
Engineering statistics handbook [Libro] / aut. NIST. - [s.l.] : NIST,
2001.
Engineering Statistics Handbook [En lnea] / aut. NIST. Information Technology Laboratory, Statistical Engineering Division,
2001. - 21 de 9 de 2001.
Examining Just in Time and Theory of Constraints. Lean
Directions [En lnea] / aut. Pitcher M.. - 13 de 03 de 2003. - 29 de 11
de 2006. - http://www.sme.org/cgi-bin/get-newsletter.pl?
lean&2003013&1.
Gemba Kaizen: A common sense, low cost aproach to
management [Libro] / aut. Imai M.. - Nueva York : McGraw Hill, 1997.
How to be an effective trainer [Libro] / aut. Smith B. & Delahaye,
B.. - Nueva York : Wiley professionmal Development Programs, 2nd.
edition, 1987.
Pgina 41 de 43

P.
Implementing Sis Sigma [Libro] / aut. Breyfogle F., III. - Nueva York :
John Wiley and Sons, 2nd. edition, 2003.
Implementing six sigma: Smarter solutions using statistical
methods [Libro] / aut. Breyfogle F.W. III. - Nueva York : John Wiley and
Sons, 2003. - Vol. 5th edition.
iSizSigma [En lnea] / aut. Isixsigma. - 14 de 11 de 2006. http://www.isizsigma.com/dictionary/5S-486.htm.
ISO /TS 16949:2002 Quality Management Systems [Libro]. Genova, Suiza : ISO, 2002.
Lean Kaizen. A simplified approach to process improvements
[Libro] / aut. Alukai G. & Manos A.. - Milwaukee WI : ASQ Qaulity Press,
2006.
Measurement system analysis reference manual [Seccin del
libro] / aut. MSA / aut. libro AIAG. - [s.l.] : Automotive Industry Action
Group, 1998.
Measuring systema analysis [Libro] / aut. AIAG. - [s.l.] : AIAG, 1998.
Moder approaches to manufacturing improvement: The Shingo
System [Libro] / aut. Robinson A.. - Portland, OR : Productivity Press,
1990.
Practical statistics: Simply explained [Libro] / aut. Langley R.. Nueva York : Dover publications, 1971.
Product part approval process (PPAP) [Libro] / aut. AIAG. - [s.l.] :
AIAG, 1995.
Quality control and industrial statistics [Libro] / aut. Duncan A.J.. Homewood, IL : Richard D. Irwin, 1986. - Vol. 5th. edition.
Quality dicitonary [Libro] / aut. Omdahl. - Terre Haute IN : Quality
Council of Indiana, 1997.
Quality management: introduction to total quality
management for production, processing and services, 3rd.
edition [Libro] / aut. Goestsch D.L. & Davis, S.B.. - Nueva York : Upper
Saddle River, Prentice Hall, 2000.
Reading Statistics and Research [Libro] / aut. Huck S. & Cormier,
W.. - Nueva york : HerperCollins, 1996. - Vol. 2a. edicin.
Satistical quality control [Libro] / aut. Grant E.L. & Leavenworth, R. Nueva York : McGraw Hill, 1988. - Vol. 6th. edition.
Simon [En lnea] / aut. Simon K. // Sample SIPOC Diagram. - 2001. - 19
de 08 de 2001. http://www.sixsigma.com/library/content/c010429b.asp.
Statistics for the modern business decisions [Libro] / aut. Lapin
L.L.. - Nueva York : Harcourt, 1992. - Vol. 3rd. edition.
The 5S'sfive keys to a total quality improvement [Libro] / aut.
Osada T.. - Tokio : Asian Productivity Organziation, 1991.
The Black Belt Memory Jogger: A pocket guide for Six Sigma
success [Libro] / aut. Sigma Academy Six. - Salem, NH : GOAL/QPC,
2002.
Pgina 42 de 43

P.
The forgotten C in DMAIC [Publicacin peridica] / aut. Rybarczyk

P // Quality Progress, 38 . - [s.l.] : Milwa, November 2005. - pg. (11).
The Goal: a process of ongoing improvement [Libro] / aut. Goldatt
E. & Cox J.. - Nueva York : North River Press, 1986.
The new shop floor management: Empowering people fro
continuous improvement [Libro] / aut. Susaki K.. - Nueva York : The
Free Press, 1993.
The perfect engine: how to win in the new demand economy by
building to order with fewer resources [Libro] / aut. Sharma A. &
Moody, P. - Nueva York : The Free Press, 2001.
Theory of Constraints [Libro] / aut. Goldratt E.. - Great Barribgton,
MA : North River Press, 1990.
Waste elimination [Libro] / aut. Metcalf M.D.. - Sullivan, IN : Metcalf
Publishing, 1997.
Why Doers Do [Libro] / aut. Wile D.. - [s.l.] : P&I - 35 (2), 1996
Febrero.
Zero quality control: Source inspection and the Poka Yokes
system [Libro] / aut. Shingo S.. - Stamford, CT : Productivity Press,
1986.
Pgina 43 de 43

Fase Medicion Prob

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Fase Medicion Prob

Hochgeladen von

Copyright:

Verfügbare Formate

VI.

FASE DE MEDICIN PROBABILIDAD

FASE DE MEDICIN PROBABILIDAD

VI. FASE DE MEDICIN - PROBABILIDAD

Contienen un nmero infinito de valores que pueden

Resultan de datos contables (atributos) con un

VI.1 Conclusiones estadsticas vlidas

Definir el objetivo del problema en forma precisa

Decidir si el problema se evaluar con una o dos colas

FASE DE MEDICIN PROBABILIDAD

Formular una hiptesis nula y la alterna

Seleccionar una distribucin de prueba y un valor crtico del

Calcular el valor del estadstico de prueba con la informacin de

Comparar el valor del estadstico calculado vs su valor crtico y

Comunicar los hallazgos a las partes interesa

Todos los das nos enfrentamos a tomar decisiones (A o B), mientras

Estudios enumerativos (descriptivos)

FASE DE MEDICIN PROBABILIDAD

FASE DE MEDICIN PROBABILIDAD

VI.2 Teorema del lmite central

La distribucin de las medias de las muestras tienden a distribuirse

FASE DE MEDICIN PROBABILIDAD

Si la media del peso de un producto es de 20 gramos y su desviacin

En la siguiente pgina se muestra el comportamiento de la

VI.3 Conceptos de Probabilidad

FASE DE MEDICIN PROBABILIDAD

Probabilidad de un evento simple

Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:

La probabilidad de un evento est comprendida siempre entre 0 y 1. La

Probabilidad de eventos Compuestos

Si A y B son eventos en un espacio muestral (S), la unin de A y B

FASE DE MEDICIN PROBABILIDAD

est compuesta por todos los elementos que se encuentran en A y B.

Relaciones entre eventos

Ejemplo 4: En el evento A (da nublado), P(A) = .3, la probabilidad de

2. Probabilidad condicional: Para que se lleve a cabo un evento A se

FASE DE MEDICIN PROBABILIDAD

Ejemplo 5: Si el evento A (lluvia) y B(nublado) = 0.2 y el evento B

Ejemplo 6. Las razones de queja en productos se muestran a continuacin:

Si A es el evento de que la queja es por apariencia y que B representa que la

Un ejemplo de evento independiente es: Cul es la probabilidad de que

FASE DE MEDICIN PROBABILIDAD

Cuando un evento A no contiene elementos en comn con un evento B, se

Eventos mutuamente excluyentes.

Ejemplo 7. Al lanzar un dado:

a) cual es la probabilidad de que salga 2 o 3? B) Calcule P A B ?

b) P A B = 0, ya que al ser conjuntos mutuamente excluyentes la

Leyes dela probabilidad

Ejemplo: Si se tienen dos coches y cada uno tiene la probabilidad de

Cuando los eventos son mutuamente excluyentes:

Ejemplo: Si la probabilidad de hallar un baln negro en un cuarto obscuro es

FASE DE MEDICIN PROBABILIDAD

Si los eventos A y B son dependientes:

Si los eventos A y B son independientes:

Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100

b) Si la muestra se toma sin reemplazo de modo que el primer artculo no

FASE DE MEDICIN PROBABILIDAD

Ejemplo 8: En cierta universidad 20% de los hombres y 1% de las mujeres

FASE DE MEDICIN PROBABILIDAD

P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.

Se puede visualizar P(B/Z) en el siguiente diagrama:

Por lo tanto la probabilidad de que sea mujer dado

FASE DE MEDICIN PROBABILIDAD

VI.4 Distribuciones de probabilidad