Beruflich Dokumente
Kultur Dokumente
CONTROL DE CALIDAD
CAPITULO 2
OBJETIVO DEL CAPITULO
EXPERIMENTO
PROBABILIDAD
ALEATORIO
La probabilidad es la parte de un Un experimento aleatorio es aquel
experimento aleatorio asociada a un cuyo resultado no puede anticiparse
suceso o evento futuro y suele aun cuando se busque repetirlo de la
expresarse como un numero entre 0 y misma manera y bajo las mismas
1 (o entre 0% y 100%) condiciones
ESPACIO
EVENTO
MUESTRAL
EXPERIMENTO MUESTRAL
22 20 23
22 22 20
20 21
24
23 21 23
21 25 20
22
21 20 20 21 22
21 24 21 22
22 21 22
23 20
21 21 21
20 23 22 22
21 20 19 21
22 22 21
ESPACIO MUESTRAL
0 p(A) 1
p(S) = 1
p(C) = 0
p(Ac) = 1 – p(A)
U
entonces
p(A) ≤ p(B)
𝑛!
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !
Donde:
n = muestra
p = la proporcion promedio de exitos
DISTRIBUCION BINOMIAL (Ejemplo 1.a)
n = 10
p = 2% = 0.02
x=0
p(x) = ?
DISTRIBUCION BINOMIAL (Ejemplo1.a)
Segundo paso
𝑛!
p 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !
10!
p 𝑥=0 = 0.020 (1 − 0.02)10−0
0! 10−0 !
p 𝑥 = 0 = 0.817
n = 10
p = 2% = 0.02
p(x ≤ 3) =?
DISTRIBUCION BINOMIAL (Ejemplo1.b)
𝑛!
Segundo paso p 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! 𝑛−𝑥 !
10!
p 𝑥=1 = 0.021 (1 − 0.02)10−1 = 0.1667
1! 10−1 !
10!
p 𝑥=2 = 0.022 (1 − 0.02)10−2 = 0.01533
2! 10−2 !
10!
p 𝑥=3 = 0.023 (1 − 0.02)10−3 = 0.0008
3! 10−3 !
p 𝑥 ≤3 =p 𝑥 =0 +p 𝑥 =1 +p 𝑥 =2 +p 𝑥 =3
p 𝑥 ≤ 3 = 0.817+0.1667 + 0.0153+ 0.0008
p 𝑥 ≤ 3 = 0.9998
DISTRIBUCION BINOMIAL (Ejemplo1.b)
𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 =
𝑥!
Donde:
e = numero constante 2.718
𝛌 = numero promedio de eventos en una unidad de
medida
x = numero de eventos en una unidad de medida
DISTRIBUCION POISSON (Ejemplo 2.a)
Segundo paso
𝑒 −𝜆 𝜆𝑥
p 𝑥 =
𝑥!
2.718−4 4 0
p 𝑥=0 =
0!
p 𝑥 = 0 = 0.0183
Segundo paso
p 𝑥 ≥ 1 = p 𝑥 = 1 + p 𝑥 = 2 + ……….+ p 𝑥 = ∞
p 𝑥 ≥1 =1−p 𝑥 =0
𝑒 −𝜆 𝜆𝑥
p 𝑥 =
𝑥!
2.718−8 80
p 𝑥=0 = = 0.000336
0!
p 𝑥 ≥ 1 = 1 − 0.000336
p 𝑥 ≥ 1 = 0.9997
DISTRIBUCION POISSON (Ejemplo2.b)
BINOMIAL POISSON
BINOMIAL POISSON
BINOMIAL POISSON
p 𝛌
𝑛! 𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑓 𝑥 =
𝑥! 𝑛−𝑥 ! 𝑥!
DISTRIBUCION MULTINOMIAL
𝑛! 𝑥1 𝑥2 𝑥3 𝑥𝑖
𝑓 𝑥1 , 𝑥2 , 𝑥3 , … . . , 𝑥𝑖 = 𝑝 𝑝 𝑝 …𝑝𝑖
𝑥1 !𝑥2 !𝑥3 ! …….𝑥𝑖 ! 1 2 3
Donde:
n = numero de muestra
xi = numero de veces que ocurre el evento i
pi = probabilidad de ocurrencia del evento i
DISTRIBUCION MULTINOMIAL (Ejemplo 3.a)
Segundo paso
𝑛! 𝑥1 𝑥2 𝑥3
p 𝑥1 , 𝑥2 , 𝑥3 = 𝑝1 𝑝2 𝑝3
𝑥1 !𝑥2 !𝑥3 !
10!
p 7,2,1 = 0.877 0.12 0.031
7! 2! 1!
p 7,2,1 = 0.0407
𝑥−𝜇
P 𝑋 ≤ 𝑥 = 𝑃(𝑍 ≤ )
𝜎
Donde:
X = Variable aleatoria
Z = Variable estandarizada (se debe buscar su valor en
tablas de distribucion normal Z)
µ = media de la distribucion normal
σ = desviacion estandar de la distribucion normal
x = valor limite
DISTRIBUCION NORMAL (Ejemplo 4.a)
µ = 80 000 km
σ = 8 000 km
x = 95 440 km
P(X > x) = ?
P(X > 95 440) = ?
DISTRIBUCION NORMAL (Ejemplo 4.a)
Formulación:
P 𝑋 ≤ 95 440 = 0.9732
DISTRIBUCION NORMAL (Ejemplo 4.a)
µ = 80 000 km
σ = 8 000 km
x1 = 75 000 km
x2 = 85 000 km
P(x1 ≤ X ≤ x2) = ?
P(75 000 ≤ X ≤ 85 000) = ?
DISTRIBUCION NORMAL (Ejemplo 4.b)
P 𝑋 ≤ 85 000
P 𝑋 ≤ 75 000
Formulación:
P 𝑋 ≤ 85 000 = 0.7324
DISTRIBUCION NORMAL (Ejemplo 4.b)
75 000−80 000
P 𝑋 ≤ 75 000 = 𝑃(𝑍 ≤ )
8 000
P 𝑋 ≤ 75 000 = 0.2676
DISTRIBUCION NORMAL (Ejemplo 4.a)