Вы находитесь на странице: 1из 86

r

Universidad Tecnolgica Nacional


Facultad Regional Buenos Aires


MAESTRA EN
INGENIERA EN CALIDAD
2006


PROBABILIDAD
Y ESTADSTICA
APLICADA



Docentes:
Lic. Fernando Kornblit ferk@inti.gov.ar
Ing. Gustavo Vzquez ogustavovazquez@yahoo.com.ar
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 2 / 86



PROBABILIDAD Y ESTADSTICA APLICADA


Motivacin y Objetivos generales del mdulo

El objetivo central de este curso es presentar los elementos estadsticos bsicos
que sern luego utilizados en distintas aplicaciones en Calidad. Cualquier actividad
relacionada con la Calidad requiere la utilizacin de datos numricos repetidos. La
Estadstica aporta tcnicas para analizar estos datos.

Cada vez son ms las decisiones que diariamente deben tomarse en las empresas, a
diferentes niveles y, paralelamente, cada vez es mayor la exigencia de que esas
decisiones sean correctas. En consecuencia, los responsables deben estar dotados de
las herramientas adecuadas capaces de asistirlos en la toma de esas decisiones.
Desestimar su uso significa otorgar ventajas considerables.

En este contexto, existen diversas herramientas y mtodos estadsticos que ocupan un
papel central. El papel de la Estadstica en la calidad industrial ha aumentado y se ha
generalizado rpidamente, extendindose su aplicacin, desde situaciones meramente
tcnicas, como el control de calidad, hasta otras situaciones de la empresa, incluyendo
las vinculadas a la gestin. Algunas de estas situaciones pueden ser: la medicin de
la satisfaccin del cliente, la evaluacin de proveedores y materias primas, la
aplicacin de criterios racionales en la formulacin de un producto, el control de los
procesos, etc.

Objetivos particulares

Para mayor aclaracin, a continuacin especificamos con ms detalle los
objetivos generales presentados arriba

Presentar las bases estadsticas de las principales herramientas usadas en la
Calidad.

Dotar a los participantes de la formacin necesaria para el empleo correcto
de estas herramientas, las cuales sern desarrolladas, algunas en este
mismo mdulo, y muchas otras en mdulos posteriores de aplicacin, como
Confiabilidad, Control Estadstico de Procesos y Diseo de Experimentos

Concebimos que las citadas herramientas deben poder ser aplicadas no
siempre de la misma forma, sino atendiendo a las particularidades concretas
de cada empresa, de cada proceso o producto, y de cada situacin. Por lo
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 3 / 86

tanto en necesario que los participantes reciban no slo el conocimiento de
las diferentes tcnicas o herramientas, sino tambin la aptitud para
adaptarlas. Para esto, se requiere el aprendizaje e incorporacin de criterios
y conceptos tericos esenciales de Estadstica y Probabilidad.

Para la correcta y fluida incorporacin de dichos conceptos, recurriremos a
una nutrida ejemplificacin y ejercitacin, la cual ser comentada con los
docentes



Diferencia con otros cursos de Estadstica y Probabilidad

La aplicacin de una herramienta estadstica a situaciones reales comprende por lo
general tres tareas progresivas:

a a) ) e el le eg gi ir r l la a t t c cn ni ic ca a o o h he er rr ra am mi ie en nt ta a a ad de ec cu ua ad da a p pa ar ra a c ca ad da a
a ap pl li ic ca ac ci i n n, ,
b b) ) a ap pl li ic ca ar rl la a e ef fi ic ci ie en nt te em me en nt te e, , t te en ni ie en nd do o e en n c cu ue en nt ta a l la as s
p pa ar rt ti ic cu ul la ar ri id da ad de es s q qu ue e l la a s si it tu ua ac ci i n n r re eq qu ui ie er re e
c c) ) i in nt te er rp pr re et ta ar r c co or rr re ec ct ta am me en nt te e l lo os s r re es su ul lt ta ad do os s; ;

Sin embargo, es de notar que, por lo general, la bibliografa y los cursos de
capacitacin aluden casi exclusivamente a la segunda de ellas, dejando de lado el
abordaje global del problema, sin el cual no es posible sacar provecho de la tcnicas
empleadas, ni asegurar que las decisiones consecuentes sean las adecuadas.
Intentaremos siempre mostrar este abordaje global.

La mayora de las carreras universitarias, no solamente las carreras tcnicas
(ingenieras, licenciaturas en ciencias, bioqumica, informtica, ciencias sociales, etc)
incluyen en sus currculas algn curso de Probabilidades y Estadstica. Probablemente
muchos de los alumnos de esta carrera virtual hayan cursado alguno de estos cursos.
La enseanza de la Estadstica en los estudios de grado suele tener una modalidad
terica, no siempre vinculada a la resolucin de los problemas concretos.

A diferencia de ellos, este no es un curso terico o acadmico. El ttulo de este
mdulo es Probabilidad y Estadstica Aplicada, y sealamos particularmente la ltima
palabra. Este curso pretende abarcar los diferentes temas desde el punto de vista de
su aplicacin en la calidad.
Nos proponemos, en este mdulo, recuperar aquellos temas y tcnicas estudiados,
en el contexto de las aplicaciones citadas ms arriba. De esta manera, a la vez que
se aprovecha y justifica la formacin previa, se le da un sentido diferente,
otorgndole al alumno elementos que suponen una ventaja competitiva en sus
actividades profesionales.
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 4 / 86


Trabajaremos, siempre que sea posible, con casos y ejemplos tomados de la
experiencia industrial o de servicios, y ser til complementar los contenidos y
ejemplos brindados por los docentes con casos provenientes de la experiencia laboral
de los alumnos, tanto en comunicaciones por e-mail como en las sesiones de chat.


Metodologa a utilizarse en el mdulo

La metodologa de enseanza de este curso debe ser acorde a los objetivos
expuestos ms arriba. Se trabajar con la modalidad de curso-taller. En este marco,
entendemos como muy importante la ejercitacin con datos concretos, tomados
muchos de ellos de la prctica industrial

Se pretende abordar los problemas a partir de la experiencia concreta en el propio
mbito de trabajo de los asistentes, estimulando su participacin. Se trabajar
dentro de lo posible a partir de la exposicin y resolucin de problemas concretos,
que requieran el uso de herramientas estadsticas. Los alumnos intentarn la
resolucin de estas situaciones, en forma individual o grupal, para luego evaluar
globalmente esa solucin con los docentes. Se discutirn las posibilidades de
aplicacin en cada caso. Los docentes aportarn estas situaciones tpicas, a partir
de su propia experiencia en empresas de la alimentacin. Sin perjuicio de esto, se
alentar tambin a que los participantes aporten casos de su propia actividad, para
ser discutidos en clase, intentando la propuesta de soluciones.

Previamente al estudio de estos casos, ser necesaria el repaso y/o profundizacin
de los conceptos estadsticos vistos en las carreras de grado. Se reducir, en lo
posible, la complejidad matemtica asociada a estos conceptos. Se ejercitarn los
distintos temas, y habr, a lo largo del mdulo, preguntas y ejercicios para ser
respondidos por el alumno

USO DEL EXCEL: El Excel ser utilizado en este mdulo para ejemplificar los temas
y realizar ejercicios. En el marco de la metodologa desarrollada ms arriba,
entendemos como muy importante la ejercitacin con datos concretos, tomados
muchos de ellos de la prctica industrial. La eleccin de esta herramienta se
fundamenta en el hecho de ser el programa de manejo de datos y clculos ms
conocido y utilizado. Adems, contiene las funciones y herramientas estadsticas
necesarias para este mdulo.
Por lo tanto, se recomienda fuertemente que los alumnos tengan conocimientos
mnimos del uso de Excel (versin 95 o posterior). Muchos de los ejercicios que
plantearemos para su resolucin estn pensados para ser resueltos en ese
programa. La recomendacin de conocimientos mnimos de Excel significa slo eso:
conocimientos mnimos: saber cargar datos en una hoja de clculo, copiar y pegar
celdas, y, eventualmente, estar en condiciones de hacer un grfico, con el asistente
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 5 / 86

de grficos, (este cono: ) y no mucho ms que eso. De ninguna manera se
requiere tener un nivel de experto. Durante el mdulo, iremos explicando la
utilizacin de algunas funciones y herramientas estadsticas particulares

TRABAJOS PRCTICOS: Junto con este material se presenta un archivo Excel con
5 ejercicios de Trabajos Prcticos cuya resolucin grupal es obligatoria. Cada uno
de estos ejercicios corresponde a un problema prctico en empresas ficticias. Para
la resolucin de los mismos se requiere la aplicacin de algunas de las herramientas
estadsticas vistas durante el curso. La solucin hallada por el grupo deber
elaborarse de forma tal que simule ser un informe para la empresa en cuestin
(realizado por un grupo de la misma empresa, o por consultores externos, etc).
Estos informes debern contener, al menos, los siguientes 4 puntos:

a) Introduccin. Planteo del problema, aspectos a estudiar o mejorar, riesgos
involucrados, etc
b) Abordaje del problema. Herramientas utilizadas. Breve desarrollo de la
metodologa empleada. No es necesario copiar las frmulas matemticas
que se utilicen, sino slo el nombre de las herramientas. Se sugiere la
utilizacin de la computadora.
c) Resultados obtenidos luego de realizar los clculos estadsticos.
Resultados numricos, tablas, grficos, deducciones estadsticas que
correspondan.
d) Conclusiones o decisiones sugeridas, a partir de los resultados. Deben
ser redactadas teniendo en cuenta que sern enviadas a personas de la
direccin de la empresa sin conocimiento de Estadstica. Este ltimo
punto puede entenderse como la traduccin del punto c), a un lenguaje
no estadstico

EJERCICIOS A RESOLVER: En el Apndice IV se presenta una lista de ejercicios,
cuya resolucin por los alumnos es altamente recomendada. Los ejercicios del
examen final sern similares a stos.

CONDICIONES DE APROBACIN: Para aprobar el mdulo, los alumnos debern
tener los trabajos prcticos aprobados (en forma grupal) y, por otro lado, aprobar el
examen final, individual que ser tomado la ltima clase.


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 6 / 86

CAP: I. INTRODUCCIN Y ESTADSTICA DESCRIPTIVA

Parte 1. LAS 10 PREGUNTAS INICIALES
A continuacin, para introducir este mdulo vamos a formular algunas preguntas
que pensamos se estarn haciendo ustedes en este momento, y a responderlas

1.Por qu estudiar Estadstica Aplicada en un curso de posgrado en Calidad?
2.Cules son las aplicaciones principales?
3.Cul fue, brevemente, la historia de los mtodos estadsticos en Calidad?
4. Qu es la Estadstica?
5. Cules son los Objetivos de la Estadstica?
6. Cmo se aplican las tcnicas estadsticas?
7.Qu desventaja y que ventaja, en general, tiene la aplicacin de una herramienta
estadstica?
8. Cul es el papel de los datos y de qu tipo son?
9.Qu diferencia el contenido de este mdulo del de un curso de Estadstica de
una carrera de grado?
10.Dnde aparece la variabilidad y cmo se relacional con los objetivos de estudio
planteados?

1.Por qu estudiar Estadstica Aplicada en un curso de posgrado en Calidad?
Podramos dar muchas respuestas a esta pregunta, pero preferimos dejar que la
norma ISO 9000 responda por nosotros. En el punto 2.10. de ISO 9000.1:2000,
Papel de las tcnicas estadsticas, se hace una referencia general a la aplicacin
de la Estadstica en la Calidad:

El uso de las tcnicas estadsticas puede ser de ayuda para
comprender la variabilidad y ayudar por lo tanto a las organizaciones a
resolver problemas y a mejorar la eficiencia y la eficacia. Asimismo
estas tcnicas facilitan una mayor utilizacin de los datos disponibles para
ayudar en la toma de decisiones

La variabilidad puede observarse en el comportamiento y en los
resultados de muchas actividades, incluso bajo condiciones de
aparente estabilidad. Dicha variabilidad puede observarse en las
caractersticas medibles de muchos procesos, y su existencia puede
detectarse en las diferentes etapas del ciclo de vida de los productos,
desde la investigacin de mercado hasta el servicio al cliente y su
disposicin final.

Las tcnicas estadsticas pueden ayudar a medir, describir,
analizar, interpretar y hacer modelos de dicha variabilidad, incluso con
una cantidad relativamente limitada de datos. El anlisis estadstico de
dichos datos puede ayudar a proporcionar un mayor entendimiento de la
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 7 / 86

naturaleza, alcance y causas de la variabilidad, ayudando as a resolver e
incluso prevenir los problemas que podran derivarse de dicha
variabilidad, y a promover la mejora continua.

En el informe estadstico ISO/TR 10017 se proporcionan orientaciones
sobre las tcnicas estadsticas en los sistemas de gestin de la calidad

El citado documento,ISO/TR 10017:1999(E) Guidance on statistical techniques for
ISO 9001:1994, contiene una rpida referencia de las principales tcnicas y
herramientas estadsticas para la gestin de la calidad, enfocada segn los criterios
de la versin 1994 de la familia de normas, incluyendo las referencias cruzadas
entre los distintos requisitos y dichas tcnicas. El mismo debiera ser completado
agregando elementos necesarios para la satisfaccin de requisitos adicionales que
aparecen en la versin 2000, tales como herramientas para medir de la satisfaccin
del cliente o para la mejora continua.

DEBATE:










2.Cules son las aplicaciones principales?

Slo lo que puede medirse puede mejorarse es una de las primeras
afirmaciones que debe tener en cuenta quien se introduce en el mundo de la
Calidad. A tal fin, la Estadstica puede utilizarse para establecer objetivos, proponer
indicadores y evaluar el grado de cumplimiento de los mismos.
Las siguientes son algunas de las principales aplicaciones de la Estadstica en la
Calidad. Todas ellas sern estudiadas en detalle en el transcurso de los diferentes
mdulos de esta carrera virtual. En este mdulo, veremos algunas de estas
aplicaciones, pero, al mismo tiempo daremos las bases estadsticas y probabilsticas
para que sea posible, posteriormente, encarar los sucesivos mdulos estadsticos.

a) Estadstica Descriptiva: Tcnicas para describir, sintetizar y presentar datos
cuantitativos de la forma adecuada para comprenderlos y analizarlos. Muchas
veces, los anlisis descriptivos constituyen el primer paso de un estudio ms global.
En este mdulo veremos las herramientas ms comunes

Preguntas para el debate:
1Qu entiende por eficiencia y eficacia?
2 Dar ejemplo de caractersticas medibles de los procesos de la empresa
en que used trabaja o que usted conoce
3 dar ejemplos de variabilidad de procesos, tanto para procesos
productivos como de gestin

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 8 / 86

b) Inferencia Estadstica: En este mdulo veremos los conceptos principales. Inferir
significa obtener informacin sobre una poblacin bajo estudio, a partir de datos
observados sobre una muestra extrada de aqulla. Esta informacin, por lo general,
lleva implcita la toma de alguna decisin, tanto a nivel gerencial como operativo. La
inferencia puede consistir en la estimacin de algn parmetro de la poblacin
puntualmente o por un intervalo de confianza- , o en la aceptacin o rechazo de alguna
hiptesis sobre la poblacin tests de hiptesis.

c) Ensayos de aceptacin por muestreo: El trmino muestreo significa mtodos
estadsticos sistemticos para obtener informacin sobre la poblacin, a partir de la
inspeccin de muestras relativamente pequeas. El uso de estos mtodos para
decidir la aceptacin o rechazo de lotes entregados por proveedores internos o
externos, o bien de productos finales, ha sido histricamente la primera aplicacin
de la estadstica al Control de Calidad, y an hoy siguen siendo utilizados en el
marco de sistemas ms modernos de gestin.

d) Control Estadstico de Procesos: En el mdulo del mismo nombre se
estudiarn la herramientas asociada a los grficos de control, herramienta muy til y
extendida. El Control Estadstico de Procesos (CEP, o SPC, en idioma ingls) es, un
conjunto de tcnicas que tienen como objetivo controlar la variabilidad y estabilidad
de los procesos, y detectar las posibles desviaciones de los mismos, con el fin de su
rpida correccin, antes de que se produzcan unidades defectuosas. En general
resulta muy tarde controlar un producto despus de su completa fabricacin. Es
preferible controlar el proceso de fabricacin, del producto o de sus componentes.
Sern los mismos responsables de la produccin, quienes controlen al mismo tiempo
la calidad de la misma. De esta manera, se puede reducir o hasta eliminar la
inspeccin final del producto.
Los estudios de capacidad de procesos permiten, a su vez, evaluar
estadsticamente el cumplimiento de la especificaciones.

e) Confiabilidad: Es la aplicacin de mtodos estadsticos e ingenieriles para
evaluar la performance de productos a lo largo de su tempo de uso, y predecir por lo
tanto su vida til. Los estudios de confiabilidad son necesarios en diferentes etapas
de la vida del producto, como por ejemplo el diseo. En el mdulo del mismo
nombre sern estudiados estos mtodos.

f) Anlisis de mediciones: (Anlisis del Sistema de Medicin en el contexto de la
industria automotriz).Comprende una serie de procedimientos estadsticos para
asegurar la exactitud de las mediciones que puedan afectar a la calidad de los
productos o procesos, teniendo en cuenta la variabilidad en las condiciones en que
se realizan esas mediciones. Es necesario conocer la incertidumbre de las
mediciones y asegurar que la misma es compatible con la capacidad de medicin
requerida. En el mdulo Metrologa se estudiarn estos temas.

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 9 / 86

g) Diseo de experimentos: estudios llevados a cabo para evaluar, con cierto nivel
de confianza, caractersticas de productos, procesos o sistemas, a partir del
conocimiento de la respuesta de los mismos ante la variacin planificada de algunas
de sus magnitudes de influencia. En el mdulo Diseo de Experimentos
Tecnolgicos se vern con detalles estas metodologas

3.Cmo fue, brevemente, la historia de los mtodos estadsticos en Calidad?
Primeramente, la Estadstica se utilizaba en aplicaciones de Control de Calidad,
inspeccionando productos terminados o semielaborados de produccin masiva Las
primeras tcnicas utilizadas estaban relacionadas con ensayo de productos por
muestreo y descarte de no conformes; esto es, se proceda al control del proceso
despus de su fabricacin (ver c), en la pregunta anterior.). Surgieron as, distintos
criterios y procedimiento para muestreo e inspeccin, basados en modelos
estadsticos.

Prontamente, estos mtodos comenzaron a volverse excesivamente costosos y poco
prcticos, porque impedan la correccin de fallas durante los procesos productivos.
En la dcada de 1920 en U.S.A. con los trabajos de Shewhart, de los Laboratorios
Telefnicos Bell surge la idea de controlar el proceso, durante la fabricacin. Los
mtodos del CEP (ver d) en la pregunta anterior) son difundidos durante la posguerra,
en Japn por Deming (discpulo de Shewhart) e Ishikawa, y son muy bien aceptados.
A partir de ac las herramientas estadsticas comienzan a tener un rol activo en el
aseguramiento y gestin de la calidad. Recin en la dcada del 70 los mtodos del
CEP son generalizados en Occidente. Hoy da, los mtodos ms aceptados de gestin
de la Calidad, como TQM, o 6 sigma, reconocen como centrales a las herramientas
estadsticas. Algunos de los principios de gestin de la ISO 9000:2000, como el de la
mejora continua, el de la gestin por procesos, o el del enfoque al cliente llevan
implcitos la utilizacin de tcnicas estadsticas.

En sntesis, podemos decir que la aplicacin de la Estadstica en la Calidad,
evolucion, durante todo el siglo XX, en la misma direccin que la Calidad misma:
desde aplicaciones puramente tcnicas y separadas de los procesos productivos,
hacia la inclusin en actividades de gestin, con un enfoque ms totalizador.

4. Qu es la Estadstica?






.
Antes de ver la respuesta a esta pregunta, intente escribirla:
......................................................................................................................
......................................................................................................................
......................................................................................................................
.......................
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 10 / 86

La Estadstica provee un conjunto de tcnicas que permiten recolectar, procesar,
describir, sintetizar o visualizar datos numricos, y obtener informacin a partir de
los mismos, con el propsito de tomar decisiones tiles. Estos datos son por lo
general recogidos por observacin o medicin, a partir de un universo sometido a
estudio o inspeccin.

Ese universo objeto de estudio es llamado poblacin. Por ejemplo, si una fbrica de
pantalones desea estudiar la cantidad de defectos superficiales de la tela en la
produccin de un mes, la poblacin est formada por todos los pantalones producidos
ese mes. Si se desea saber con qu frecuencia un horno supera una dada
temperatura admisible, la poblacin a todas las posibles operaciones posibles del
horno. Si se quiere estudiar el grado de satisfaccin de nuestros clientes con alguno
de nuestros productos, la poblacin abarca la totalidad de nuestros clientes (reales o
potenciales)

En general resulta imposible o impracticable la inspeccin de todos los elementos de
una poblacin. Una muestra es un subconjunto de elementos tomados de la poblacin.
En los ejemplos anteriores, una muestra est formada por los 80 pantalones que sern
inspeccionados buscando defectos, o por 30 repeticiones del proceso de horneado en
las que se medir la temperatura mxima, o por 200 clientes que sern sometidos a
una encuesta. Al nmero de elementos de la muestra se lo llama tamao de la misma.
Notaremos x
1
,...,x
n
a una muestra tpica, de tamao n.

Se busca que la muestra sea lo ms representativa posible de la poblacin. Si
eligiramos por ejemplo los 20 primeros pantalones producidos el primer da del mes,
no estaramos haciendo lo correcto estadsticamente, dado que la muestra obtenida no
registrara cambios en la produccin posteriores a su obtencin. Se trata de elegir la
muestra al azar entre la poblacin, esto es, de forma tal que cada elemento de la
poblacin tenga igual chance de ser elegido.


5. Objetivos de la Estadstica:
Haciendo una gran simplificacin, podemos decir que la Estadstica persigue alguno
de los dos objetivos siguientes:








El primero de ellos es evidentemente menos ambicioso que el segundo. Basta con
presentar cierta informacin sobre datos observados o medidos, de alguna forma
1.Expresar resultados numricos en un contexto tal que se puedan
interpretar y juzgar,
para:
2.Tomar las decisiones correctas, teniendo en cuenta un nivel de confianza
o de riesgo adecuado
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 11 / 86

conveniente. Llamamos Estadstica Descriptiva (ver 2a) a esta disciplina. Abriendo
cualquier peridico podemos ver informacin estadstica descriptiva sobre distintos
temas, en forma de grficos o tablas por ejemplo. En este caso, en rigor, no nos
preocupamos demasiado por la representatividad de esos datos que se han
descrito, solamente por la forma de describirlos.

El segundo de los objetivos implica un estudio ms global que comprende, as como
la evaluacin de la representatividad de la muestra observada, el estudio de las
caractersticas de la poblacin de la que esa muestra fue extrada, dado que la
decisin que se tomar afectar a la totalidad de la poblacin, no solamente a la
muestra. Llamamos Inferencia Estadstica a esta disciplina (ver 2b) Dado que la
aplicacin de tcnicas de Inferencia Estadstica requiere tener conocimientos
previos sobre la poblacin en estudio, se vuelve necesario dominar algunos
elementos de la Teora de la probabilidad, que sern dados en este mdulo a partir
del Captulo 2.

Fundamentalmente, las aplicaciones de la inferencia pueden clasificarse a dos
casos. En primer lugar tenemos aquellos en que las caractersticas de la poblacin
(parmetros, como por ejemplo el valor medio de un proceso, o la proporcin de
unidades falladas) son desconocidas y deben ser estimadas a partir de datos de
muestras. Las tcnicas de estimacin y de intervalos de confianza se incluye en
esta modalidad. Otras aplicaciones aparecen cuando queremos verificar si alguna
suposicin asumida sobre la poblacin es cierta o no. En estos casos aplicamos los
llamados tests de hiptesis. De alguna manera, lo que tratamos de hacer ac es
dilucidar cundo un fenmeno dado puede deberse o no al azar. Como ejemplo de
esto ltimo, supongamos que un fabricante suele comprar ciertos componentes a un
proveedor determinado. Este ltimo afirma que el material que vende slo es
defectuoso en un 3%; sin embargo, el fabricante no est dispuesto a aceptar a
ciegas su palabra, y quiere verificar tal afirmacin, mediante un plan de muestreo.
Selecciona al azar 50 componentes y encuentra, entre ellos, 3 defectuosos (6%).
Refuta este hecho la afirmacin del proveedor, o no? Esta pregunta podr ser
contestada al ver Test de hiptesis ms adelante.
En este mdulo veremos las bases de la Estadstica Descriptiva e Inferencial,
pero muchas de los temas que sern vistos en mdulos futuros tambin pueden ser
comprendidos dentro de los esquemas dados ac.

6. Cmo se aplican las tcnicas estadsticas?
La aplicacin de la Estadstica a situaciones reales comprende por lo general tres
tareas sucesivas:

d d) ) e el le eg gi ir r l la a t t c cn ni ic ca a o o h he er rr ra am mi ie en nt ta a a ad de ec cu ua ad da a p pa ar ra a c ca ad da a a ap pl li ic ca ac ci i n n, ,
e e) ) a ap pl li ic ca ar rl la a e ef fi ic ci ie en nt te em me en nt te e, , t te en ni ie en nd do o e en n c cu ue en nt ta a l la as s p pa ar rt ti ic cu ul la ar ri id da ad de es s q qu ue e
l la a s si it tu ua ac ci i n n r re eq qu ui ie er re e
f f) ) i in nt te er rp pr re et ta ar r c co or rr re ec ct ta am me en nt te e l lo os s r re es su ul lt ta ad do os s; ;
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 12 / 86


Sin embargo, es de notar que en general la bibliografa y los cursos de capacitacin
aluden casi exclusivamente a la segunda de ellas, dejando de lado el abordaje global
del problema, sin el cual no es posible sacar provecho de la tcnicas empleadas, ni
asegurar que las decisiones consecuentes sean las adecuadas. Intentaremos siempre
mostrar este abordaje global.

7. Qu desventaja y que ventaja, en general, tiene la aplicacin de una
herramienta estadstica?








Una respuesta tpica de un problema estadstica puede ser dada, por ejemplo, con
un 95% de confianza, o con un 99% de confianza. Al trabajar con datos aleatorios,
hay siempre un nivel de riesgo de que las conclusiones no sean correctas. Sin
embargo, en tren de asegurar confianza al usuario de la herramienta en cuestin,
deberemos elegir la misma con niveles altos de confianza.


8. Cul es el papel de los datos y de qu tipo son?
Podemos decir que los datos constituyen la materia prima de la Estadstica. Por
eso es que vale la pena detenerse en clasificar los distintos tipos de datos que
pueden aparecer, de acuerdo al siguiente diagrama.
















MODELO
BINOMIAL
CUALITATIVOS
CUANTITATIVOS
NOMINALES (pertenencia)

ORDINALES (ranking)
DISCRETOS
(resultados
de conteos)
CONTINUOS
(resultados de
mediciones)
DE ITEMS DEFECTUOSOS
DE DEFECTOS

MODELO DE
POISSON
MODELO NORMAL
(GAUSSIANO)
D
A
T
O
S
D
DDE
EES
SSV
VVE
EEN
NNT
TTA
AAJ
JJA
AA Ningn mtodo estadstico es 100% seguro No estamos libres de
riesgos!
V
VVE
EEN
NNT
TTA
AAJ
JJA
AA Estos riesgos pueden ser cuantificados, y los mtodos pueden ser
elegidos para que sean razonablemente pequeos


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 13 / 86




1. Datos nominales: Indican pertenencia a grupos o clases. Por ejemplo, si
hacemos una encuesta sobre el equipo de ftbol preferido de los alumnos,
tendramos como resultados datos nominales (por ejemplo, podramos tener: 15
alumnos pertenecientes a Boca Juniors, 12 pertenecientes a River Plate, 8
pertenecientes a Racing, etc) Para su anlisis estadstico, los datos
nominales pueden ser convertidos en datos cuantitativos
2. Datos ordinales: Datos que representan un orden de preferencias. Si se le
pide a un consumidor que ordene, segn sus preferencias, 5 productos
similares de 5 marcas diferentes, tendremos esta situacin.
Los datos cualitativos, tanto nominales como ordinales, son tiles en
investigaciones de mercado, y mediciones de satisfaccin de los clientes. Sin
embargo, en este curso nos concentraremos en el el tratamiento de los datos
cuantitativos, por entender que su estudio brinda un enfoque ms general, y
porque, si se trabaja con muestras reales, los datos cualitativos pueden tratarse
muchas veces con las mismas herramientas, por ejemplo, como datos
cuantitativos discretos.
3. Datos discretos. Datos resultantes de contar elementos o eventos. Por
ejemplo, nmero de unidades falladas en una muestra bajo inspeccin, o
nmero de reclamos de clientes, o nmero de empleados ausentes por da, o
nmero de entregas de un producto a trmino. Si bien desde el punto de vista
de su estructura matemtica, los datos discretos estn representados por
nmeros enteros, podramos reemplazar en los ejemplo anteriores, nmero
de... por porcentaje o proporcin de....con lo cual se pierde la condicin de
enteros. Para estudiar las caractersticas probabilsticas de los sistemas con
datos discretos, utilizamos dos modelos matemticos: el de la Distribucin
Binomial para casos como aquellos en los cuentan la cantidad de unidades
falladas y el de la Distribucin de Poison para casos como aquellos en los
que se cuenta la de cantidad de fallas. Los datos discretos aparecen cada vez
que se hacen controles o inspecciones por atributos esto es, detectando la
presencia o ausencia de una falla u otro atributo no numrico.
4. Por ltimo, los datos continuos son aquellos que pueden tomar cualquier valor
numrico, no necesariamente entero. En general, los datos continuos aparecen
como resultados de mediciones (fsicas, qumicas, biolgicas, etc). Por
ejemplo, dimetros de piezas, temperaturas de procesos, concentraciones de
impurezas, caudales de tuberas, etc. Si bien no hay un nico modelo
matemtico para caracterizar las propiedades probabilsticas de estos sistemas,
el de la Distribucin Normal (o Gaussiana) se aplica en la mayora de los
casos.. Los datos continuos aparecen cada vez que se hacen controles o
inspecciones por variables esto es, midiendo caractersticas numricas en
las muestras bajo ensayo

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 14 / 86











9.Qu diferencia el contenido de este mdulo del de un curso de Estadstica de
una carrera de grado?
La mayora de las carreras universitarias, no solamente las carreras tcnicas
(ingenieras, licenciaturas en ciencias, bioqumica, informtica, ciencias sociales, etc)
incluyen en sus currculas algn curso de Probabilidades y Estadstica. Probablemente
muchos de los alumnos de esta carrera virtual hayan cursado alguno de estos cursos.
La enseanza de la Estadstica en los estudios de grado suele tener una modalidad
terica, no siempre vinculada a la resolucin de los problemas concretos.
A diferencia de ellos, este no es un curso terico o acadmico. El ttulo de este
mdulo es Probabilidad y Estadstica Aplicada, y sealamos particularmente la
ltima palabra. Este curso pretende abarcar los diferentes temas desde el punto de
vista de su aplicacin en la calidad.

Nos proponemos, en este mdulo, recuperar aquellos temas y tcnicas estudiados,
en el contexto de las aplicaciones citadas ms arriba. De esta manera, a la vez que
se aprovecha y justifica la formacin previa, se le da un sentido diferente,
otorgndole al alumno elementos que suponen una ventaja competitiva en sus
actividades profesionales.

Trabajaremos, siempre que sea posible, con casos y ejemplos tomados de la
experiencia industrial o de servicios, y ser til complementar los contenidos y
ejemplos brindados por los docentes con casos provenientes de la experiencia laboral
de los alumnos.

10 Dnde aparece la variabilidad y cmo se relaciona con los objetivos de
estudio planteados?
Podemos decir tambin que la Estadstica provee un estudio sistemtico de la
variabilidad. Este concepto de variabilidad, que apareca en la ISO 9000 (ver
pregunta 1) es central. La variabilidad existe siempre, en todos los procesos, en
todos los sistemas, en todas las situaciones consideradas, y su existencia es lo que
justifica la introduccin de tcnicas y mtodos estadsticos.

En general uno intenta de actuar de forma lo ms consistente posible, obteniendo la
menor variacin. Una medida de la calidad de un proceso es la baja dispersin entre
Para el alumno: Intente dar ejemplo de diferentes tipos de datos, en
las siguientes situaciones, en una empresa que conoce o donde
trabaja:
a) Control de los procesos
b) Tratamientos de reclamos
c) Procesos de anlisis y mejora
d) Revisin por la direccin
e)Ensayos

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 15 / 86

sus resultados. Sin embargo, es imposible llegar a una variacin nula. Si
consideramos una muestra de 10 productos producidos por un mismo proceso, o de
10 mediciones sobre una misma unidad, los resultados obtenidos no sern ni
exactamente iguales al valor deseado, ni tampoco exactamente iguales entre s, por
ms esfuerzo que pongamos en ello. Por lo tanto, existir variabilidad.
Una forma clsica de representar las causas de esta variabilidad es a travs del
diagrama de Ishikawa o de espina de pescado, en el cual se muestran los
factores ms usuales que la generan: Mquinas, Mtodos, Mano de Obra,
Mediciones, Medio ambiente, Materiales (las 6 M). A su vez, cada una de estas M
puede subdividrse en otras causas de variabilidad, llegando a obtener un mapa de
la variabilidad de un proceso


















Si la variabilidad del resultado est dentro de los lmites esperados, deduciremos
que todos los factores estarn controlados. Pero, por el contrario, si la variabilidad
del resultado no es la esperada, deberemos investigar cul o cules de ellos estn
fallando. Para detectar esto, podemos utilizar la tcnicas del Diseo de
Experimentos

Otra manera de entender las causas de variabilidad es a travs de sus
distribuciones de proabilidad Estas son leyes, o modelos matemticos qu
explican de qu manera vara cada uno de estos factores. Ms adelante hablaremos
con detalle de las distribuciones de probabilidad, pero por ahora podemos introducir
grficamente este concepto en el diagrama de Ishikawa:
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 16 / 86

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 17 / 86

II. ESTADSTICA DESCRIPTIVA

Distinguimos dos tcnicas bsicas para describir datos. Por un lado, las tcnicas de
clculo de estadsticos o medidas de tendencia, y por otro lado las tcnicas
grficas.

1.Estadsticos: Son valores obtenidos por clculo, a partir de los datos muestrales,
que sirven para representar las caractersticas bsicas de la muestra.

1.1.Estadsticos de valor medio o tendencia central. Muchas veces se vuelve
necesario describir a una muestra (conjunto de datos numricos) de una manera lo
ms sinttica posible, representndola a partir de uno nico valores que "resuma" toda
la informacin presente en ella. Una medida de valor medio (o tendencia central o
posicin) es un estadstico que nos dice la posicin central de los valores de la
muestra, respecto de una referencia dada.

1.1.1. Promedio aritmtico: La medida de posicin ms conocida es el promedio o
media muestral
x =
x
n
i
i
n
=

1

El uso del promedio como medida de localizacin est justificado en el hecho de que,
al promediar los valores, los "pequeos desvos" que influyen en cada repeticin, se
compensan, anulndose mutuamente. Desde el punto de vista de la teora estadstica,
el promedio tiene muchas propiedades deseables para caracterizar la posicin o
tendencia central de una muestra. Debemos prevenir, sin embargo, la posible
presencia de valores anmalos o no consistentes con el resto de la serie (outliers),
pues el promedio es muy sensible ante este tipo de irregularidades. Supongamos por
ejemplo que tenemos 5 valores:

3,21 3,26 3,18 3,55 3,20

El clculo da 3,28. Si observamos bien los datos, vemos que el cuarto de ellos difiere
de los dems, posiblemente por algn error o accidente grosero al que no podemos
catalogar de "aleatorio". Esto produce una diferencia significativa con el promedio que
se obtendra de los restantes 4 valores, de 3,21. Este ejemplo nos dice que debemos
analizar los datos antes de emplear mecnicamente una tcnica estadstica.

Clculo del promedio con datos agrupados: Supongamos que se arroj 20 veces
un dado, y se obtuvieron los siguientes resultados:

1 2 2 5 6 6 4 3 5 4
1 3 2 1 6 4 4 5 3 1
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 18 / 86

Calculemos el promedio, ordenndolos de menor a mayor, y haciendo el siguiente
desarrollo matemtico:

95 , 3
6 6 5 5 4 4 3 3 2 2 1 1
3
6
3
5
4
4
4
3
2
2
4
1
3 . 6 3 . 5 4 4 4 . 3 2 2 4 1
1 3 5 4 4 6 1 2 3 1 4 5 3 4 6 6 5 3 2 1
=
= +
+
=
+
=

fr(i) i =
) fr( ) fr( + ) fr( + ) fr( + ) fr( + ) fr( =
=
20 20
+
20
+
20
+
20
+
20
=
20
+ + + +
=
=
20
+ + + + + + + + + + + + + + + + + + +
= x


donde fr(1), fr(2), etc representan a las frecuencias relativas de cada resultado, esto
es, la cantidad de veces que ocurri cada resultado dividida por la cantidad total de
datos:

n
i resultado del s ocurrencia de nmero
i fr fr fr = = = ) ( , ,
20
4
) 6 ( ,
20
3
) 5 (



1.1.2. Mediana. Otra medida de tendencia central es la mediana de una muestra. Para
calcular la mediana se debe ordenar la muestra de menor a mayor; si el tamao de la
muestra es impar, la mediana es el valor central de la muestra ordenada. Si es par, el
promedio de los dos valores centrales. En el ejemplo anterior ( 3,21 3,26 3,18 3,55
3,20), la mediana es m = 3,21. Eliminando el cuarto valor, la mediana llega a
ser m'=(3,20+3,21)/2 = 3,205 . Se observa en el ejemplo una caracterstica de la
mediana: su poca sensibilidad ante la presencia de valores anmalos. Observemos
que si el cuarto dato, en lugar de 3,55 fuera 1000,55 , la mediana m seguira siendo
3,21 . Entonces, la ventaja de la mediana respecto de la media es, adems de ser ms
fcil su clculo, su alta resistencia a modificaciones groseras en los datos. En cambio,
es un estadstico menos eficiente que la media dado que utiliza menos informacin de
la muestra (solamente el o los valores centrales). Se utiliza la mediana cuando hay una
gran probabilidad de que en la muestra haya valores anmalos, o cuando los datos no
se distribuyen simtricamente.

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 19 / 86































Clculos en Excel:
Para calcular el promedio y la mediana de una muestra usando las
funciones estadsticas del Excel, realice lo siguiente: (Intente con los 5 datos
del ejemplo anterior)
1. Ingrese a la hoja de clculo los datos los datos cuyo promedio (o mediana)
desea calcular. stos ocuparn un rango de celdas (por ejemplo, si ingresa 5
valores y los ubica desde la primera celda de la hoja y hacia abajo, el rango de
celdas ser A1:A5). Luego, site el cursor o el mouse en cualquier otra celda.
2.Haga doble click en el Asistente de Funciones, correspondiente al cono
siguiente:

3. En la ventana izquierda, Categora de la funcin busque Estadsticas A
continuacin, busque en la ventana de la derecha, Nombre de la funcin, hasta
encontrar las funciones promedio (o mediana). Luego cliquee Aceptar
4. Ingrese el rango de celdas de la hoja de clculo donde se encuentran los datos
cuyo promedio (o mediana) desea calcular. Puede marcar este rango
pintndolo con el mouse en la hoja de clculo. Luego cliquee en Aceptar
5. El resultado aparecer en la celda donde se ubicaba el cursor antes de llamar
al asistente de funciones.
6. Una vez que memoriza el nombre de la funcin (en este caso promedio o
mediana) no necesita llamar al asistente de funciones cada vez. Puede realizar el
clculo tipeando la funcin directamente. Por ejemplo:
=promedio(A1:A5) o =mediana(A1;A5)
(El smbolo = le indica al Excel que lo que viene a continuacin es una funcin o
frmula.)

Ejercicio:
En una empresa mediana trabajan 70 personas. Los siguientes datos muestran el
salario de los empleados, segn sus categoras:
40 personas ganan $400
15 personas ganan $800
5 personas ganan $1500
5 personas ganan $2000
3 personas ganan $3000
1 persona gana $4000
1 persona gana $5000
Calcular, usando la computadora, el promedio y la mediana de los sueldos del
personal. qu conclusiones puede sacar?
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 20 / 86


Otro ejemplo: Dos proveedores diferentes suministran una materia prima entregada
en recipientes de 5l. Se han tomado muestras de 10 recipientes de cada proveedor,
analizando qumicamente el contenido de impurezas de cada recipiente, y
obteniendo los siguientes valores (por ejemplo, en mg/l)

Proveedor 1 0.15 0.17 0.26 0.29 0.22 0.17 0.18 0.27 0.19 0.21 0.30 0.19 0.21 0.18 0.16
Proveedor 2 0.03 0.11 0.14 0.04 0.07 0.12 0.12 0.09 0.07 0.14 0.03 0.12 0.06 0.12 0.05













1.2. Estadsticos de dispersin.
Para caracterizar una muestra, en general no alcanza con dar una medida de
tendencia central. Conviene ac introducir otro concepto, el de dispersin de una
muestra.
Supongamos que tenemos dos muestras correspondientes a productos fabricados con
el mismo proceso pero con dos mquinas distintas I y II. Se mide una misma
caracterstica de cada uno de los productos y se obtiene

Mquina I 2,31 2,33 2,30 2,31 2,32 2,32 2,33 2,31 2,34 2,30
Mquina II 2,33 2,35 2,36 2,40 2,32 2,31 2,28 2,25 2,23 2,27

Los promedios obtenidos para ambas muestras son semejantes entre s: 2,32 y 2,31
Sin embargo, un mero anlisis visual nos revela una diferencia: Los valores de la
muestra I son ms cercanos entre s que los de la II. Podemos decir que la muestra I
est ms concentrada alrededor de su promedio, o que la II tiene ms dispersin, por
lo tanto, ser preferible la mquina 1, que producir resultados ms predecibles.
Este ejemplo nos muestra la necesidad de introducir estadsticos que nos den una
idea de la dispersin de los datos muestrales.

1.2.1.Rango. La forma ms simple de hacerlo es considerar el rango de los datos.
Esto es, la diferencia entre el mayor y el menor de ellos.

Ahora, intente calcular, por medio del Excel, los promedios y medianas para
ambos proveedores (puede copiar directamente la tabla con los datos al Excel)
y verificar que, (redondeando al segundo decimal):
09 , 0 09 , 0
19 , 0 21 , 0
1 1
1 1
= =
= =
med x
med x

Es evidente que, tanto el promedio como la mediana permiten caracterizar la
diferencia entre ambos proveedores. Compare los resultados de este caso con
el de los sueldos. Qu conclusiones puede sacar?
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 21 / 86

R = max(x
1
,...,x
n
) - min(x
1
,...,x
n
)

En el ejemplo anterior resultan ser
R
I
= 2,34 - 2,30 = 0,04
R
II
= 2,40 - 2,23 = 0,17

El rango es un estadstico muy sencillo de calcular, sin embargo, es poco eficiente,
dado que no aprovecha bien toda la informacin contenida en la muestra, sino slo
sus valores extremos. Por otro lado, y por este mismo motivo, es extremadamente
sensible a la presencia de valores anmalos.

1.2.2.Desviacin estndar. Es este el estadstico ms utilizado para medir la
dispersin de una muestra. La desviacin estndar muestral s, se calcula como la
raz cuadrada del promedio de las desviaciones cuadrticas de cada valor respecto
del promedio de la muestra:
1 - n
) x -
x
(
= s
2
i


La justificacin para la expresin anterior proviene del hecho de que, cuanto
ms dispersa sea la muestra, ms lejos de x estarn los datos, y mayor valor tendrn
las cantidades (x
i
- x ) (el uso del cuadrado garantiza que todas ellas sean mayores o
iguales que 0), y por lo tanto su promedio ser tambin mayor cuanto ms dispersa
sea la muestra (en lugar de dividir por n, se divide por n-1, por razones que veremos
ms adelante). La extraccin de la raz compensa la elevacin al cuadrado de las
diferencias, de forma tal que el s obtenido sea presentada en la misma escala y con
las mismas unidades que los datos originales. La varianza de una muestra es definida
como el cuadrado de su desviacin estndar.











Notas: a. Para calcular s con ayuda de una calculadora con funciones estadsticas,
se debe usar la tecla o
n-1
b. A pesar de la nota anterior, debemos advertir que, no debe confundirse la
desviacin standard s aqu definida con la desviacin standard de una poblacin, o, la
cual estudiaremos ms adelante.
Ejercicio: Clculo de los estadsticos de dispersin:
Calcule el rango y la desviacin standard para las muestras de ambas
mquinas de ms arriba,
usando las funciones de Excel:
No hay una funcin propia para el rango, por lo que se calcula como la
diferencia de las funciones max y min
La desviacin standard se calcula mediante la funcin desvest Puede
veificar que, para los ejemplos de las mquinas, s
I
= 0,01 y s
II
= 0,05
(redondeados a dos decimales)
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 22 / 86


1.3. Estadstico de proporcin. Al analizar una muestra de elementos por atributos
(por ejemplo, todo tipo de controles pasa/no pasa) puede ser necesario contar cul
es la proporcin de las unidades bajo inspeccin que presentan un atributo
determinado (por ejemplo, una falla). Para esto se utiliza la llamada frecuencia
relativa del atributo, esto es:
( )
( )
n
atributo f
atributo fr =
donde f(atributo) es la frecuencia absoluta- del atributo, o sea, la cantidad de
unidades ensayadas en que el atributo aparece, y n el tamao de la muestra, o sea, la
cantidad total de unidades ensayadas. La frecuencia relativa indica pues la proporcin
en que el atributo se encuentra en la muestra.


2. Tcnicas grficas.

2.1.HISTOGRAMAS Para entender la naturaleza de las desviaciones aleatorias,
utilizaremos una tcnica estadstica comn, como es el histograma de los datos, que
se confecciona de la siguiente manera:

a)Se detecta primero el valor mximo y el valor mnimo medidos. A la diferencia entre
ambos se la denomina rango de las mediciones.

b)El intervalo correspondiente al rango es dividido en un cierto nmero de intervalo de
clases dentro de los cuales se agruparn los datos. Se puede utilizar la siguiente
frmula aproximada para determinar el nmero de clases:
Nmero de clases ~\ n

donde, como ya dijimos, n es el nmero de mediciones, o tamao de la muestra.

c)Una vez fijadas las clases, se clasificarn los valores dentro de las mismas,
calculando las frecuencias y/o frecuencias relativas de cada intervalo (el nmero o
proporcin de observaciones que caen en en cada intervalo) Es claro que la suma de
las frecuencias de todas las clases iguala el nmero total de datos:

E f(i) = n,

y, por lo tanto, que la suma de las frecuencias relativas ser igual a 1:

E fr(i) = 1

d)Se realiza un grfico de barras con las frecuencias (absolutas o relativas)

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 23 / 86


Supongamos que medimos los dimetros de 20 piezas producidas por un
proceso, obteniendo s siguientes valores (en mm): 39,81 40,00 39,92 39,96 39,98
40,04 39,87 39,89 39,90 40,01 39,90 39,85 39,88, 39,88 39,96 39,88 39,90 39,91
39,87 39,99

El siguiente es el histograma correspondiente a las frecuencias relativas.











Informacin contenida en un histograma
El histograma de una serie de observaciones resume toda la informacin estadstica
de relevancia. En particular, es apreciable a simple vista el valor medio muestral, como
se ve en los histogramas superpuestos siguientes, correspondientes a dos muestras
similares pero cuyos valores medios (promedios o medianas, para el caso es lo
mismo) estn corridos uno respecto del otro. Las flechas indican donde se posicionan
estos valores medios.

En el grfico siguiente se representan dos histogramas de muestras con el mismo
valor medio pero diferente dispersin:
0
0,2
0,4
n=20
Ejercicio: Dada la siguiente muestra de 70 observaciones, construir varios
histogramas, para distintas configuraciones de intervalos (por ejemplo, basados en 5
intervalos, en 10 intervalos y en 15 intervalos). Luego, elegir la cantidad de
intervalos que mejor permita representar a los datos.(copiar y pegar)

0.484 0.482 0.423 0.539 0.463 0.596 0.368
0.432 0.480 0.454 0.518 0.411 0.415 0.583
0.514 0.577 0.419 0.449 0.403 0.530 0.432
0.573 0.495 0.480 0.487 0.447 0.551 0.464
0.569 0.490 0.498 0.507 0.458 0.612 0.543
0.600 0.472 0.502 0.531 0.390 0.495 0.526
0.386 0.615 0.482 0.508 0.469 0.471 0.550
0.487 0.549 0.629 0.451 0.478 0.538 0.534
0.562 0.640 0.408 0.610 0.507 0.479 0.427
0.442 0.464 0.460 0.527 0.480 0.543 0.440

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 24 / 86



Adems del valor medio y la dispersin, es importante observar la forma de los
histogramas (concepto similar a lo que ms adelante llamaremos distribucin. En
los tres caso siguientes vemos diferencias de forma.
Las barras marrones representan una muestra cuyas frecuencias son ms
o menos constantes para todos los intervalos (caso que puede aparecer si
tiramos un dado muchas veces, por ejemplo).
Las barras celestes, en cambio revelan mayor frecuencia en la zona
central, y menores frecuencias al irnos alejarnos del centro, hacia los
costados. Adems, este histograma presenta simetra alrededor del valor
central. Esto significa que la cantidad de unidades que tengan valores
mayores que valor medio (o del valor mximo) ser ms o menos igual a
la cantidad de unidades que tengan valores menores.
Por ltimo, las barras amarillas presentan un comportamiento no
simtrico. Hay mucha mayor frecuencia a la izquierda del intervalo de
altura mxima que a la derecha.

En el caso de la serie celeste, decimos que el histograma tiene forma de
campana o distribucin normal. Aqu est de vuelta; .

Las propiedades estadsticas de casos como este sern estudiadas con gran detalle
ms adelante.
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 25 / 86

Daremos por ahora que, si el histograma es simtrico, la mediana y el promedio
muestral toman valores muy similares entre s. El alumno lo puede verificar
calculndolos en el ejemplo de los 20 dimetros.







2.2.Otras herramientas grficas. Adems de los histogramas, existen muchas otras
posibilidades para graficar datos. Algunas de ellas fueron consideadas como
herramientas bsicas de la Calidad por Ishikawa, como el grfico de Pareto, el grfico
de correlacin y los grficos de control. Estos ltimos sern vistos en detalle en el
mdulo de CEP. Ahora veremos los otros dos.


2.2.1.Grfico de Pareto (Pareto, 1848 -1923, economista)
Es una representacin grfica de las causas de fallas (sobre un producto, proceso o
sistema), y de acuerdo a la importancia de sus efectos, muy til para la toma de
decisiones. El grfico muestra claramente cules son las causas que tienen ms
influencia. Juran, en los 50s foment su uso en Calidad. El fundamento del grfico de
Pareto es que, por lo general, el 20% de las causas son responsables del 80% de los
efectos. Es preciso, entonces, fijar prioridades para su correccin.
Se trata de agrupar las fallas registradas por tipos, y ordenar en forma decreciente las
proporciones de cada tipo de falla. Esta herramienta ser vista nuevamente en un
mdulo posterior, pero decimos ac que puede ser entendida como un histograma
para datos por atributos


2.2.2. Grfico de correlacin.
Pregunta; si el histograma es asimtrico alargado hacia la izquierda (como la
serie amarilla) ser mayor el promedio o la mediana? y si es asimtrico
alargado hacia la derecha? Sugerimos volver a chequear el ejemplo de los
sueldos de ms arriba, y confeccionar el histograma en ese caso.
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 26 / 86

Es una representacin grfica de la relacin entre dos variables o caractersticas. A
modo de ejemplo, se muestra una muestra de 30 circuitos electrnicos, a los cuales
se las ha medico su capacidad elctrica (Y, en pF) y la separacin entre pistas (X,


en m).El grfico de correlacin evidencia que ambas variables estn correlacionas:
al aumentar x aumenta y y viceversa. Dado que la capacidad es una caracterstica
importante de la performance del producto, esta podr ser controlada en el proceso
de elaboracin controlando la separacin entre pistas, lo cual resulta ms sencillo
operativamente.
La correlacin entre dos variables puede expresarse tambin cuantitativamente a
travs del coeficiente de correlacin R, el cual toma valores menores o iguales
que 1 (en valor absoluto). Cuanto ms cercano a 1 es R, mayor ser la correlacin
entra ambas variables. Para el ejemplo anterior, en el grfico puede apreciarse el
cuadrado del coeficiente de correlacin entre ambas variables.

Trabajo prctico. Ejercicio global de aplicacin
Para terminar, y a modo de sntesis de este captulo, proponemos un ejercicio de
repaso sobre todos los contenidos de este mdulo. Suponga que usted debe comprar
una cierta mercadera, y tres proveedores ofrecen sus productos. Dado que en la
empresa no se tienen conocimientos previos para evaluar a los proveedores, se
decide analizar una muestra tpica de los productos ofrecidos por cada uno de ellos. A
continuacin usted puede ver tres muestras de 50 unidades cada una,
correspondientes a cada proveedor. Se pide:
a) Calcular,
s , R , x
~
, x
de cada muestra y comparar.
b) En su empresa manejan lmites de especificacin de 46.46 (inferior) y 50.04
(superior). Fuera de estos lmites, los productos deben ser considerados defectuosos.
Calcular en cada caso, la proporcin (frecuencia relativa) de productos defectuosos.
c) Realizar histogramas para cada muestra, y compararlos.
d) En base a todo lo anterior, a qu proveedor propondra comprarle?

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 27 / 86

Proveedor 1 Proveedor 2 Proveedor 3
50.49 49.90 50.42
50.13 49.68 50.15
49.99 50.13 50.36
50.00 50.41 50.20
50.00 50.27 50.14
50.13 50.49 50.49
50.15 50.25 49.50
49.87 49.70 50.48
50.05 49.59 50.41
50.12 50.30 50.48
50.02 50.18 49.57
50.13 50.45 50.32
50.17 49.69 50.49
50.46 49.97 50.29
49.83 50.10 50.44
50.12 49.52 49.99
50.41 50.28 50.40
50.17 50.06 50.30
50.16 49.65 50.43
49.98 50.40 50.50
50.02 50.12 49.93
50.15 50.03 50.42
50.33 49.61 50.50
50.21 49.81 50.41
50.38 50.34 50.20
50.00 50.00 49.52
50.11 49.68 50.48
50.18 49.94 50.49
50.23 49.98 50.46
49.98 49.66 49.92
50.29 49.88 50.14
50.39 49.95 50.10
50.13 50.49 50.11
50.34 50.40 50.40
50.03 50.35 50.42
50.18 50.13 50.11
50.19 50.35 50.44
50.03 50.08 50.45
50.13 50.01 50.31
50.12 49.54 50.06
49.99 50.42 50.22
50.25 49.65 49.51
50.01 50.03 50.06
50.24 50.25 50.39
50.11 50.20 50.28
50.10 49.92 50.50
50.11 50.45 50.49
50.22 50.12 50.39
50.38 49.66 50.11
50.18 49.75 50.32

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 28 / 86

CAP. III INFERENCIA ESTADSTICA Y PROBABILIDAD

Este captulo consta de tres partes. Primeramente, veremos el esquema bsico de
la Inferencia Estadstica, luego algunos conceptos relativos a poblaciones y
muestras, y por ltimo abordaremos el clculo bsico de probabilidad.

Parte 1. EL PROCESO DE LA INFERENCIA ESTADSTICA

Hasta ahora trabajamos con datos referidos a muestras numricas. A veces es
necesario ir ms all del anlisis de una muestra. Deberemos encarar la relacin entre
muestras y poblaciones. Entramos as a la Estadstica Inferencial. El siguiente
esquema muestra una interpretacin de lo que podemos llamar el proceso genrico
de la inferencia estadstica.



Veremos en detalle las etapas de este proceso:

- La POBLACIN es la totalidad de las unidades bajo estudio (ISO 3534.
Definiciones y trminos estadsticos). En una aplicacin estadstica, lo primero
es definir el alcance de la misma, esto es, nuestro objeto de estudio, al cual
llamamos poblacin.
Por ejemplo, si una fbrica de pantalones desea estudiar la cantidad de
defectos superficiales de la tela en la produccin de un mes, la poblacin est
formada por todos los pantalones producidos ese mes. Si se desea saber con
qu frecuencia, en un cierto proceso, un horno supera una dada temperatura
admisible, la poblacin en este caso es algo ms difcil de imaginar, dado que
involucra a todas las posibles repeticiones del proceso que se realicen con ese
horno. En el primer caso la poblacin es finita, mientras que en el segundo
diremos que es infinita.
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 29 / 86


- MUESTRA En general, por ms que tratemos con poblaciones finitas, resulta
imposible o impracticable la inspeccin de todos los elementos de una
poblacin. Una muestra es un subconjunto de elementos extrados de la
poblacin. En los ejemplos anteriores, una muestra est formada por los 80
pantalones que sern inspeccionados buscando defectos, o por 30
repeticiones del proceso de horneado en las que se medir la temperatura
mxima.
Al nmero de elementos de la muestra (80 o 30 en los ejemplos) se lo llama
tamao de la misma. Notaremos x
1
,...,x
n
a una muestra tpica, de tamao n.
Nota: Debemos distinguir entre muestra fsica y muestra estadstica. Para un
estadstico, una muestra es un conjunto numrico, producto de observaciones o
mediciones sobre los elementos fsicos. En el ejemplo de los pantalones, si nos
interesa la cantidad de defectos superficiales, en nuestra muestra x
1
,...,x
80
cada
x
i
representa la cantidad de defectos en la i-sima unidad inspeccionada. En
cambio, si nos interesara estudiar la resistencia de las costuras, deberamos
realizar un ensayo de fuerza en cada unidad, siendo x
i
la fuerza que debi
hacerse para vencer la costura en la i-sima. La misma muestra fsica (80
pantalones) gener 2 muestras estadsticas distintas.



- (Sub)proceso de muestreo:



El proceso de muestreo debe ser encarado de forma tal que garantice que la
muestra sea lo ms representativa posible de la poblacin. Si eligiramos por
ejemplo los 20 primeros pantalones producidos el primer da del mes, no
estaramos haciendo lo correcto estadsticamente, dado que la muestra
obtenida no registrara cambios en la produccin posteriores a su obtencin.Se
trata de elegir la muestra al azar entre la poblacin, esto es, de forma tal que
cada elemento de la poblacin tenga igual chance de ser elegido. En cada
proceso de muestreo se deber prestar atencin a cmo generar muestras
representativas, atento a las caractersticas que estemos estudiando.

- DATOS En la clase anterior vimos con detalle los tipos de datos a utilizar,
por lo que no hablremos en detalle aqu. Slo diremos que los datos son
resultados de la medicin de la muestra.

- (Sub)proceso de medicin (inspeccin, ensayo u observacin):



POBLACIN MUESTRA
MUESTRA
D ATOS
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 30 / 86


Este proceso tiene tambin sus propias reglas. En el caso de medir
caractersticas fsicas o qumicas de la muestra, (temperatura del horno en las 30
repeticiones, resistencia de una muestra de piezas metlicas, concentracin de
impurezas en 20 tarros de pintura) estas reglas se estudian en el rea de Metrologa
(ciencia de las mediciones). En caso de inspeccin u observacin visual, es necesario
el adecuado entrenamiento del inspector, etc.


- (Sub)proceso de inferencia (estimacin o ensayos de hiptesis):




Como ya se dijo, inferir significa sacar conclusiones sobre la poblacin, a partir
de los datos muestrales. Es necesario adoptar criterios correctos de inferencia,
a fin de no sacar conclusiones equivocadas. En sucesivos captulos nos
referiremos a esto ltimo

- Decisin. Por ltimo, recordemos que toda inferencia deriva en alguna toma de
decisin sobre la poblacin, y que, si cualquiera de las etapas anteriores ha
sido ejecutada en forma incorrecta, se corre el riesgo de que la decisin sea
equivocada.

A continuacin, mostraremos algunos ejemplos del proceso general de inferencia
estadstica en diversas aplicaciones en Calidad

Aplicacin: Aceptacion De Productos Por Ensayo De Muestreo . Se trata de
decidir si un lote de mercadera enviada por un proveedor alcanza o no cierta
calidad aceptable. En este caso, la poblacin es el Lote completo, del cual se extrae
una muestra representativa para inspeccin. La inspeccin permite medir la calidad
de la muestra, por ejemplo, mediante el porcentaje de unidades no conformes en la
muestra. Finalmente, inferimos sobre la calidad del lote completo. La decisin
involucrada es la aceptacin o rechazo del lote.
Por ejemplo, si el lote consiste de N = 200 unidades, de las cuales muestreamos n =
50 y en ellas encontramos 3 no conformes (6%), inferimos que aproximadamente el
6% del lote (12 unidades) ser no conforme. Sobre la base de esta informacin
tomamos la decisin de aceptar o rechazar.

DATOS POBLACION
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 31 / 86




Aplicacin: Control Estadistico De Procesos. En este caso se trata de determinar
si un proceso dado est bajo control, o sea, si funciona dentro o de acuerdo a sus
niveles histricos. La poblacin corresponde al proceso entero, a lo largo de un
cierto perodo de tiempo. Seleccionamos muestras a tiempos regulares, obteniendo
as fotografas instantneas del proceso. Estas muestras son medidas y se calculan
algunos estadsticos correspondientes al instante del control , como por ejemplo el
promedio o el rango de las unidades de la muestra extrada. Estos valores son
introducidos en un grfico de control, verificndose si los mismos quedan dentro
de ciertos lmites histricos (lmites de control). Si es as se dice (sed infiere) que el
proceso est bajo control. Si no, se infiere que est fuera de control y se toma la
decisin de corregir el proceso.



UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 32 / 86


Parmetros Poblacionales Y Muestrales

La idea base a transmitir en esta parte es la siguiente:









Para comenzar a tratar el tema, les pedimos que respondan la siguiente: Cul es la
probabilidad de que salga un 4 al tirar un dado?







Esta pregunta tiene, en rigor dos respuestas posibles:

1. Un resultado favorable entre 6, o sea, 1/6. A esta respuesta la podramos llamar
respuesta terica o, puesto que se basa en el conocimiento previo de cmo es
el dado, y no requiere ninguna experiencia previa (no requiere tirar el dado).
Tambin podemos llamarla respuesta poblacional porque, en caso de que el
dado sea equilibrado, la sexta parte de todas las (infinitas) tiradas posibles
saldrn 4. En general, este tipo de respuestas esta asociado a modelos de la
realidad (dado equiibrado)
2. 2.La segunda respuesta posible requiere tirar el dado una cantidad de veces (n
veces, lo que correspondera a una muestra de todas las tiradas posibles) y
calcular la frecuencia relativa del resultado 4. A esta respuesta la podramos
llamar respuesta experimental muestral y requiere siempre la realizacin de
una experiencia. El resultado obtenido es ms general que el anterior, pues no
es necesaria la suposicin del que el dado est equilibrado para que la
respuesta sea correcta. En sntesis, observamos que el conocido concepto de
probabilidad, o porcentaje admite las dos versiones mencionadas, la poblacional y la
muestral. Si decimos por ejemplo que

el 85% de nuestros clientes estn
satisfechos con nuestro servicio

Existen dos versiones para los principales conceptos o parmetros que se
utilizan en la Estadstica:
- Versin poblacional
- Versin muestral
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 33 / 86

y si al decirlo nos referimos a un dato ya conocido sobre la totalidad de clientes o
poblacin estamos haciendo referencia a una proporcin poblacional, equivalente a
decir que, si elegimos un cliente al azar, la probabilidad de que el mismo est
satisfecho es igual a 0,85 (85%). Este tipo de afirmaciones poblacionales suele estar
basada en informacin previa, histrica. Sobre la misma poblacin.
En cambio, si lo que queremos decir es que, de una muestra de clientes a los cuales
se les pregunt su nivel de satisfaccin , el 85% de ellos respondieron
satisfactoriamente, hacemos referencia a un porcentaje muestral, que nos puede servir
para inferir sobre el nivel de satisfaccin de la poblacin entera, el cual no
conocemos. Las afirmaciones de carcter muestral siempre estn basadas en
observaciones o mediciones sobre una muestra extrada.


Valor medio
Vimos en al captulo anterior el concepto de promedio muestral Este concepto
tambin tiene una versin poblacional. Suponiendo que fuera posible medir la
totalidad de la poblacin y aplicar la misma frmula que para el clculo del promedio
muestral con esta totalidad, obtendramos as el promedio o media poblacional,
denotado .
=
x
i =1
N
i
N



donde N es el tamao de la poblacin. En rigor, esta ltima frmula es puramente
terica, dado que no es posible conocer la totalidad de la poblacin (la cual a veces se
considera infinita: N = ). Sin embargo, la media poblacional suele relacionarse con
modelos matemticos de la poblacin, que permiten realizar clculos tericos, o bien
relacionarse con valores histricos. Es muy comn, por ejemplo, asumir como a la
media histrica de un proceso.
Es de esperar que, si la muestra es representativa de la poblacin, el promedio
muestral sea numricamente cercano al poblacional, y que esta cercana sea mayor
cuanto mayor sea n (tamao muestral):

x~

Esta propiedad, conocida como Ley de los Grandes Nmeros, justifica el hecho de
estimar la media poblacional (difcil o imposible de calcular) a partir de la media
muestral.


Dispersin
De manera similar, si tuviramos la informacin sobre la poblacin entera, y
aplicramos las frmulas de la varianza y desviacin standard a estos datos,
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 34 / 86

podramos calcular la varianza y el desvo standard poblacionales, llamados o
2
y o
respectivamente:

2
i
2
=
( x - x)
N
o

o =
( x - x )
N
i
2


Notas:
a) Valen las mismas consideraciones sobre el carcter terico de estas frmulas, que
hacamos en el caso del promedio poblacional.
b) Observar que el denominador de estas frmulas es N en lugar de por N-1. Dado
que N, el tamao de la poblacin, ser siempre un nmero muy grande (a diferencia
de n, tamao de la muestra, que puede ser pequeo), la diferencia entre dividir por N y
por N-1 ser mnima.
c) Se suele confundir, en la prctica y en alguna bibliografa, las notaciones s con o,
designadas para desvos standard muestrales y poblacionales respectivamente.
Nosotros mantendremos esta notacin. Al igual que ocurre con la media, el desvo
standard muestral es un estimador del poblacional.

s ;s
2 2
~ ~ o o

Esto de acuerdo a la Ley de los grandes nmeros.

Distribuciones de probabilidad
Siguiendo los razonamientos anteriores, si tuviramos la informacin de la poblacin
entera, podramos imaginar la realizacin de un histograma con todos estos datos. La
forma del grfico resultante es llamada distribucin de la poblacin en estudio (o
distribucin de probabilidad). La distribucin caracteriza estadsticamente el
comportamiento de la poblacin. El histograma obtenido a partir de una muestra se
convierte en una aproximacin de la distribucin poblacional, as como la media o la
desviacin standard muestral estiman la media o la desviacin standard
poblacionales.
Esto se puede visualizar en el siguiente grfico, donde se observan histogramas
correspondientes a datos continuos.

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 35 / 86



En cuanto al grfico anterior, es de destacar que, como el nmero de intervalos
aumenta al aumentar n, cada intervalo se va haciendo ms angosto y en el lmite la
distribucin queda representada por una curva suave. En cambio, si las variables que
graficamos son discretas, la distribucin toma la forma de un grfico de barras, como
se ver en el prximo captulo.

La distribucin resume toda la informacin estadstica de una poblacin y permite
visualizar cmo es su variacin aleatoria. En primer lugar, indica en forma aproximada,
donde se concentran la mayor parte de los datos. Algunas distribuciones tienen ms
de un grupo de concentracin. Estas se denominan . En general las
distribuciones asociadas con datos de produccin son unimodales, o sea con un slo
grupo de concentracin, si el nmero de casos es grande. Las distribuciones
polimodales indican falta de homogeneidad en los datos. Por ejemplo productos
realizados con dos materias primas diferentes, o con dos mquinas diferentes.

No todas las distribuciones relacionadas con procesos industriales son simtricas. Hay
muchos casos donde hay simetra hacia la izquierda (asimetra positiva) o hacia la
derecha (asimetra negativa). En distribuciones con simetra positiva. la media es
mayor que la mediana, mientras que, con simetra negativa, sucede al revs.
Ejemplos tpicos de asimetra (positiva) son distribuciones relacionadas con tiempos de
vida til de una poblacin de productos fabricados, los que sern estudiados en
Confiabilidad

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 36 / 86

Resumen: En la siguiente tabla se resume lo visto en esta parte sobre
caractersticas poblacionales y muestrales:

ENFOQUES
Caractersticas
(parmetros)
poblacional
(terico)
muestral
(experimental)
De proporcin probabilidad frecuencia relativa
De valor medio

x
De dispersin
o s
De forma distribucin histograma
Basado en variables aleatorias observaciones


Parte 3. Clculo bsico de probabilidades

Se vuelve necesario, ahora, introducir algunos conceptos de la Teora de la
Probabilidad, la cual estudia los fenmenos y experiencias aleatorios. Un experimento
aleatorio es aquel cuyo resultado no conocemos, aunque s conocemos el conjunto de
todos los posibles resultados que puede llegar a tener. Tal conjunto es llamado
espacio muestral, o espacio de eventos.

Ejemplos:
a) El ejemplo ms simple de experiencia aleatoria es lanzar una moneda al aire y
observar de que lado cae. El espacio muestral est formado por los eventos "cara" y
"seca".
b) Si tiramos un dado, el espacio muestral consiste en los nmeros enteros del 1 al 6.
c) Si la experiencia consiste en tirar una moneda la cantidad de veces necesaria
hasta obtener cara por primera vez, y contar el nmero de tiradas, los resultados
posibles son 1, 2, 3,... En este caso el espacio muestral es infinito, dado que, en teora,
cualquier nmero entero positivo podra ocurrir.
d) Si la experiencia consiste en conectar una bombita de luz y registrar cunto tiempo
pasa hasta que se queme, el espacio muestral consiste en todos los nmeros positivos
y el 0.
e) De un lote de 10000 neumticos fabricados se extrae una muestra de 30 a los que
se les realiza un ensayo de presin, contabilizando el nmero de defectuosos. El
espacio muestral consiste en el conjunto de nmeros enteros entre 0 y 30.
f) Se cuenta el nmero de roturas o defectos en un largo tramo de tubos de gas. En
este caso, nuevamente, cualquier nmero entero positivo ( o 0) puede ser el resultado.
g) Se mide el dimetro de un cojinete; se sabe que no puede superar 35 mm. El
espacio muestral corresponde al intervalo limitado entre 0 35 mm.
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 37 / 86

h) Se mide la temperatura del agua de un motor, la cual, por consideraciones
tcnicas, estamos seguros de que estar entre 60
0
C y 95
0
C . El espacio muestral
consiste en el intervalo [60
0
C,95
0
C].
i) En general, son experimentos aleatorios todos los procesos que involucran
mediciones de magnitudes fsicas, dado que existen errores aleatorios de medicin,
que modifican el resultado en forma no del todo predecible.

PROBABILIDAD
Todos los ejemplos anteriores tienen en comn su aleatoriedad. Si repitiramos
cualquiera de ellos varias veces, aunque las condiciones sean idnticas, seguramente
los resultados no sern los mismos, sino que variaran dentro de los lmites del espacio
muestral en cada caso.
Llamamos evento o suceso a un grupo de uno o varios resultados, esto es, a un
subconjunto del espacio muestral. Sacar un nmero impar con el dado (ejemplo b), u
obtener un dimetro mayor a 30 mm (ejemplo g), son ejemplos de eventos. La
probabilidad de un evento es un nmero comprendido entre 0 y 1, relacionado con la
chance de ocurrencia de ese evento.

En los ejemplos a y b, si el dado o la moneda no estn cargados, cada uno de los
resultados tendr igual probabilidad de salir. Diremos en este caso que el espacio
muestral es equiprobable. En estos casos es sencillo calcular la probabilidad P de un
evento A, como el cociente entre la cantidad de elementos de A y la cantidad de
elementos del espacio muestral S:

( )
S
A
A P
#
#
= =
S en elementos de nmero
A en elementos de nmero


Por ejemplo, la probabilidad de que, al tirar un dado, ocurra el evento

A= {resultado mayor o igual que 5}

es P(A)=2/6. La probabilidad de obtener un resultado impar es:

P(impar)=3/6=0.5

La probabilidad de obtener cara al lanzar la moneda es

P(cara)=1/2

En los otros ejemplos, los espacios muestrales no son equiprobables. En c, por caso,
intuitivamente resulta claro que ser ms probable sacar cara por primera vez en la
primera o segunda tirada, que en la nmero 100 . En tales casos, el clculo de la
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 38 / 86

probabilidad de un evento es algo ms complicado y requiere un modelo matemtico
en particular, como veremos ms adelante.

Nota: Indistintamente escribiremos la probabilidad como valor numrico entre 0 y 1 -
o bien como porcentaje entre 0% y 100%.

Por ejemplo podemos decir, indistintamente, la probabilidad de que un trabajo sea
defectuoso es igual a 0,08 o del 8%.

Probabilidad y frecuencia relativa: Como vimos antes, hay una directa relacin entre
probabilidad y frecuencia relativa, Si tiramos un dado n veces la frecuencia relativa del
resultado "6", por ejemplo, se asemejar a la probabilidad terica de obtener 6, 1/6 .
En general, si un dado experimento aleatorio es repetido un nmero grande (n) de
veces, y consideramos cualquier evento A, vale que:

fr(a) P(A) ~

y ms cercanos estarn ambos valores cuanto mayor sea n. En el lmite (si
pudisemos repetir la experiencia infinitas veces) diremos que fr(A) "converge" a P(A).
Esta es otra consecuencia de la Ley de los Grandes Nmeros, mencionada ms
arriba.

Repetimos pues que se presentan entonces dos enfoques para el mismo concepto. Si
queremos saber cul es la probabilidad de obtener un 6 en el dado por ejemplo,
podramos hacer el cociente 1/6 (probabilidad), o bien tirar el dado un nmero grande
de veces y dividir la cantidad de veces que sali 6 por la cantidad total de tiradas
(frecuencia relativa). Supongamos que lo tiramos 100 veces y obtenemos 10 seis.
fr(6)=0.16, mientras que P(6)= 1/6 ~ 0.17
En relacin al ejemplo anterior,

la probabilidad de que un trabajo sea defectuoso es igual a 0,08 o del 8%.

da lugar a las dos lecturas siguientes:
- Al tomar un trabajo al azar, la probabilidad de que ste sea defectuoso, es igual
a 0,08 o el 8%
- Al tomar una muestra grande de trabajos, aproximadamente el 8% ser
defectuoso
Como quizs usted ya comprendi, stas son dos maneras diferentes de decir lo
mismo.

Otra forma de escribir la frecuencia relativa: En Estadstica, el smbolo ^ significa
estimado. As, como la frecuencia relativa del resultado 6 estima a la probabilidad,
podemos escribir
16 , 0 = p
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 39 / 86

que se lee probabilidad estimada igual a 0,16

Si, al tirar el dado 100 veces, obtenemo en cambio, una frecuencia relativa

fr(6) = 0,1

como este resultado difiere, del valor esperado

p = 1/6 = 0,17

habra lugar para dos conclusiones diferentes, si queremos explicar la diferencia entre
lo observado y lo esperado:

a) podemos suponer que esa diferencia es "aleatoria", esto es, que la frecuencia
relativa result baja slo por azar, y que, si repetimos la experiencia ms veces,
seguramente obtendramos resultados ms similares al valor esperado

b) o podemos suponer que el dado no es equilibrado y por tanto la probabilidad
real de seis es menor que 1/6. En tal caso, por ms que repitamos la
experiencia muchas veces, no nos acercaramos ms al valor esperado 1/6.

Si se nos permite ilustrar este tema con una referencia potica, citamos un texto de
Borges:










Reflexiones de esta naturaleza, cuando es necesario determinar si determinado
fenmeno observado fue causado por el vago azar (comportamiento no atribuible a
ninguna causa especfica, o ms simplemente, a causas aleatorias), o ms bien
por precisas leyes (comportamiento atribuible a una o ms causas especficas o
asignables) se presentan no slo en la poesa sino tambin, y habitualmente, en
tareas relacionadas con la calidad.

A modo de ejemplo, si sabemos que, en un proceso, la masa del 95% de las piezas
fabricadas en serie se encuentra entre 100g y 102g, pero luego de un cambio de
repuesto en la maquinaria se fabricaron dos piezas ms, pesando 101,9 g y 102,0 g;
..el vago azar o las precisas leyes
que rigen este sueo, el Universo...
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 40 / 86

podemos preguntarnos: si tal resultado, diferente de lo anterior, fue slo por azar, o
si el cambio de repuesto produjo alguna modificacin significativa en la maquinaria.

.

Propiedades De La Probabilidad
La probabilidad asigna entonces un nmero a cada evento del espacio muestral, y
debe cumplir con las siguientes propiedades, las cuales sern tiles para la resolucin
de los ejercicios prximos.

a) Para todo evento A, P(A) > 0 y P(A) s 1

Si un evento tiene probabilidad 0, lo llamaremos "evento imposible", y si tiene
probabilidad 1, lo llamaremos "evento seguro". El espacio muestral completo es un
evento seguro. (Si tiramos un dado, siempre saldr un nmero entre 1 y 6)

b) Frmula del complemento La probabilidad de que A no ocurra es igual a 1
menos la probabilidad de que ocurra P(A
c
) = 1- P(A)

donde A
c
es el complemento de A, esto es, el suceso opuesto. Por ejemplo, el
suceso obtener 5 o 6 al tirar el dado es el complemento del suceso obtener ,1 2,
3 o 4 al tirar el dado y por lo tanto

P(5 o 6) = 1- P(1, ,2, 3 o 4)

2/6 = 1 - 4/6

c) Frmula de la suma (sucesos excluyentes) Dos eventos se llaman disjuntos o
excluyentes cuando no pueden ocurrir ambos al mismo tiempo. Si A y B son
excluyentes vale la frmula de la suma:

P( A o B ) = P(A) + P(B)

o sea, la probabilidad de que ocurra alguno de los dos es la suma de las
probabilidades individuales. La probabilidad de obtener {par o 3} en el dado es

P(par o 3) =P(par) +P(3) =3/6 +1/6 =4/6

dado que los eventos {par} y {3} son excluyentes; en cambio no ocurre lo mismo con
la probabilidad de obtener {impar o menor que 3} pues el evento {impar o menor que
3} consiste en {1,2,3,5}, siendo su probabilidad igual a 4/6, mientras que
P(impar) + P(menor que 3) = 3/6 + 2/6 =5/6.


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 41 / 86

d) Frmula de la suma (en general) Dados dos eventos A y B (no necesariamente
excluyentes), la probabilidad de que ocurra alguno de los dos es:

P( A o B ) = P(A) + P(B) - P(A y B)

es decir, a la frmula anterior hay que restarle la probabilidad de que ocurran al
mismo tiempo A y B. (Si los eventos fueran excluyentes, ste ltimo trmino es 0, y
volvemos a la formula anterior). De acuerdo a esto la probabilidad de obtener {impar o
menor que 3} es:

P(impar o menor que 3) =
= P(impar) + P(menor que 3) - P(impar y menor que 3)=
= P(impar) + P(menor que 3) - P(1)=
= 3/6 + 2/6 - 1/6 =
= 4/6

Dos eventos se llaman independientes si la ocurrencia de uno no afecta la ocurrencia
del otro. Supongamos por ejemplo que tiramos una moneda una sino dos veces. El
espacio muestral consiste en los pares (cara,cara), (cara, seca), (seca, cara) y
(seca,seca), siendo la primer componente de cada para el resultado de la primera
tirada y el segundo, el de la segunda.
Los eventos {cara la primera tirada} y {cara la segunda tirada} son independientes,
dado que el resultado de la primera no tiene por qu afectar a la segunda.

e)Frmula del producto: Dados dos eventos independientes A y B, la probabilidad
de que ocurran ambos al mismo tiempo es el producto de las probabilidades
individuales:

P( A y B) = P(A. P(B)

Por ejemplo la probabilidad de sacar cara las dos veces que se tir la moneda es:

P(2 caras)
= P(cara la primera vez). P(cara la segunda vez)
= 2/4 . 2/4
= 1/4.

Atencin!: Es comn confundir eventos excluyentes con independientes, cuando
en realidad no es lo mismo; de hecho, si son excluyentes, la ocurrencia del primero
impide la del otro y por lo tanto nunca pueden ser independientes).

Ejemplos del uso de las propiedades de la probabilidad

1.cul es la probabilidad de que al tirar un dado 4 veces salga
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 42 / 86

a) ningn 6
b) al menos un 6?

a) La probabilidad de que no salga ningn 6 puede entenderse como:

no sale 6 en la primer tirada y no sale 6 en la segunda tirada
y no sale 6 en la tercera tirada y no sale 6 en la cuarta tirada

En smbolos:

P(ningn 6)= P(no 6 y no 6 y no 6 y no 6)

Como las tiradas se consideran independientes (lo que sale en una tirad no influye
sobre el resultado de las dems), se puede aplicar la frmula del producto:

P(ningn 6)= P(no6). P(no6) . P(no6) . P(no6) =

P(no6)
4
= (5/6)
4
= 0,48 (o 48%)

b) Decir que sale al menos un 6 es exactamente lo opuesto de decir ningn 6
(el complemento) y por lo tanto

P(al menos un 6) = 1 - P (ningn 6) = 52%

En consecuencia, si se tira un dado 4 veces es aproximadamente igual de probable
sacar al menos un 6 que no sacar ninguno.

2. La produccin en serie de una placa elctrica tiene un 5% de unidades no
conformes. cul es la probabilidad de que, en una muestra de 30 de estas
piezas, funcionen todas ellas?
P(una pieza funcione) = 0,95

Suponiendo independencia y aplicando la frmula del producto,

P(funcionen todas) = P(la 1. pieza funcioe y la 2. pieza funcione y.........y la 30
pieza funcione) = 0,95 . 0,95 . 0,95...... . 0,95== 0,95
30
= 0,21 (o 21%)

A continuacin, y para cerrar esta parte, le proponemos otros ejercicios para
realizar:

Autoevaluacin de Probabilidad:
1. En un lote de 200 tornillos hay 30 tornillos defectuosos. cul es la probabilidad
de que, al extraer un tornillo al azar, este resulte defectuoso?
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 43 / 86

2. Al realizar una encuesta a 500 clientes de una empresa de servicios, se observ
que 145 de ellos quedaron disconformes con el servicio brindado. Estimar la
probabilidad de que un nuevo cliente quede disconforme, si la empresa no toma
acciones correctivas.
3. Para estimar la calidad de un proveedor, quien entrega semanalmente lotes de
30 piezas de un producto, se tom nota de la cantidad de piezas defectuosas
entregadas en las ltimas 20 semanas:
i. 0 1 3 0 1 1 2 1 2 1
ii. 1 2 5 1 0 0 2 3 2 1

En base a esta informacin, cmo estimara el porcentaje de piezas
defectuosas para este proveedor?
4. cul es la probabilidad de que, al sacar una carta de un mazo de cartas
espaolas, ,se obtenga un As o un Rey?
5. cul es la probabilidad de que, al sacar una carta de un mazo de cartas
espaolas, ,se obtenga un As o una espada?
6. Los lmites de especificacin para una pieza son: Inferior 30,2 mm y Superior:
30,8 mm. Si el 0,5% de las piezas producidas cae por debajo del lmite inferior y
el 0,8% cae por encima del lmite superior, calcular, usando las propiedades
adecuadas de la probabilidad, el porcentaje de piezas aceptables.
7. En la produccin de ciertos envases plsticos por inyeccin, es comn que
aparezcan alguna de las siguientes fallas:
a)Burbujas, que aparecen en el 6% de los envases
b)Fallas de forma en el pico, que aparecen en el 3% de los envases
Ambos modos de fallas corresponden a momentos diferentes del proceso, y por
lo tanto pueden considerarse independientes entre s. Responder, usando las
frmulas de la suma y del producto:
cul es el porcentaje de envases no conformes?, y cul es el porcentaje
de los envases que presentan ambos modos de fallas?
8. El motor de una heladera industrial consta de 300 componentes individuales. Se
considera que la heladera est en buenas condiciones slo cuando sus 300
componentes funcionan. Por otro lado, stos componentes son entregados por
diferentes proveedores que garantizan, todos ellos, un nivel de calidad del 99%,
o sea, no ms del 1% de los componentes defectuosos en cada caso.
a)calcular la probabilidad de que la heladera pueda considerarse en buenas
condiciones, usando la frmula del producto
b)en funcin de lo anterior, cmo evaluara la calidad de los proveedores, como
aceptable o insuficiente?
c)qu calidad mnima debiera exigirse a los proveedores si se desea que el
95% de las heladeras fabricadas est en condiciones?
9. Una cmara tiene 2 bombas de desage, que funcionan independientemente.
La probabilidad de que la primera de descomponga es del 3%, y la probabilidad
de que la segunda de descomponga es del 6%. Para disear un plan de
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 44 / 86

contingencia se debe saber cul es la probabilidad de que no funcione ninguna.
Calcular esta probabilidad.
10. Paradojas de la probabilidad y de la estadstica. Las 4 afirmaciones siguientes
contienen errores en la utilizacin de distintos conceptos probabilsticos o estadsticos.
Encontrarlos y rebatir las afirmaciones

a) Dicen que una de cada cinco personas naci en China. Estoy seguro que eso
no es posible. Yo tengo como 15 amigos, 20 parientes, Don Tito el carnicero y su
familia, la barra del club, y los Gonzlez. Todos juntos son cerca de 80, y
ninguno de ellos naci en China

b) En un reportaje que le hicieron cuando era presidente de EEUU, en la dcada del
50, Dwight Eisenhower expresa asombro y preocupacin al enterarse que, segn
investigaciones, la mitad de los norteamericanos tena una coeficiente intelectual
por debajo de la media...
[citado por C. Sagan en su ltimo libro]
Si usted fuera Eisenhower, debiera realmente preocuparse?

c) Le dijeron al Sr. Marino que la probabilidad de haya una bomba en un avin es
de uno en mil (1/1000). Por lo tanto, haciendo un clculo rpido, concluimos que la
probabilidad de que en el mismo avin haya dos bombas es de 1/1000 x 1/1000 =
1/1000000. (uno en un milln). Para viajar ms tranquilo, cada vez que el Sr. Marino
viaja en avin lleva una bomba en su equipaje. De esa manera, como la probabilidad
de que haya dos es tan baja, l est casi seguro de que no habr otra ms que la que
lleva l, que est desactivada.

d) CLEMENTE, de Clarn del 4/4/97
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 45 / 86

Cap. IV. VARIABLES ALEATORIAS Y DISTRIBUCIONES DE
PROBABILIDAD

Vimos en el captulo anterior las bases de la Teora de la Probabilidad. Ahora
desarrollaremos los conceptos de variables aleatorias, para vincular aquellos
elementos con los datos numricos.

Una variable aleatoria es un resultado numrico de un experimento aleatorio. Dicho
de otro modo, definimos variables aleatorias si asignamos un valor numrico a cada
resultado de un experimento aleatorio. Por ejemplo, podemos concebir el trabajo de
inspeccionar una muestra de 20 productos, y contar el nmero total de defectuosos
entre ellos como un experimento aleatorio, puesto que no podemos saber, a priori,
cules unidades sern buenas y cules sern defectuosas. Una variable aleatoria
asociada a este experimento aleatorio puede ser el nmero de productos
defectuosos encontrados. Dada la propia aleatoriedad del problema, no podemos
conocer a priori qu valor numrico tomar esta variable aleatoria, slo podemos
asegurar que ese valor estar entre 0 y 20. Nos puede interesar conocer, a priori de la
inspeccin, la probabilidad de no encontrar ningn defectuoso, o bien de encontrar
slo 1, o bien de encontrar ms de 3, etc.

Para responder a estas preguntas, cada variable aleatoria est caracterizada por una
distribucin de probabilidad, que asigna un valor de probabilidad a cada resultado
posible.

En el caso de los ensayos discretos, la distribucin de probabilidad es una funcin que
asigna un nmero a cada resultado (su probabilidad). Por ejemplo, la distribucin de
probabilidad asociada a la tirada de un dado es la funcin que asigna el valor 1/6 a
cada uno de los posibles resultados:

resultado x 1 2 3 4 5 6
probabilidad p(x) 1/6 1/6 1/6 1/6 1/6 1/6

Est claro que, como la probabilidad total debe ser siempre igual a 1, debe valer que

Ep(k) = 1
donde p es la distribucin de probabilidad, y la suma se realiza sobre todos los
resultados posibles La distribucin de probabilidad cumple un papel similar al del
histograma de la distribucin poblacional cuando la poblacin es infinita. Si tiramos un
dado un nmero grande de veces y realizamos el histograma correspondiente a los
resultados, ste se asemejar al grfico de la distribucin de probabilidad.



UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 46 / 86

MEDIA Y VARIANZA DE VARIABLES ALEATORIAS
Es necesario tambin poder calcular un parmetro de localizacin o tendencia central
para una variable aleatoria X, as como se haca con las muestras. Este parmetro
representar el valor medio (terico) de la misma. Lo llamaremos media poblacional o
esperanza de la v.a., y, para calcularla, partimos de la frmula equivalente para
muestras con datos agrupados, reemplazando la frecuencia relativa que ah apareca
por la probabilidad:
( )

= x p x

donde E(X) se lee "esperanza de X", la suma se da sobre todos los x del espacio
muestral, y p(x) es la distribucin de probabilidades de la v.a. X. La esperanza de una
variable puede ser tambin interpretada como su valor esperado, esto es, como el
valor que esperaramos que tome la variable antes de la realizacin del experimento.
En nuestro ejemplo del dado, la esperanza es:

De manera anloga se puede calcular la varianza y desvo standard de
variables aleatorias, o
2
y o.


DISTRIBUCIONES ESPECIALES

Veremos ahora algunas de las distribuciones ms utilizadas en la prctica. En primer
lugar, trataremos con distribuciones discretas.

V: DISTRIBUCIN BINOMIAL

Consideremos un experimento que tiene slo dos resultados posibles, como
cara-seca, o defectuoso-no defectuoso, y supongamos por ahora que conocemos la
probabilidad de ambos resultados. A alguno de los dos resultados posibles lo
llamaremos suceso , y a su probabilidad, p. Ahora imaginemos que el mismo
experimento es repetido una cantidad n de veces, siempre bajo las mismas
condiciones y en forma independiente (esto es, sin que el resultado en cualquiera de
las repeticiones influya en los resultados de las otras). Consideremos entonces a la
variable aleatoria que cuenta la cantidad de sucesos obtenidos en las n repeticiones.
Ejemplos de esto son, el nmero de caras obtenidas al tirar una moneda n veces, o el
nmero de piezas defectuosas encontradas al inspeccionar una muestra de n piezas.
Las variables aleatorias que respondan a este esquema se dice que siguen una
distribucin binomial, teniendo como parmetros a los valores n y p. En smbolos:

X Bi (n,p)

Los parmetros de una distribucin (n y p en este caso) son valores que la
caracterizan, en algunos casos son conocidos y en otros no.
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 47 / 86


La distribucin binomial cumple un rol fundamental en todos los procesos de muestreo
de productos. Aqu, p es la proporcin (poblacional) de productos defectuosos, o , lo
que es lo mismo, la probabilidad de que un producto elegido al azar de la poblacin,
resulte defectuoso. Se presentan dos enfoques distintos.

a)Poblacin finita -un lote grande ya producido-. p ser considerado la proporcin de
defectuosos en el
mismo . Para conocer p debiramos inspeccionar el 100% del lote. Como esto no
resulta prctico, extraemos una muestra de tamao n, y contamos la cantidad X de
defectuosos en la muestra.
b) Poblacin infinita. Supongamos que queremos conocer la proporcin de artculos
defectuosos que produce un determinado proceso. Ac no tenemos un lote ya
producido, sino que la poblacin consiste en todos los artculos que se podran llegar a
producir. En este caso, p es interpretado como la probabilidad (terica) de que un
artculo producido sea defectuoso. En este caso, tambin se toma una muestra de
tamao n, y se cuentan los defectuosos, obteniendo la v.a. binomial X.

Interesa saber, dadas n y p, cul es la distribucin de probabilidad de una v.a.
binomial, esto es, cul es la probabilidad de que X tome un dado valor. Esto responde
a:
p(i) = P(X= i) =
n!
i!(n - i)!
p (1- p)
i n-i


para i=0,1,...,n En la frmula anterior, el smbolo ! representa el factorial.
Esperanza y varianza. Dados n y p, la esperanza y varianza de una distribucin
binomial Bi(n,p) son:

= n.p ; o = n.p.(1-p)


Ejemplo prcticoUna cadena de hamburguesas y comida rpida planifica una
nueva sucursal en una capital provincial, en la que se van a utilizar, por turno, 50
empleados para atender al pblico. En realidad, 45
personas son suficientes para la atencin del pblico
en un turno, pero se contratar a 50 para cubrir la
posibilidad de empleados faltantes por enfermedad u
otros motivos. Si, en alguna oportunidad, llegaren a
faltar ms de 5 empleados, se deber requerir
personal de refuerzo para asegurar el Sin embargo, la
empresa prefiere manejarse solamente con el personal
originalmente contratado.
Teniendo en cuenta que, de acuerdo a la experiencia
recogida en otras sucursales ya existentes, se prev una proporcin promedio de
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 48 / 86

empleados ausentes del 8%, la gerencia se pregunta si los 50 empleados sern
suficientes para no necesitar la contratacin de personal de refuerzo.





Se dijo que el porcentaje promedio de empleados ausentes en la poblacin, es

p = 8%

(En base a la experiencia previa de otras sucursales, se toma ste ltimo como
parmetro poblacional)

Primero estimaremos, a partir de este dato, con qu frecuencia se pueden esperar
los posibles valores para el nmero de empleados ausentes en la nueva sucursal.

F
r
e
c
u
e
n
c
i
a

(
x
)

10
9
8
7
6
5
4
3
2
1
0 1 2 3 4 5 6 7 8 9 10 11 12
(x)

Ahora, calcule la frecuencia relativa y grafique el resultado en la prxima figura para
cada uno de los sucesos observados, teniendo en cuenta que la frecuencia relativa
se define como el cociente de la frecuencia por el nmero de ensayos n

( )
( )
n
x f
x fr =

De esta manera, y si nos basramos solamente en esta informacin, kntente
responder:


con qu frecuencia no falta ningn empleado?................................................
con qu frecuencia se ausentan 3 empleados? ..............................................
con qu frecuencia se ausentan 5 empleados o menos? ...............................
con qu frecuencia se ausentan 5 empleados o menos? ...............................
En conclusin, sern suficientes 50 empleados? .............................................
La pregunta a formular es, pues: contando con 50 empleados originales,
con qu frecuencia se necesitar llamar a personal de refuerzo? o, en
otras palabras, con qu frecuencia se ausentarn ms de 5 empleados?
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 49 / 86





Es indudable que encontramos una solucin para el problema planteado. Sin
embargo, la misma est lejos de ser la mejor solucin posible. En primer lugar,
porque no es demasiado prctico recurrir a la caja de bolitas cada vez que se
plantea un problema similar a este. Pero adems, porque esta solucin es muy
dependiente de la aleatoriedad de las experiencias realizadas con la caja. Si
volviramos a repetir todas las tiradas otra vez, posiblemente obtendramos
diferente resultado.

Si, en cambio, se hicieran muchas ms repeticiones con la caja de bolitas, la
influencia del azar sobre el resultado total ser cada vez ms pequea. Un
matemtico dira: si se realizan infinitas repeticiones, el resultado ya no quedara
influenciado por el azar en absoluto. Las frecuencias relativas h(x) de la Figura
anterior (muestrales) pasaran a ser las probabilidades g(x) (poblacionales)

( ) ( ) x p
n
x fr



Afortunadamente, las infinitas repeticiones pueden ser reemplazadas por un clculo
matemtico. En la tabla siguiente se representa el resultado de este clculo: la
funcin de probabilidad g(x) correspondiente, llamada Distribucin Binomial, con
n = 50 y p = 0,08. A su vez, los valores de la tabla fueron transportados en el
grfico de barras de la derecha.







p(x) es la probabilidad individual, o sea la probabilidad
de encontrar exactamente x unidades con determinado
atributo (empleado ausente) entre los n tems
ensayados (50 empleados)

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 50 / 86


x p(x)
0 1.5%
1 6.7%
2 14.3%
3 19.9%
4 20.4%
5 16.3%
6 10.6%
7 5.8%
8 2.7%
9 1.1%
10 0.4%
11 0.1%
12 0.0%

Como ya se dijo, los valores de la tabla (y el grfico) fueron calculados, no
repitiendo la tirada con la caja muchsimas veces, sino por medio de las frmulas
de la pgina 3-7. Es interesante comparar este grfico de barras (de
probabilidades) con el grfico de frecuencias relativas anterior. Nuevamente,
comparamos un elemento muestral con uno poblacional.

Siguiendo con el ejemplo: Para calcular la probabilidad de un mximo de cinco
empleados ausentes, se suman las probabilidades individuales. De esta manera se
obtiene la funcin de distribucin F(x).

F(5) = p(O) + p(1) + p(2) + p(3) + p(4) + p(5)








La probabilidad de como mximo cinco empleados ausentes enfermos es

La probabilidad para ms de cinco ausentes es:

Si hacemos referencia al problema planteado, esto significa que, en
aproximadamente el de los casos se deber solicitar personal de
refuerzo.

En base a estos resultados, qu decisin tomara?
1 - F(5) =
F(x) es la probabilidad acumulada, o sea la probabilidad de
encontrar hasta (mximo) x unidades con determinado
atributo entre los n tems

%
F(5) =
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 51 / 86








DISTRIBUCIN DE POISON
Otra distribucin discreta til es la distribucin de Poison, que suele describir los
experimentos aleatorios relacionados con conteos del nmero de defectos en una
unidad, o el nmero de errores en un proceso, o el nmero de accidentes producidos
por unidad de tiempo, etc. La distribucin de Poison , P() , responde a un parmetro,
, y la frmula de su distribucin es:
0,1,2,3,. = i ;
i!
.
e
= p(i)
i -


La esperanza de una v.a. de Poison es , y la varianza , nuevamente, es .


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 52 / 86

EJERCICIO El servidor de una red informtica recibe correos para distribuir. Se
supone que la cantidad de correos recibidos por da sigue una distribucin de
Poison. A continuacin se muestran los registros de los tiempos en los que se
recibieron trabajos en un da laboral (entre las 8 y las 20 horas).
- Estimar, en base a esta informacin, el parmetro , y responder:
- con qu probabilidad pueden llegar a recibirse ms de 10 correos por hora?
- con qu probabilidad pueden recibirse ms de 40 correos por maana (8h-12 h)?
8 h 6 min 16 seg 12 h 12 min 2 seg 16 h 29 min 47 seg
8 h 9 min 14 seg 12 h 15 min 23 seg 16 h 44 min 31 seg
8 h 13 min 43 seg 12 h 23 min 16 seg 16 h 50 min 11 seg
8 h 24 min 57 seg 12 h 32 min 54 seg 17 h 1 min 17 seg
8 h 32 min 26 seg 12 h 38 min 26 seg 17 h 12 min 52 seg
8 h 38 min 15 seg 12 h 52 min 49 seg 17 h 15 min 1 seg
8 h 46 min 43 seg 13 h 5 min 40 seg 17 h 26 min 33 seg
8 h 58 min 30 seg 13 h 14 min 44 seg 17 h 32 min 14 seg
9 h 9 min 21 seg 13 h 24 min 6 seg 17 h 37 min 47 seg
9 h 17 min 15 seg 13 h 36 min 58 seg 17 h 45 min 5 seg
9 h 24 min 21 seg 13 h 47 min 40 seg 17 h 53 min 15 seg
9 h 40 min 15 seg 13 h 51 min 1 seg 18 h 2 min 36 seg
9 h 49 min 32 seg 13 h 59 min 19 seg 18 h 11 min 45 seg
1
0 h 0 min 14 seg 14 h 9 min 41 seg 18 h 17 min 9 seg
1
0 h 6 min 0 seg 14 h 18 min 50 seg 18 h 25 min 54 seg
1
0 h 17 min 2 seg 14 h 26 min 27 seg 18 h 32 min 11 seg
1
0 h 22 min 8 seg 14 h 31 min 6 seg 18 h 40 min 32 seg
1
0 h 30 min 39 seg 14 h 39 min 12 seg 18 h 49 min 58 seg
1
0 h 36 min 39 seg 14 h 48 min 16 seg 18 h 56 min 4 seg
1
0 h 48 min 8 seg 14 h 56 min 10 seg 19 h 2 min 59 seg
1
0 h 56 min 52 seg 15 h 2 min 17 seg 19 h 5 min 24 seg
1
1 h 3 min 22 seg 15 h 11 min 2 seg 19 h 11 min 0 seg
1
1 h 15 min 26 seg 15 h 23 min 21 seg 19 h 16 min 15 seg
1
1 h 21 min 49 seg 15 h 28 min 29 seg 19 h 22 min 43 seg
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 53 / 86

1
1 h 35 min 35 seg 15 h 38 min 2 seg 19 h 29 min 36 seg
1
1 h 41 min 41 seg 15 h 45 min 14 seg 19 h 37 min 32 seg
1
1 h 47 min 18 seg 15 h 55 min 35 seg 19 h 43 min 43 seg
1
1 h 56 min 12 seg 16 h 6 min 7 seg 19 h 51 min 20 seg
1
2 h 2 min 5 seg 16 h 11 min 58 seg 19 h 54 min 57 seg
1
2 h 9 min 29 seg 16 h 18 min 32 seg 19 h 56 min 10 seg

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 54 / 86

VII. DISTRIBUCION NORMAL

Entre las distribuciones de probabilidad la ms importante es la llamada normal (DN),
cuya forma es similar a los histogramas con forma de campana descritos
o esperanza
distribucin es:
En el caso particular en que =0 y o =1, la distribucin correspondiente se denomina
normal standard ( N(0,1) ).

La importancia de la distribucin normal proviene del hecho de que, en la mayora de
los casos en los que una variable aleatoria est sujeta a varias fuentes diferentes e
independientes de variacin, en que cada variacin por separado puede resultar
imperceptible pero la combinacin de todas ellas s afecta el resultado, la distribucin
subyacente es normal. Sin embargo, hay que prevenir que no siempre una variable
aleatoria continua de estas caractersticas es normal. Hay distintas herramientas
estadsticas que permiten chequear cundo una muestra de valores o variable
aleatoria continuas, tiene DN. Si tuvisemos una gran cantidad de datos, y
quisiramos chequear su normalidad, podramos construir el histograma
correspondiente y comparar su forma con la campana. Sin embargo, es preferible
utilizar el Grfico de Probabilidad Normal, o Red de Probabilidad Normal.

Linealidad: Una propiedad importante de la distribucin normal es la siguiente: Si X
tiene distribucin normal, y llamamos Z a la variable aleatoria obtenida de X restndole
su media o, entonces Z tiene
distribucin normal standard:
X N Z
X
N ~ =

~ ( , ) ( ) o

o
0,1
Esta ltima propiedad sirve para calcular probabilidades referida a variables normales,
ya que las probabilidades relacionadas con la distribuciones normales standard estn
tabuladas. Por ejemplo, sea X una variable aleatoria con DN(2,2) (esto significa =2,
o=2); y queremos hallar P(X < 4):
P(X< 4) = P
X- 2
2
<
4 - 2
2
= P(Z<1) = 0.84
|
\

|
.
|
segn la tabla.


f(x) =
1
2. .
e
x
t o

o

|
\

|
.
|
2


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 55 / 86

Valores de probabilidad para la distribucin normal. Diremos cunto se alejan,
para un dado o, los valores del valor medio en la distribucin normal: Dada una
variable aleatoria X con distribucin normal:

a) La probabilidad de que X caiga en el intervalo comprendido entre o y
+ o es aproximadamente 68%;
b) La probabilidad de que X caiga en el intervalo comprendido entre 2o
+ o es aproximadamente del 95,5%;
c) La probabilidad de que X caiga en el intervalo comprendido entre 3o y
+ 3o es aproximadamente del 99,73%

Estas 3 propiedades se representan grficamente como sigue:

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 56 / 86



Otras propiedades, que sern tiles en el Captulo 5, son las representadas en los
grficos siguientes



UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 57 / 86




UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 58 / 86

CAP. V. ESTIMACIN DE PARMETROS

El problema fundamental de la Estadstica es inferir propiedades de las distribuciones
a partir de las mismas propiedades, pero referidas a una muestra pequea. En general
se trata de estimar parmetros desconocidos de un poblacin, a partir de estadsticos
calculados sobre la muestra. Los ejemplos mas claros son estimar la media de una
poblacin a partir del promedioX de una muestra, o el desvo standard poblacional o a
partir del desvo standard muestral s, o la probabilidad de ocurrencia de cierto evento,
p, a partir de la frecuencia relativa de las ocurrencias en una muestra. En forma
esquemtica:





Es de esperar que haya un error de estimacin, dado que las muestras sobre
los que se calculan los estadsticos siempre estn sujetas a variaciones aleatorias.


Parte 1. INTERVALOS DE CONFIANZA

Es por esta ltima razn que generalmente no alcanza con dar un valor puntual para
estimar un parmetro, sino que es conveniente dar un intervalo, un rango de valores
que, con una probabilidad alta, cubra al parmetro.

Por ejemplo, partimos de una muestra aleatoria (o sea, una muestra X
1
, ..., X
n
de
variables aleatorias todas ellas con distribucin N(, o), queremos dar un intervalo tal
que podamos asegurar que el verdadero parmetro , poblacional, est contenido en
ese intervalo con probabilidad 0.95 .

El nivel de un intervalo de confianza es la probabilidad de que el mismo cubra al
parmetro. Suelen tomarse intervalos con nivel 0.95, o 0.99 . El nivel suele ser escrito
como 1-o, donde o, que debe ser un nmero pequeo (0.05, o 0.01), representa el
riesgo estadstico del mtodo.

INTERVALOS DE CONFIANZA PARA MEDIAS. VARIANZA CONOCIDA.

Partiendo de una muestra aleatoria con distribucin N(,o), donde o resulta conocida,
un intervalo de confianza para la media es:

|
|
.
|

\
|
n
z
+ X ;
n
z
- X = ) IC(
/2 /2
o o

o o

DATOS POBLACION
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 59 / 86


donde z
o/2
es el valor obtenido de la tabla de la distribucin normal, que deja a su
1o =
95%, o/2 = 2.5%, y entonces z
o/2
= 1.96

DISTRIBUCIN t . EL CASO DE VARIANZA DESCONOCIDA.

Si no se conoce o, el intervalo para se obtiene de manera similar, reemplazando o
(desconocido) por s, el desvo standard de la muestra. Pero en este caso el valor de
z
o/2
debe ser reemplazado por el valor t
o/2,n-1
que se busca en las tablas de la
distribucin "t" de Student (ver Apndice). Esta es una nueva distribucin, similar a la
normal, que depende de un parmetro n (llamado nmero de grados de libertad) , y
que , cuanto mayor sea n, ms se parece a la normal. El hecho de estimar o por s
introduce un error adicional en los estadsticos considerados, y esa modificacin se
refleja en la distribucin t. El intervalo resulta:
|
|
.
|

\
|
n
s

t
+ X ;
n
s

t
- X = ) IC(
1 - n /2, 1 - n /2, o o



DISTRIBUCIN _
2
INTERVALOS DE CONFIANZA PARA VARIANZAS .

En otros casos puede ser necesario dar un intervalo de confianza para estimacin de
o
2
o o. Para esto introducimos la distribucin " _
2
", cuyas tablas se encuentran en el
apndice. La misma depende tambin de un parmetro n, llamado nmero de grados
de libertad, y relacionado con la precisin en la estimacin de o por s. A diferencia de
las distribuciones normal y t, sta no es simtrica. El valor X
2
o,n
es aqul que deja un
rea igual a o a su izquierda en el grfico de su distribucin. El intervalo
correspondiente a o es:
|
|
|
.
|

\
|
_ _
o
o o
2
/2 1, - n
2
2
/2 - 1,1 - n
2
2
s
1) - (n ;
s
1) - (n = ) IC(



Parte2. TESTS DE HIPTESIS

En muchas otras ocasiones lo que interesa no es estimar un parmetro por un valor
puntual ni por un intervalo, sino solamente verificar si el mismo cumple o no
determinada condicin. Por ejemplo, puede ser necesarIo asegurarse si la
concentracin media (poblacional) de cierta sal en agua mineral no supera un valor
mximo tolerado, o si el ancho medio (poblacional) del paso de un rosca fileteada est
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 60 / 86

dentro de ciertos valores de especificacin de plano, o si la proporcin (poblacional) de
artculos defectuosos obtenidos en un proceso no supera el 1%, etctera.

En todos estos casos el problema es similar. Se tiene un parmetro en estudio
(correspondiente a una poblacin completa), y se admiten para l dos situaciones
posibles: dentro - fuera de especificacin o de norma, proporcin de defectuosos
mayor - menor o igual que 1%. Para resolver estos y otros problemas con estas
caractersticas se utiliza un Test de Hiptesis que, como toda otra tcnica estadstica,
utiliza la informacin contenida en una muestra, extrada de la poblacin original, para
llegar a una conclusin.

En primer lugar debemos formular las 2 hiptesis a ser testeadas, por ejemplo:

s
0
versus >
0


si es concentracin media, y
0
es la mxima tolerada.Tengamos en cuenta que no
se conoce el verdadero valor de (media poblacional), pero si el mximo valor
tolerado
0


Dijimos antes que un test deber basarse en estadsticos obtenidos a partir de
muestras aleatorias (una muestra de n botellas de agua a las que se mida la
concentracin de sal, por ejemplo), para ayudarnos a decidir entre ambas hiptesis.
Dado que x ser similar a , para valores altos de n, lo razonable sera considerar un
criterio como el siguiente : Si x resulta "grande" , decidir >
0
, y si resulta "chico",
decidir s
0
Seguidamente diremos con mayor precisin que significan "grande" y
"chico".

Hay que tener en cuenta que, como todo mtodo basado en muestras estadsticas,
existe la posibilidad de cometer errores aleatorios en resultado del test. Reconocemos
4 posibles situaciones :

a) la concentracin media real es realmente menor o igual que la mxima tolerada, y
nuestro test registra esta realidad.

b) la concentracin media real es realmente menor o igual que la mxima tolerada,
pero, por errores estadsticos, nuestro test nos dir que la supera.

c) la concentracin media real es realmente mayor que la mxima tolerada, pero, por
errores estadsticos, nuestro test nos dir que es menor o igual.

d) la concentracin media real es realmente mayor que la mxima tolerada, y nuestro
test registra esta realidad.

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 61 / 86

Sintticamente:
RESULTADO DEL TEST
<
0
>
0

REALIDAD <
0
a. sin error b. error II
>
0
c. error I d. sin error

Como se ve, hay dos errores posibles. Uno de estos dos por lo general es considerado
ms "grave", y ser aqul que queramos controlar en lo posible. En nuestro ejemplo, el
error ms "grave" ser el c ("no darnos cuenta que la concentracin supera la
tolerada"). Muchas veces la formulacin de cul es el error ms grave es subjetiva y
no debe tomrselo en forma estricta. Por ejemplo, si un fabricante y un comprador
deciden hacer un test para chequear si determinado producto alcanza o no un
determinada caracterstica de calidad, lo ms "grave" para el fabricante ser que del
test surja que no se alcanza la caracterstica anunciada cuando en realidad s se
alcanza, y por tanto se rechacen productos buenos; para el comprador, lo ms grave
ser que del test surja que se alcanza la caracterstica esperada, cuando esto no es
cierto, y por tanto comprar productos malos.

En cualquier caso, una vez elegido el error cuyo riesgo se quiera controlar, al mismo
se le asigna el nombre "ERROR I", o "ERROR o". Al otro, al menos "grave", se lo
llama "ERROR II", o "ERROR |"

Una vez nombrados los dos tipos de error, nombraremos las dos hiptesis.
Llamaremos Hiptesis Nula (H
0
) a la hiptesis verdadera del ERROR I. Llamaremos
Hiptesis Alternativa (H
a
) a la hiptesis verdadera del ERROR II. O, en otras palabras,
ambos errores posibles pueden describirse como:

ERROR I: "rechazar la hiptesis nula cuando sta es verdadera";

ERROR II: "aceptar la hiptesis nula cuando sta es falsa".

El siguiente elemento que debemos definir es el nivel de un test. Llamaremos nivel (y
lo notaremos con la letra o), a la probabilidad de cometer error de tipo I:

o = P(ERROR I) = P(rechazar H
0
si H
0
es cierta)

Se tratar, (como en Intervalos de Confianza) de elegir valores pequeos de o, para
plantear un test . Por lo general se toma o= 0.1, 0.05, o 0.01 .Se designa con | a la
probabilidad de error de tipo II:

| = P(ERROR II) = P(aceptar H
0
si H
0
es falsa)
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 62 / 86


A diferencia que o, | no es elegido al comienzo del test, sino que toma un valor de
acuerdo a la muestra tratada. Cuanto ms pequeo se exija que sea o, mayor ser |.

Los otros dos elementos que necesitamos para plantear un test son: el estadstico del
mismo, o sea aquel valor numrico que calcularemos a partir de la muestra, y la regin
de rechazo o criterio de rechazo. El criterio de rechazo es aquella condicin que
deber cumplir el estadstico del test, para rechazar la hiptesis nula. Posiblemente
esto se aclare bastante al empezar a plantear tests en concreto.


TESTS PARA MEDIAS.VARIANZA CONOCIDA

Supongamos que tenemos una muestra aleatoria X
1
,..., X
n
, de variables todas ellas
con distribucin N(, o). El desvo standard o es conocido, y queremos testear :

Ho: s
0

A: vs.
Ha: >
0


al nivel o (o sea, tal que el riesgo , o probabilidad de decidir >
0
cuando en realidad
s
0
, sea o). Decamos antes que era razonable rechazar Ho cuando el
promedio muestral es "grande", mayor que alguna cantidad lmite, y aceptar Ho en
caso contrario. Esa cantidad lmite se elige de manera tal, que la P(ERROR I) sea o si
=
0
. Da ac surge el criterio de rechazo que define nuestro test :

Se rechaza H si : Z > z
0 o


donde z
o
es el correspondiente percentil de la distribucin normal que deja rea o a la
derecha (ver Intervalos de Confianza), y Z, el estadstico de este test, es la media
muestral normalizada:
Z =
X -
/ n
0

o


Despejando x en la desigualdad de arriba, vemos que el criterio se puede enunciar
tambin as:
Se rechaza H si : X > z
n
+
0
0 o
o


que responde a lo dicho anteriormente, de rechazar Ho six superaba alguna cantidad
lmite. Tomar el criterio de rechazo de esta manera nos garantiza que el nivel obtenido
sea el deseado:

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 63 / 86

P(ERROR I) = P(Z > z ) =
o
o

puesto que, si =
0
, la media muestral tiene distribucin N(,o/ \n), y por tanto, Z
tiene distribucin N(0,1).

Utilizacin del test: En la prctica, se procede de la siguiente manera: Calculamos el
estadstico Z (lo podemos hacer pues
0
es conocido, al igual que o), y lo comparamos
contra el valor lmite o valor crtico que obtenemos de la tabla de la distribucin normal.
Si se cumple el criterio de rechazo, podemos decir que Ho es falsa, y la probabilidad
que tenemos de equivocarnos es, a lo sumo, o. En cambio, si no se cumple la
condicin de rechazo, no es igualmente correcto afirmar que Ho es verdadera, dado
que el error que podramos llegar a cometer si lo afirmamos es el ERROR II, y no
sabemos cul es la probabilidad | de cometerlo. Esta podra ser muy grande y por
tanto es poco lo que podemos afirmar, a no ser que calculemos | y nos aseguremos
de que es pequea.

Cuando se quiere confirmar una hiptesis sobre un parmetro, se debe entonces
colocar esa hiptesis en el lugar de Ha, y as, si se cumple la condicin de rechazo,
podemos rechazar Ho seguros (salvo el riesgo o, elegido pequeo) de no
equivocarnos. Si no se cumple la condicin de rechazo, nada podemos afirmar. Esto
ltimo se puede interpretar as: si no se cumple la condicin de rechazo no hay
suficiente evidencia, o informacin en los datos de la muestra, como para llegar a una
conclusin vlida. En tal caso, se puede intentar nuevamente el test con una muestra
mayor.

Hay otras dos posibilidades para el planteo de las hiptesis. Estas son:

Ho: >
0

B: vs.
Ha: <
0


y
Ho: =
0

C: vs.
Ha: =
0


La forma de construir los tests correspondientes similar. El mecanismo para el planteo
de cualquier test es similar. Solamente cambian los criterios de rechazo. Ms abajo
damos una sntesis para los diferentes casos que se consideran en este curso. No
est de ms decir que, en este tema, es conveniente una buena ejercitacin para
refirmar los conceptos.


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 64 / 86

El caso o desconocido.
Si no conocemos o, usamos es estadstico T, igual que en Intervalos de Confianza,
T =
X -
s/ n
0




con el criterio de rechazo: Se rechaza H si : T > t
0 ,n-1 o

donde el valor crtico t
o,n-1
se encuentra en la tabla de la distribucin t. Despejando x
en esta ltima ecuacin, surge que el criterio derechazo se puede escribir tambin:

Se rechaza H si : X > t
s
n
+
0 ,n-1
0
o


El caso asinttico:
Hasta ahora hemos trabajado con muestras X
1
,...X
n
con distribucin normal. Puede
ocurrir que esto no ocurra. Pero, si n es suficientemente grande, en virtud del Teorema
Central del Lmite, es posible suponer distribuciones aproximadamente normales para
los promedios, obteniendo el mismo test que anteriormente.

Tests para o:
Tambin puede ser necesario testear hiptesis sobre o, como:

Ho: o s o
0

A: vs.
Ha: o > o
0


El criterio de rechazo para este test es: Se rechaza H si : X >
0
,n-1
2
o
_ donde el valor
crtico se obtiene de la tabla de la distribucin "chi" cuadrado, y el estadistico X es:
X = (n- 1)
s
2
2
0
o

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 65 / 86

APNDICE I. Formulas para Intervalos de Confianza y Tests de
Hiptesis


INTERVALOS DE CONFIANZA

a) Para , o conocido, distribucin normal X z
n

o
o
2

b) Para , o desconocido, distribucin normal
c) Para p, (aproximacin normal de la binomial)
( )


; p z
p p
n
p
X
n


=
o 2
1



TESTS DE HIPOTESIS

1. Para . Distribucin normal, o conocido
Z
X
n
=

o
0


Criterios de rechazo:

A: Ho: s
0
Z > z
o
Ha: >
0

B: Ho: >
0
Z < -z
o
Ha: <
0

C: Ho: =
0
|Z| > z
o/2
Ha: =
0


3. Para . Distribucin normal, o desconocido



Criterios de rechazo:

A: T > t
o,n-1
B: T < -t
o,n-1
X t
s
n
n

o 2 1 ,
n s
X
T
0

=
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 66 / 86

C: |T| > t
o/2,n-1
3. Para p . Aproximacin normal a la binomial
( )
Z
p p
p p
n
=

0
0 0
1


Criterios de rechazo:

A: Ho: p s p
0
Z > z
o
Ha: p >p
0

B: Ho: p > p
0
Z < -z
a
Ha: p < p
0

C: Ho: p = p
0
|Z| > z
a/2
Ha: p = p
0


4. Para o. Distribucin normal.
( ) X n
s
= 1
2
2
0
o

Criterios de rechazo:

A: Ho: o s o
0
X > _
2
o,n-1
Ha: o > o
0

B: Ho: o > o
0
X < _
2
1-o,n-1
Ha: o < o
0

5. Para diferencia de medias:
1

2
.Dos muestras, de tamaos m y n, con distribucin
normal, independientes entre s, y con distintas medias
1
,

2
y el mismo o conocido
Z
X X
m n
=

+
1 2
1 1
o


Criterios de rechazo:

A: Ho:
1
s
2
Z > z
o
Ha:
1
>
2

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 67 / 86

B: Ho:
1
>
2
Z < -z
o
Ha:
1
<
2

C: Ho:
1
=
2
|Z| > z
o/2
Ha:
1
=
2

6. Para diferencia de medias:
1

2
.Dos muestras, de tamaos m y n, con distribucin
normal, independientes entre s, y con distintas medias
1
,

2
y el mismo o desconocido

( ) ( )
T
X X
s
m n
s
m s n s
m n
p
p
x y
=

+
=
+
+
1 2
2 2
1 1
1 1
2


Criterios de rechazo:

A: Ho:
1
s
2
T > t
o,m+n-2
Ha:
1
>
2

B: Ho:
1
>
2
T < -t
o,m+n-2
Ha:
1
<
2

C: Ho:
1
=
2
|T| > t
o/2,m+n-2
Ha:
1
=
2


7. Para comparacin de varianzas: o
1
/o
2
.Dos muestras, de tamaos m y n, con
distribucin normal, independientes entre s.
F
s
s
=
1
2
2
2


Criterios de rechazo:

Ho: o
1
s o
2
F > f
o,m-1,n-1
Ha: o
1
> o
2

(recordar que f
1-o,n-1,m-1
= 1 / f
o,m-1,n-1
)


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 68 / 86

APNDICE II: GLOSARIO
Muchas de las definiciones que aqu aparecen fueron extradas de: ISO 3534 -1997
Statistics Vocabulary and symbols.

Concepto Smbolo Definicin
Coeficiente de correlacin
muestral
R
Parmetro que indica la interdependencia
(correlacin lineal) entre series de observaciones
apareadas. Es un estimador del coeficiente de
correlacin poblacional.

Coeficiente de correlacin
poblacional

Parmetro que indica la interdependencia
(correlacin lineal) entre dos variables aleatorias.
Toma valores entre 1 y 1
Criterio de rechazo
(condicin de rechazo)

Condicin que debe cumplirse para tomar la
decisin de rechazar la hiptesis nula en un test
de hiptesis
Curva caracterstica de un
plan de muestreo
CO
Curva que muestra, para un dado plan de
muestreo, la probabilidad de aceptar un lote
como funcin de su calidad real
Datos
Resultados de observaciones, inspecciones,
mediciones o ensayos
Datos continuos
Datos que son resultado de mediciones fsicas
sobre tems de una muestra. Toman valores
numricos reales
Datos discretos
Datos que son resultado de conteos de
caractersticas cualitativas (atributos) sobre
tems de una muestra. Por lo general toman
valores enteros.
Defecto
No conformidad con requerimientos
especificados
Desviacin estndar
muestral
S
Estimador de la desviacin estndar poblacional,
calculada a partir de la frmula
( )
1
2

=

n
x x
s
i

Desviacin estndar
poblacional (de una
variable aleatoria)
o
(sigma)
Raz cuadrada positiva de la varianza
poblacional
Desviacin estndar de un
promedio
n
s
n
;
o

Desviacin estndar (poblacional o muestral)
asignada a la variable aleatoria obtenida como
promedio de otras n variables aleatorias
Distribucin binomial DB(n,p)
Distribucin de probabilidad de la variable
aleatoria discreta que cuenta el nmero de tems
con determinado atributo, de una muestra
ensayada de tamao n, cuando la probabilidad
de ocurrencia de tal atributo en la poblacin es
igual a p. Los ensayos de los diferentes tems
deben ser independientes
Distribucin de Poison DP()
Distribucin de probabilidad de la variable
aleatoria discreta que cuenta el nmero de
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 69 / 86

atributos encontrados en una muestra (unidad
de inspeccin) ensayada, cuando el nmero
medio de defectos por unidad de inspeccin en
la poblacin es igual a
Distribucin de
probabilidad

Funcin que determina la probabilidad con la
que una variable aleatoria tome algn valor o
pertenezca a un conjunto dado de valores
Distribucin F
Distribucin del cociente entre las varianzas
muestrales de dos muestras independientes. Los
parmetros de la distribucin son el nmero de
grados de libertad de ambas varianzas
muestrales, m-1 y n-1 si las muestras son de
tamao m y n respectivamente.
Distribucin normal DN(,o)
Distribucin de probabilidad de una variable
aleatoria continua cuya funcin de densidad
corresponde a la campana de Gauss, con valor
medio y desviacin estndar o
Distribucin normal
estndar
DN(0,1) Distribucin normal con parmetros = 0 y o = 1
Distribucin t (Student)
Distribucin del cociente:
n s
x
obtenido a partir
de n variables aleatorias todas con la misma
distribucin normal. Un parmetro de la
distribucin es el nmero de grados de libertad
n-1
Distribucin _
2
(chi
cuadrado o ji
cuadrado)

Distribucin de la suma de los cuadrados de
variables aleatorias con distribucin normal
estandarizada. El nmero de tales variables es
un parmetro de la distribucin (grados de
libertad). Dada una muestra de tamao n, la
varianza muestral estandarizada
( )
2
2
1
o
s
n
tiene distribucin _
2
con n-1 grados de libertad
Error de tipo I
En un test de hiptesis, error que consiste en
rechazar la hiptesis nula cuando sta se
cumple
Error de tipo II
En un test de hiptesis, error que consiste en no
rechazar (aceptar) la hiptesis nula cuando sta
no se cumple
Espacio muestral S
Conjunto de todos los resultados posibles de un
experimento aleatorio
Especificacin
Declaracin detallada que incluye un conjunto de
requerimientos para ser satisfechos por un
producto, material o proceso, indicando, si es
apropiado, el procedimiento por el cual puede
determinarse si los requerimientos dados son
satisfechos
Estadstica descriptiva Rama de la Estadstica que se ocupa de
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 70 / 86

describir datos muestrales, ya sea por tcnicas
grficas o numricas
Estadstico
Cualquier funcin matemtica obtenida a partir
de los valores observados derivados de una
muestra
Estandarizacin
Proceso para obtener una variable aleatoria Z
con distribucin normal estndar DN(0 , 1) a
partir de una variable aleatoria X con distribucin
normal cualquiera DN( , o)
o

=
X
Z X
Estimacin
Operacin hecha con el propsito de asignar, a
partir de valores observados en una muestra,
valores numricos a los parmetros de una
distribucin elegida como modelo estadstico de
la poblacin a partir de la cual la muestra fue
extrada
Estimado (Valor estimado) Resultado de la operacin de estimacin
Evento Ver Suceso
Experimento aleatorio
Experiencia que previamente a su realizacin,
no es posible conocer el resultado que se
obtendr, pero s se conocen todos los posibles
resultados
Frecuencia F
Nmero de tems en una muestra que caen en
una determinada clase o que cumplen con un
determinado evento
Frecuencia relativa
(proporcin muestral)
Fr
Cociente entre la frecuencia de una clase y el
tamao de la muestra
Funcin de densidad de
una variable aleatoria
continua
f
x

Derivada, si existe, de la funcin de distribucin
acumulada
Funcin de distribucin
acumulada de una
variable aleatoria
F
x

Funcin que da, para cada valor x la
probabilidad de que la variable aleatoria X sea
menor o igual que x, F
X
(x) = P(Xsx)
Funcin de probabilidad
puntual de una variable
aleatoria discreta
p
x

Si x
i
es un valor que puede tomar la variable
aleatoria X,
p
x
(x
i
) indica con que probabilidad puede tomar
ese valor
Grados de libertad n-1
Parmetro que indica la cantidad de informacin
utilizada pare estimar una desviacin estndar
poblacional a partir de una desviacin estndar
muestral. Una estimacin simple, basada en una
muestra de tamao n, tiene n-1 grados de
libertad
Hiptesis alternativa H
a

Hiptesis opuesta a la hiptesis nula.
Usualmente es una hiptesis compuesta (por
ejemplo: < 3 > 3)
Hiptesis nula H
0

Hiptesis sometida a rechazo o no rechazo
(aceptacin) como resultado de un test de
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 71 / 86

hiptesis
Histograma
Representacin grfica de una distribucin de
frecuencias o de frecuencias relativas (en
general, mediante grficos de barras)
Inferencia estadstica
Rama de la Estadstica que se ocupa de obtener
conclusiones sobre la poblacin bajo estudio a
partir de observaciones muestrales
Inspeccin por atributos
Mtodo que consiste en registrar, para cada tem
de una poblacin o de una muestra extrada de
una poblacin, la presencia o ausencia de una
cierta caracterstica cualitativa (atributo) y contar
cuntos tems poseen o no poseen esa
caracterstica
NOTA: El modelo de la distribucin binomial se
suele aplicar a este tipo de inspeccin
Inspeccin por conteo de
defectos

Mtodo que consiste en registrar, para cada tem
de una poblacin o de una muestra extrada de
una poblacin, l nmero de defectos por tem o
por cada 100 tems
NOTA: El modelo de la distribucin de Poison de
suele aplicar a este tipo de inspeccin
Inspeccin por variables
Mtodo que consiste en medir una caracterstica
cuantitativa para cada tem de una poblacin o
de una muestra extrada de una poblacin
NOTA: El modelo de la distribucin normal se
puede aplicar a este tipo de inspeccin
Intervalo de confianza I.C.
Intervalo cuyos lmites son calculados a partir de
estadsticos muestrales, y que cubren a un
determinado parmetro poblacional con un
probabilidad dada (nivel de confianza)
tem
Unidad individual bajo estudio. Valor observado
nico
Mediana (poblacional) de
una distribucin de
probabilidad
Med
50 percentil de una distribucin (ISO 3535).
Valor que deja el 50% de la distribucin a la
izquierda (valores menores) y el 50% a la
derecha (valores mayores)
Mediana muestral x
~

Valor que, al ordenar la muestra de menor a
mayor, deja el 50% de la muestra a la izquierda
(valores menores) y el 50% a la derecha (valores
mayores). Se calcula como el valor central de la
muestra ordenada, si el tamao de la misma es
impar, y el promedio aritmtico de los dos
valores centrales, si es par.
Muestra
Uno o ms tems (individuos) tomados de una
poblacin que proveen informacin sobre la
misma y posiblemente sirva de base para una
decisin sobre la poblacin o sobre el proceso
que la ha producido ()
Muestreo
Procedimiento utilizado para obtener una
muestra
Nivel de calidad aceptable AQL
Mximo porcentaje de tems defectuosos (o
mximo nmero de defectos por 100 unidades)
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 72 / 86

que, para propsitos de inspeccin por
muestreo, puede ser considerado satisfactorio
como promedio del proceso de entrega
Nivel de confianza (de un
intervalo de confianza)
1o

Probabilidad de que un intervalo de confianza
contenga a un parmetro poblacional
Nivel de un test de
hiptesis
o
Probabilidad mxima para el error de tipo I en un
test de hiptesis
Nmero de aceptacin C
En inspeccin por atributos, mximo valor para
el nmero de tems defectuosos o de defectos
que involucre la aceptacin del lote
Nmero de rechazo D
En inspeccin por atributos, mnimo valor para el
nmero de tems defectuosos o de defectos que
involucre el rechazo del lote
Observacin (medicin,
inspeccin, ensayo)

Proceso de observar, medir, ensayar,
,inspeccionar, calibrar y eventualmente compara
los resultados obtenidos con requerimientos
aplicables
Outliers, valores anmalos
En una muestra, aquellos valores que, por
errores groseros en la observacin, o por otros
motivos no se les puede aplicar la misma
distribucin de probabilidad que al resto de la
muestra
Parmetro
(por
ejemplo:
p, , o)
Magnitud usada para describir la distribucin de
una caracterstica de la poblacin
Parmetro estimado o , , p Ver Estimado (Valor estimado)
Percentil de la
distribucin F, con m-1 y
n-1 grados de Grados de
libertad
f
o,m-1,n-1

Valor numrico que asegura que, si X es una
variable aleatoria con la citada distribucin, la
probabilidad de que X supere a dicho valor es
igual a o
Percentil de la
distribucin normal
estndar
z
o

Percentil de la distribucin t,
con n grados de libertad
t
o, n-1

Percentil de la
distribucin _
2
, con n-1
grados de libertad
_
2
o, n-1

Plan de muestreo
Plan que consiste en extraer una o ms
muestras de una poblacin para obtener
informacin sobre la misma y posiblemente
tomar una decisin
NOTA: Las decisiones involucradas pueden
consistir, por ejemplo, en aceptar o rechazar
lotes de mercadera
Poblacin
Totalidad de los tems bajo consideracin. El
objeto de estudio de un anlisis estadstico
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 73 / 86

Probabilidad de un suceso P( )
Nmero entre 0 y 1 que cuantifica la chance de
ocurrencia de un suceso
Promedio aritmtico, valor
medio, promedio muestral
x
Suma de los valores que componen una muestra
dividida por el tamao de la misma
Proporcin poblacional p
Probabilidad de que un tem de una poblacin
cumpla con determinado atributo
Rango R
Diferencia entre el mayor y el menor valor de
una muestra
Riesgo del comprador
Probabilidad de que, por efectos aleatorios, un
lote sea aceptado, a pesar de que su calidad es
inferior a la especificada
Riesgo del proveedor
Probabilidad de que, por efectos aleatorios, un
lote sea rechazado, a pesar de que su calidad es
igual o superior a especificada
Suceso
Subconjunto del espacio muestral. Hecho que
puede o no ocurrir, de acuerdo a una
determinada probabilidad
Sucesos excluyentes
Par de sucesos que no pueden ocurrir al mismo
tiempo
Sucesos independientes
Par de sucesos para los cuales la ocurrencia o
no de uno de ellos no afecta para nada la
probabilidad de ocurrencia del otro
Tamao de la poblacin N
Nmero de tems que componen una poblacin
(siempre y cuando la misma no sea infinita)
Tamao de una muestra n Nmero de tems que componen una muestra
Tests de hiptesis
Procedimiento estadstica que pretende decidir
si una determinada hiptesis acerca de la
distribucin de una poblacin debiera ser
aceptada o rechazada
Valor esperado de una
variable aleatoria
(esperanza matemtica, o
valor medio poblacional)

Lmite probabilstico del promedio muestral,
cuando el tamao de la muestra tiende a
Para variables aleatorias discretas, se calcula
mediante la frmula

=
i i
x p donde p
i
es la
funcin de probabilidad puntual de la variable
aleatoria X evaluada en x
i
Para variables aleatorias continuas, se calcula
mediante la frmula ( )
}
= x f x donde f

es
la funcin de densidad de la variable aleatoria X


Variables aleatorias x
1
,...,x
n

Variables que pueden tomar cualquier valor en
un conjunto de valores especificado y que tiene
asociada una distribucin de probabilidad
Variables aleatorias
continuas

Variables aleatorias que pueden tomar cualquier
valor dentro de un intervalo de valores posibles
(Ver: Datos continuos)
Variables aleatorias
discretas

Variables aleatorias que slo puede tomar
valores aislados (Ver: Datos discretos)
Varianza muestral s
2
Estimador de la varianza poblacional, calculada
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 74 / 86

a partir de la frmula
( )
1
2
2

n
x x
s
i

Varianza poblacional
(varianza de una variable
aleatoria)
o
2

El valor esperado del cuadrado de la variable
centrada ( )
2
X E

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 75 / 86

APNDICE III: TABLAS

1. Probabilidad acumulada a la izquierda de z, bajo la curva de la distribucin normal
standard

DISTRIBUCION NORMAL STANDARD
ACUMULADA
z u(z) z u(z)
0 0.5000 2 0.9772
0.1 0.5398 2.1 0.9821
0.2 0.5793 2.2 0.9861
0.3 0.6179 2.3 0.9893
0.4 0.6554 2.4 0.9918
0.5 0.6915 2.5 0.9938
0.6 0.7257 2.6 0.9953
0.7 0.7580 2.7 0.9965
0.8 0.7881 2.8 0.9974
0.9 0.8159 2.9 0.9981
1 0.8413 3 0.9987
1.1 0.8643 3.1 0.9990
1.2 0.8849 3.2 0.9993
1.3 0.9032 3.3 0.9995
1.4 0.9192 3.4 0.9997
1.5 0.9332 3.5 0.9998
1.6 0.9452 3.6 0.9998
1.7 0.9554 3.7 0.9999
1.8 0.9641 3.8 0.9999
1.9 0.9713 3.9 1.0000

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 76 / 86

2.Valores crticos superiores de la Distribucin t

(dejan a la derecha un rea igual a
o del total)
DISTRIBUCIN t DE UNA COLA (PARA TESTS CASOS A o B)
o
g.l. 0.5% 1.0% 2.5% 5.0% 10.0%
2 9.92 6.96 4.30 2.92 1.89
3 5.84 4.54 3.18 2.35 1.64
4 4.60 3.75 2.78 2.13 1.53
5 4.03 3.36 2.57 2.02 1.48
6 3.71 3.14 2.45 1.94 1.44
7 3.50 3.00 2.36 1.89 1.41
8 3.36 2.90 2.31 1.86 1.40
9 3.25 2.82 2.26 1.83 1.38
10 3.17 2.76 2.23 1.81 1.37
11 3.11 2.72 2.20 1.80 1.36
12 3.05 2.68 2.18 1.78 1.36
13 3.01 2.65 2.16 1.77 1.35
14 2.98 2.62 2.14 1.76 1.35
15 2.95 2.60 2.13 1.75 1.34
16 2.92 2.58 2.12 1.75 1.34
17 2.90 2.57 2.11 1.74 1.33
18 2.88 2.55 2.10 1.73 1.33
19 2.86 2.54 2.09 1.73 1.33
20 2.85 2.53 2.09 1.72 1.33
21 2.83 2.52 2.08 1.72 1.32
22 2.82 2.51 2.07 1.72 1.32
23 2.81 2.50 2.07 1.71 1.32
24 2.80 2.49 2.06 1.71 1.32
25 2.79 2.49 2.06 1.71 1.32
26 2.78 2.48 2.06 1.71 1.31
27 2.77 2.47 2.05 1.70 1.31
28 2.76 2.47 2.05 1.70 1.31
29 2.76 2.46 2.05 1.70 1.31
30 2.75 2.46 2.04 1.70 1.31
31 2.74 2.45 2.04 1.70 1.31
32 2.74 2.45 2.04 1.69 1.31
33 2.73 2.44 2.03 1.69 1.31
34 2.73 2.44 2.03 1.69 1.31
35 2.72 2.44 2.03 1.69 1.31
36 2.72 2.43 2.03 1.69 1.31
37 2.72 2.43 2.03 1.69 1.30
39 2.71 2.43 2.02 1.68 1.30
40 2.70 2.42 2.02 1.68 1.30
45 2.69 2.41 2.01 1.68 1.30
50 2.68 2.40 2.01 1.68 1.30
55 2.67 2.40 2.00 1.67 1.30
60 2.66 2.39 2.00 1.67 1.30
65 2.65 2.39 2.00 1.67 1.29
70 2.65 2.38 1.99 1.67 1.29
75 2.64 2.38 1.99 1.67 1.29
80 2.64 2.37 1.99 1.66 1.29
90 2.63 2.37 1.99 1.66 1.29
2.58 2.33 1.96 1.65 1.28
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 77 / 86

3.Valores crticos superiores de la Distribucin _
2
(dejan a la derecha un rea igual a
o del total)
o
g.l. 0.5% 1.0% 2.5% 5.0% 10.0% 90.0% 95.0% 97.5% 99.0% 99.5%
2 10.6 9.2 7.4 6.0 4.6 0.2 0.1 0.1 0.0 0.0
3 12.8 11.3 9.3 7.8 6.3 0.6 0.4 0.2 0.1 0.1
4 14.9 13.3 11.1 9.5 7.8 1.1 0.7 0.5 0.3 0.2
5 16.7 15.1 12.8 11.1 9.2 1.6 1.1 0.8 0.6 0.4
6 18.5 16.8 14.4 12.6 10.6 2.2 1.6 1.2 0.9 0.7
7 20.3 18.5 16.0 14.1 12.0 2.8 2.2 1.7 1.2 1.0
8 22.0 20.1 17.5 15.5 13.4 3.5 2.7 2.2 1.6 1.3
9 23.6 21.7 19.0 16.9 14.7 4.2 3.3 2.7 2.1 1.7
10 25.2 23.2 20.5 18.3 16.0 4.9 3.9 3.2 2.6 2.2
11 26.8 24.7 21.9 19.7 17.3 5.6 4.6 3.8 3.1 2.6
12 28.3 26.2 23.3 21.0 18.5 6.3 5.2 4.4 3.6 3.1
13 29.8 27.7 24.7 22.4 19.8 7.0 5.9 5.0 4.1 3.6
14 31.3 29.1 26.1 23.7 21.1 7.8 6.6 5.6 4.7 4.1
15 32.8 30.6 27.5 25.0 22.3 8.5 7.3 6.3 5.2 4.6
16 34.3 32.0 28.8 26.3 23.5 9.3 8.0 6.9 5.8 5.1
17 35.7 33.4 30.2 27.6 24.8 10.1 8.7 7.6 6.4 5.7
18 37.2 34.8 31.5 28.9 26.0 10.9 9.4 8.2 7.0 6.3
19 38.6 36.2 32.9 30.1 27.2 11.7 10.1 8.9 7.6 6.8
20 40.0 37.6 34.2 31.4 28.4 12.4 10.9 9.6 8.3 7.4
21 41.4 38.9 35.5 32.7 29.6 13.2 11.6 10.3 8.9 8.0
22 42.8 40.3 36.8 33.9 30.8 14.0 12.3 11.0 9.5 8.6
23 44.2 41.6 38.1 35.2 32.0 14.8 13.1 11.7 10.2 9.3
24 45.6 43.0 39.4 36.4 33.2 15.7 13.8 12.4 10.9 9.9
25 46.9 44.3 40.6 37.7 34.4 16.5 14.6 13.1 11.5 10.5
26 48.3 45.6 41.9 38.9 35.6 17.3 15.4 13.8 12.2 11.2
27 49.6 47.0 43.2 40.1 36.7 18.1 16.2 14.6 12.9 11.8
28 51.0 48.3 44.5 41.3 37.9 18.9 16.9 15.3 13.6 12.5
29 52.3 49.6 45.7 42.6 39.1 19.8 17.7 16.0 14.3 13.1
30 53.7 50.9 47.0 43.8 40.3 20.6 18.5 16.8 15.0 13.8
31 55.0 52.2 48.2 45.0 41.4 21.4 19.3 17.5 15.7 14.5
32 56.3 53.5 49.5 46.2 42.6 22.3 20.1 18.3 16.4 15.1
33 57.6 54.8 50.7 47.4 43.7 23.1 20.9 19.0 17.1 15.8
34 59.0 56.1 52.0 48.6 44.9 24.0 21.7 19.8 17.8 16.5
35 60.3 57.3 53.2 49.8 46.1 24.8 22.5 20.6 18.5 17.2
36 61.6 58.6 54.4 51.0 47.2 25.6 23.3 21.3 19.2 17.9
37 62.9 59.9 55.7 52.2 48.4 26.5 24.1 22.1 20.0 18.6
38 64.2 61.2 56.9 53.4 49.5 27.3 24.9 22.9 20.7 19.3
39 65.5 62.4 58.1 54.6 50.7 28.2 25.7 23.7 21.4 20.0
40 66.8 63.7 59.3 55.8 51.8 29.1 26.5 24.4 22.2 20.7
45 73.2 70.0 65.4 61.7 57.5 33.4 30.6 28.4 25.9 24.3
50 79.5 76.2 71.4 67.5 63.2 37.7 34.8 32.4 29.7 28.0
55 85.7 82.3 77.4 73.3 68.8 42.1 39.0 36.4 33.6 31.7
60 92.0 88.4 83.3 79.1 74.4 46.5 43.2 40.5 37.5 35.5
65 98.1 94.4 89.2 84.8 80.0 50.9 47.4 44.6 41.4 39.4
70 104.2 100.4 95.0 90.5 85.5 55.3 51.7 48.8 45.4 43.3
75 110.3 106.4 100.8 96.2 91.1 59.8 56.1 52.9 49.5 47.2
80 116.3 112.3 106.6 101.9 96.6 64.3 60.4 57.2 53.5 51.2
90 128.3 124.1 118.1 113.1 107.6 73.3 69.1 65.6 61.8 59.2
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 78 / 86

4a.Valores crticos superiores de la Distribucin F, con o = 0.05 (dejan a la derecha
un rea igual al 5% del total)

o=0.05
g.l. numerador
1 2 3 4 5 6 7 8 9 10 15 20 30 40 50
g
.
l
.

d
e
n
o
m
i
n
a
d
o
r

1 161 199 216 225 230 234 237 239 241 242 246 248 250 251 252
2 199.5 19.0 9.6 6.9 5.8 5.1 4.7 4.5 4.3 4.1 3.7 3.5 3.3 3.2 3.2
3 215.7 19.2 9.3 6.6 5.4 4.8 4.3 4.1 3.9 3.7 3.3 3.1 2.9 2.8 2.8
4 224.6 19.2 9.1 6.4 5.2 4.5 4.1 3.8 3.6 3.5 3.1 2.9 2.7 2.6 2.6
5 230.2 19.3 9.0 6.3 5.1 4.4 4.0 3.7 3.5 3.3 2.9 2.7 2.5 2.4 2.4
6 234.0 19.3 8.9 6.2 5.0 4.3 3.9 3.6 3.4 3.2 2.8 2.6 2.4 2.3 2.3
7 236.8 19.4 8.9 6.1 4.9 4.2 3.8 3.5 3.3 3.1 2.7 2.5 2.3 2.2 2.2
8 238.9 19.4 8.8 6.0 4.8 4.1 3.7 3.4 3.2 3.1 2.6 2.4 2.3 2.2 2.1
9 240.5 19.4 8.8 6.0 4.8 4.1 3.7 3.4 3.2 3.0 2.6 2.4 2.2 2.1 2.1
10 241.9 19.4 8.8 6.0 4.7 4.1 3.6 3.3 3.1 3.0 2.5 2.3 2.2 2.1 2.0
11 243.0 19.4 8.8 5.9 4.7 4.0 3.6 3.3 3.1 2.9 2.5 2.3 2.1 2.0 2.0
12 243.9 19.4 8.7 5.9 4.7 4.0 3.6 3.3 3.1 2.9 2.5 2.3 2.1 2.0 2.0
13 244.7 19.4 8.7 5.9 4.7 4.0 3.6 3.3 3.0 2.9 2.4 2.2 2.1 2.0 1.9
14 245.4 19.4 8.7 5.9 4.6 4.0 3.5 3.2 3.0 2.9 2.4 2.2 2.0 1.9 1.9
15 245.9 19.4 8.7 5.9 4.6 3.9 3.5 3.2 3.0 2.8 2.4 2.2 2.0 1.9 1.9
16 246.5 19.4 8.7 5.8 4.6 3.9 3.5 3.2 3.0 2.8 2.4 2.2 2.0 1.9 1.9
17 246.9 19.4 8.7 5.8 4.6 3.9 3.5 3.2 3.0 2.8 2.4 2.2 2.0 1.9 1.8
18 247.3 19.4 8.7 5.8 4.6 3.9 3.5 3.2 3.0 2.8 2.4 2.2 2.0 1.9 1.8
19 247.7 19.4 8.7 5.8 4.6 3.9 3.5 3.2 2.9 2.8 2.3 2.1 1.9 1.9 1.8
20 248.0 19.4 8.7 5.8 4.6 3.9 3.4 3.2 2.9 2.8 2.3 2.1 1.9 1.8 1.8
30 250.1 19.5 8.6 5.7 4.5 3.8 3.4 3.1 2.9 2.7 2.2 2.0 1.8 1.7 1.7
40 251.1 19.5 8.6 5.7 4.5 3.8 3.3 3.0 2.8 2.7 2.2 2.0 1.8 1.7 1.6
50 251.8 19.5 8.6 5.7 4.4 3.8 3.3 3.0 2.8 2.6 2.2 2.0 1.8 1.7 1.6


UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 79 / 86

4b.Valores crticos superiores de la Distribucin F, con o = 0.01 (dejan a la derecha
un rea igual al 1% del total)

o=0.01
g.l. numerador
1 2 3 4 5 6 7 8 9 10 15 20 30 40 50
g
.
l
.

d
e
n
o
m
i
n
a
d
o
r

1 4052 199 216 225 230 234 237 239 241 242 246 248 250 251 252
2 98.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4 19.5 19.5 19.5
3 34.1 9.6 9.3 9.1 9.0 8.9 8.9 8.8 8.8 8.8 8.7 8.7 8.6 8.6 8.6
4 21.2 6.9 6.6 6.4 6.3 6.2 6.1 6.0 6.0 6.0 5.9 5.8 5.7 5.7 5.7
5 16.3 5.8 5.4 5.2 5.1 5.0 4.9 4.8 4.8 4.7 4.6 4.6 4.5 4.5 4.4
6 13.7 5.1 4.8 4.5 4.4 4.3 4.2 4.1 4.1 4.1 3.9 3.9 3.8 3.8 3.8
7 12.2 4.7 4.3 4.1 4.0 3.9 3.8 3.7 3.7 3.6 3.5 3.4 3.4 3.3 3.3
8 11.3 4.5 4.1 3.8 3.7 3.6 3.5 3.4 3.4 3.3 3.2 3.2 3.1 3.0 3.0
9 10.6 4.3 3.9 3.6 3.5 3.4 3.3 3.2 3.2 3.1 3.0 2.9 2.9 2.8 2.8
10 10.0 4.1 3.7 3.5 3.3 3.2 3.1 3.1 3.0 3.0 2.8 2.8 2.7 2.7 2.6
11 9.6 4.0 3.6 3.4 3.2 3.1 3.0 2.9 2.9 2.9 2.7 2.6 2.6 2.5 2.5
12 9.3 3.9 3.5 3.3 3.1 3.0 2.9 2.8 2.8 2.8 2.6 2.5 2.5 2.4 2.4
13 9.1 3.8 3.4 3.2 3.0 2.9 2.8 2.8 2.7 2.7 2.5 2.5 2.4 2.3 2.3
14 8.9 3.7 3.3 3.1 3.0 2.8 2.8 2.7 2.6 2.6 2.5 2.4 2.3 2.3 2.2
15 8.7 3.7 3.3 3.1 2.9 2.8 2.7 2.6 2.6 2.5 2.4 2.3 2.2 2.2 2.2
16 8.5 3.6 3.2 3.0 2.9 2.7 2.7 2.6 2.5 2.5 2.4 2.3 2.2 2.2 2.1
17 8.4 3.6 3.2 3.0 2.8 2.7 2.6 2.5 2.5 2.4 2.3 2.2 2.1 2.1 2.1
18 8.3 3.6 3.2 2.9 2.8 2.7 2.6 2.5 2.5 2.4 2.3 2.2 2.1 2.1 2.0
19 8.2 3.5 3.1 2.9 2.7 2.6 2.5 2.5 2.4 2.4 2.2 2.2 2.1 2.0 2.0
20 8.1 3.5 3.1 2.9 2.7 2.6 2.5 2.4 2.4 2.3 2.2 2.1 2.0 2.0 2.0
30 7.6 3.3 2.9 2.7 2.5 2.4 2.3 2.3 2.2 2.2 2.0 1.9 1.8 1.8 1.8
40 7.3 3.2 2.8 2.6 2.4 2.3 2.2 2.2 2.1 2.1 1.9 1.8 1.7 1.7 1.7
50 7.2 3.2 2.8 2.6 2.4 2.3 2.2 2.1 2.1 2.0 1.9 1.8 1.7 1.6 1.6

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 80 / 86

APNDICE IV. EJERCICIOS DE APLICACIN

1. Un producto es elaborado en serie por dos lneas de produccin, paralelamente. Se
tomaron dos muestras de 50 productos cada una, correspondientes a ambas lneas,
midiendo en cada caso una misma caracterstica cuantitativa. Responder si es
verdadero o falso:
a) Si los dos histogramas correspondientes a cada lnea por separado revelan
tener ambos distribucin normal, entonces el histograma elaborado con la
muestra global de los 100 productos de ambas lneas, deber mostrar
forzosamente una distribucin normal.
b) El promedio de la muestra global de los 100 productos puede ser calculado
como el promedio de los promedios de ambas lneas
c) La desviacin estndar muestral de los 100 productos deber ser
forzosamente menor que la desviacin estndar de ambas muestras por
separado.
d) Los siguientes datos representan los desvos, expresados en milmetros,
respecto de un target de 150 mm para la longitud de una pieza producida por
dos mquinas en paralelo. Se tienen dos muestras de 50 unidades cada una:

Mq I
1 4 1 1 2 6 0 -1 -2 4 4 3 3 2 3 1 3 4 1 5 3
0 3 2 1 5 -2 3 4 1 3 5 2 4 4 3 2 5 -1 2 2 3
2 3 0 3 0 -1 1 4

Mq II
-1 -5 0 -3 0 -1 -1 0 2 -4 1 2 0 0 1 0 1 -5 -1 -1 -4
-1 1 -2 -4 -3 -2 -1 0 1 -4 -3 0 -3 -1 0 -1 -2 1 0 -2 1
3 2 -3 0 -1 3 -2 1
Construir dos histogramas por separado para cada lnea, y uno global para los
100 datos
c)Si las tolerancias para la longitud de esta pieza son 146 mm (lmite inferior) y
154 mm (lmite superior). Estimar la proporcin de unidades no conformes en
cada muestra, y la proporcin global.
d) Se precisa estimar las medias y desviaciones estndar poblacionales de
ambos procesos. Cmo lo hara?

2. Si un sistema de refrigeracin funciona con probabilidad 98%, y un sistema de
reserva se descompone el 3% de las veces,
a) la probabilidad de que no funcione ninguno es:
- menos del 1%,?
- menos del 0,1 %?,
- menos de 100 ppm?,
- menos de 10 ppm?
la probabilidad de que funcionen ambos sistemas es
- ms del 90 %?
- ms del 95 %?
- ms del 99 %?
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 81 / 86

- ms del 99.5 %?
3. Una cadena de hamburguesas y comida rpida est por abrir una nueva sucursal.
En base a estudios de mercado estima que sern necesarias 24 personas por turno
para cubrir todas las tareas. Por otro lado, los registros de otras sucursales indican un
porcentaje de ausentismo del 6% diario. Por lo tanto, para cubrir a los empleados
faltantes, deben contratarse algunas personas ms que 24 por turno.
a) Si se contratan 25 personas por turno, cul ser la probabilidad de que en un
turno cualquiera no se cubran las tareas necesarias?
b) dem, si se contratan a 26, 27, ..., 30 empleados por turno. cuntos empleados
debern contratarse para cumplir el objetivo de que slo un da laborable por
mes no puedan cubrirse las tareas necesarias?(1 mes = 20 das laborables)

4. Dado que no todos los pasajeros de una aerolnea abordan el vuelo que han
reservado, la aerolnea vende 125 boletos para un vuelo de 120 asientos. Se sabe que
la probabilidad de que un pasajero no aborde el vuelo es de 0,10 y el comportamiento
es independiente.
a) Cul es la probabilidad de que todos los pasajeros quieran abordar el vuelo?
b) Cul es la probabilidad de que el vuelo quede vaco?

5. a) Un posible comprador de un lote desea realizar un muestreo para chequear
proporcin de unidades defectuosas, con criterio de 0 defectos (o sea c = 0). Cun
grande debe ser la muestra para asegurar el rechazo del 95% de los lotes que posean
el 1,5% de defectuosos?
b) dem si trabaja con un criterio de aceptacin de c=1, y de c=2

6. Si el nmero de baches en una ruta se toma como una variable aleatoria con media
de 2 baches por kilmetro:
a) Calcular la probabilidad de que no haya baches en un tramo de 5 km
b) Calcular la probabilidad de que haya al menos un bache en un tramo de 0,5 km.

7. En funcin de registros anteriores, se sabe que, en cierto tipo de tela, aparece una
media de 2 defectos de hilado por m
2
de tela (se asume distribucin de Poisson). Si
se inspecciona una muestra de 8 m
2
de tela, cul ser la probabilidad encontrar ms
de 15 defectos en esa muestra? y ms de 20?

8. En la fabricacin de maquinaria agrcola se utiliza gran cantidad de cierto tipo de
piezas cilndricas. La especificacin para sus dimetros es: 5,8 mm 0,2 mm. Para
la provisin de estas piezas han sido preseleccionados tres proveedores. Ellos
declaran los siguientes parmetros para sus productos:

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 82 / 86

proveedor

(mm)
o
(mm)
% NC (aproximado)
inferior superior Total
A 5,600 0,005
B 5,85 0,05
C 5,8 0,1

a) Suponiendo distribucin normal, calcular aproximadamente el porcentaje de
piezas no conformes que entregara cada proveedor (ltima columna) y
recomendar a cul elegir a igualdad de precio.
b) Si se eligen 25 piezas de B, calcular la probabilidad aproximada de que el
promedio de las mismas supere los 5,87 mm: ....................................
(NOTA: para este ejercicio no se requiere la tabla de la distribucin normal)

9. Un proveedor entrega una determinada materia prima en paquetes. Por contrato, los
paquetes deben pesar ms de 650 g . Sin embargo, el peso de cada paquete es una
variable aleatoria normal con = 656,5 g, y o = 2,5 g. Para una inspeccin de
recepcin, se extraen 50 paquetes, si 48 o ms de ellos cumplen con la especificacin
prevista en el contrato, se acepta el envo. Calcular la probabilidad de que esto ocurra.

10. El peso neto de cereal una caja sigue una DN con = 600 g. El proceso de llenado
de cajas debe ser diseado para que slo una caja de cada 100 quede fuera del
intervalo 590 g - 610 g Cul deber ser el o del proceso para alcanzar este objetivo?

11. a) Las tolerancias de un proceso son 1.500 0.005 . Un estudio basado en gran
cantidad de datos de ese proceso inform una media =1.502 y una desviacin
estndar de o =0.002 . cul ser la fraccin defectuosa del proceso, suponiendo
distribucin normal?
b) Si es posible corregir el centrado del proceso, poniendo a punto la mquina, cul
ser ahora la fraccin defectuosa del proceso?
c) Un estudio de capacidad de 4 mquinas similares arroja los siguientes resultados:

Mquina
o
1 1,4950 0,0006
2 1,5021 0,0012
3 1,5000 0,0020
4 1,4979 0,0020

Ordenar las mquinas de peor a mejor, en el caso de que sea posible corregir el
centrado, y en el caso de que no lo sea.

12. En la fabricacin de una alfombra se usa una fibra con una resistencia a la traccin
que tiene una distribucin normal con media 75,5 psi y desviacin estndar 3,5 psi.
Encuentre la probabilidad de que en una muestra aleatoria de n = 6, la media de la
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 83 / 86

resistencia a la traccin sea mayor que 75, 75 psi.
Cmo cambia la desviacin estndar de la media muestral si el tamao de la muestra
pasa a n = 49?

13. El lmite mximo permitido de descarga de desechos slidos a un ro en una
ciudad es de 60 mg/l diarios. Un minucioso estudio realizado en muestras de agua
seleccionadas al azar del desecho de una fbrica durante un largo perodo de tiempo
permiti saber que la cantidad de slidos descargados por da (en mg/l) es una v.a.
con = 52, o = 6.
a) Calcular la probabilidad de que en un da cualquiera la fbrica no cumpla el
requerimiento. (suponer distribucin normal)
b) Calcular la probabilidad de que el promedio mensual de desechos no cumpla el
requerimiento. Es necesaria aqu la suposicin de normalidad de a?

14.a) Se desea determinar la concentracin de cloruro de vinilo en una bebida
gaseosa envasada en botellas plsticas. Se toman 20 botellas de la produccin de
una fbrica, determinando la concentracin de cada botella, y promediando los 20
valores obtenidos. Si la muestra produjo una media de 0.5 ppm y una desviacin
estndar s = 0.02 ppm, dar un I de C del 95 % para la concentracin media.
b) Esta determinacin debe ser realizada diariamente en la fbrica. Para abaratar el
ensayo, un ingeniero propone un mtodo alternativo: mezclar volmenes iguales de
cada una de las 20 botellas muestreadas, obteniendo as un nico volumen, y realizar
sobre esta mezcla una nica determinacin. Qu ventajas estadsticas tiene el primer
mtodo sobre el segundo?
c) Se propone un tercer mtodo, como una modificacin del anterior: en lugar de
realizar una nica determinacin, se realizan 20 sobre la mezcla, promediando los
resultados. Es este ltimo mtodo estadsticamente equivalente al primero?

15. Se desea dar un intervalo de confianza del 95% para el dimetro exterior de un
cierto tipo de roscas.
a) Si una muestra de 10 roscas presenta un dimetro promedio de 257 mm, y una
desviacin estndar de 12 mm, qu lmites tiene el intervalo? Qu suposicin
estadstica debe hacerse sobre los dimetros individuales de las roscas?
b) Si en lugar de utilizar la desviacin estndar de la muestra dada se utiliza un valor
histrico de o = 13 mm como desvo estndar de los dimetros, cmo cambia el
intervalo?

16. Un artculo cientfico describe las caractersticas de las varillas de combustible
usadas en un reactor nuclear para la generacin de energa elctrica. El porcentaje de
enriquecimiento medido en 12 varillas es el siguiente:
2,94 2,75 2,75 2,81
2,90 2,90 2,82 2,95
3,00 2,95 3,00 3,05
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 84 / 86

a) Encuentre un intervalo de confianza del 99% para el porcentaje promedio de
enriquecimiento.
b)est de acuerdo con la afirmacin del artculo de que le porcentaje promedio de
enriquecimiento es del 2,95%?por qu?

17. Para llenar recipientes con un determinado producto lquido, se utiliza una mquina
llenadora. Se elige una muestra 10 recipientes, obteniendo un volumen de llenado
promedio de 1,026 litros. Si la desviacin estndar histrica del proceso de llenado es
0,06 litros, obtener un intervalo de confianza para la media del proceso, y deducir si es
necesario tomar la decisin de ajustar la mquina llenadora.

18. Contestar si es V o F
a. Al aumentar el nivel de confianza de un intervalo, disminuye la precisin
b. Para duplicar la precisin de un intervalo de confianza para del 90%, hay que
duplicar el tamao de la muestra.
c. (7.38 ; 8.21) es un intervalo de confianza del 95% para la media de un proceso.
Esto significa que el 95% de las mediciones realizadas estn entre estos valores.
d. (7.38 ; 8.21) es un intervalo de confianza del 95% para la media de un proceso.
Esto significa que la probabilidad de que est entre 7.38 y 8.21 es del 95% .
e. Si se repite 100 veces el proceso de estimacin de la media de un proceso, por
intervalos de confianza del 95%, en aproximadamente 95 de las repeticiones el
intervalo obtenido cubre a .
f. Un intervalo de confianza puede ser utilizado para decidir si una determinada
caracterstica de calidad se aparta significativamente de una especificacin.

19. Un fabricante de tubos de gas afirma que la longitud de sus tubos tiene una
desviacin estndar de 0.04 m. Un cliente que dispone de 7 tubos comprados a ese
fabricante, decide medirlos y obtiene una desviacin estndar muestral de 0.054 m.
Alcanzan estos datos para refutar la afirmacin del fabricante, al nivel 0.05? y al
nivel 0.10? (suponer distribucin normal)

20. En una muestra aleatoria de 30 focos, la desviacin estndar muestral de la
duracin de un foco es de 12,6 horas. Calcule un intervalo de confianza para la
varianza de la duracin del foco.

21. Una especificacin correspondiente al soporte de un cuadrante dice que debe
medir menos de 320 mm. Una muestra de 40 elementos gener una media de 320.8
mm, y una desviacin estndar de 0.4mm Los datos obtenidos, revelan que la media
del proceso es < 321 mm?

22 a).Un posible comprador desea, antes de efectuar la compra de fibras que sern
utilizadas en fabricacin de indumentaria, testear si la resistencia a la tensin de las
mismas es por lo menos de 125 psi. Experiencias previas indican que la desviacin
estndar de la resistencia es de 2 psi. Se elige una muestra de 8 fibras, obteniendo
UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 85 / 86

una resistencia media de 126 psi.
Cmo debe plantear las hiptesis del test, y qu decisin toma al nivel a =0.05?
b) El fabricante de las mismas fibras quiere estar seguro de que ellas tienen
resistencia menor a 125 psi antes de estudiar una posible mejora en el proceso. De
una muestra de 12 fibras obtiene una resistencia media de 122 psi. Contestar la
misma pregunta que en a.

23. Un nuevo sistema de purificacin es instalado en un proceso qumico. Antes de su
instalacin, una muestra de 10 mediciones dio un porcentaje medio de impurezas de
9.85, con un desvo estndar de 8.27, y luego de la instalacin, otra muestra de 8
mediciones produjo un porcentaje de impurezas de 8.08 con un desvo estndar de
7.46.
a) Se puede concluir que las varianzas de ambos sistemas son iguales, o distintas,
con o = 0.10? (test F)
b) Se puede concluir que las el nuevo sistema reduce el porcentaje de impurezas,
con o = 0.05? (test de Student)

24.a) Segn una especificacin, el valor medio de un proceso no debe bajar de 120.
Ante la sospecha de un posible descenso en ese valor medio, se quiere justificar
adecuadamente la decisin de ajustarlo, con un nivel del 5%. Para esto, se mide una
muestra de n =10 unidades, obteniendo un promedio de 119,6, con una desviacin
estndar muestral de 1 est debidamente justificada la decisin de ajustar la media
del proceso?
b) Repetir la respuesta anterior si la muestra tomada fue de n =36 unidades, habiendo
obtenido un promedio de 119,6, con una desviacin estndar muestral de 1

25. Dos proveedores fabrican un engranaje de plstico una de cuyas caractersticas
clave es la resistencia al impacto. Una muestra aleatoria de 10 unidades del primer
proveedor dio por resultado
1
x = 290 unidades y s
1
= 12 unidades. Una muestra del
segundo proveedor de 15 engranajes obtuvo
2
x = 321 unidades y s
2
= 15 unidades.
a) Considerando que las varianzas son iguales y con o = 0,05 existe evidencia que
pruebe que los engranajes del segundo proveedor tienen mayor resistencia la
impacto?
b) los datos apoyan la afirmacin del segundo proveedor de que sus engranajes
tienen una resistencia de por lo menos 25 unidades ms que los del primero?
c) existe evidencia suficiente para concluir que la varianza de la resistencia al
impacto es diferente para los dos proveedores?

UTN FRBA - Maestra en Ingeniera en Calidad - 2006 Probabilidad y Estadstica Aplicada




Autor: F. Kornblit 86 / 86

APNDICE V. BIBLIOGRAFIA

- ISO/TR 10017:2003 Guidance on statistical techniques for ISO 9001:2000

- ISO 9000:2000, Sistemas de Gestin de Calidad Conceptos y vocabulario

- ISO 3534 Part I: 1993. Statistics -- Vocabulary and symbols -- Part 1:
Probability and general statistical terms

- MONTGOMERY, D. Control Estadstico de la Calidad, Edit. Iberoamericana, o
Ed. J. Wiley

- DUNCAN, A. Control de Calidad y Estadstica Industrial, Ed. Alfa Omega

- MILLER, J. FREUND, J., Probabilidad y Estadstica para Ingenieros, Ed.
Limusa

- MEYER, R. Probabilidad y aplicaciones estadsticas, Editorial Fondo
Educativo Americano.

- ENGINEERING STATISTICS, HANBOOK, Manual on-line de Ingeniera
Estadstica publicado por el NIST, National Institute for Standards and
Technology, http://www.itl.nist.gov/div898/handbook/

- JURAN, Manual de Control de Calidad, versin en espaol de Mc Graw Hill.