Вы находитесь на странице: 1из 8

PROBABILIDAD y ESTADSTICA

Primer Cuatrimestre - Ao 2014


INFORME DE ACTIVIDADES GRUPALES
ENTREGA N 2

Tema del trabajo:

Nro de Grupo

Trabajo Practico N1

Matricula

Apellido y nombre

36425191

Domnguez, Juan Ignacio

37872615

Heredia, Claudio Maximiliano

38419468

Macias, Nicols Federico

37094304

Rey Bronstein, Juan

Profesor: Jos Conforte

Calificacin

Ao: 2014

Enunciado del problema:


Introduccin
En una empresa se lleva a cabo la unin de dos chapas de acero como
producto final. Para ello se realizan diferentes operaciones para que su unin
sea exitosa y eficiente. En este trabajo se analizaran las primeras operaciones
y las condiciones de la materia prima con la que se trabaja (chapa sin ser
procesada). Adems se llevara a cabo el estudio de la eficiencia de estas
operaciones y como afectan los distintos factores a la produccin
Principales factores de estudios:

Cantidad de chapas con oxido cada 200 chapas


Cantidad de chapas descartadas por da
Torque
Tiempo total del proceso

Desarrollo
Conceptos a utilizar

Modelos probabilsticos: es la forma que pueden tomar un conjunto de datos


obtenidos de muestreos de datos con comportamiento que se supone aleatorio.

Distribucin de Bernoulli: Si
es una variable aleatoria que mide
"nmero de xitos", y se realiza un nico experimento con dos posibles
resultados (xito o fracaso), se dice que la variable aleatoria X se
distribuye como una Bernoulli de parmetro .

La frmula ser:

Su funcin de probabilidad viene definida por:

Un experimento al cual se aplica la distribucin de Bernoulli se conoce


como Ensayo de Bernoulli o simplemente ensayo, y la serie de esos
experimentos como ensayos repetidos.

Media:

Mediana: N/A

Varianza:

Esperanza matemtica:

Asimetra (Sesgo):

Distribucin binomial: El nmero X de xitos en n experimentos de


Bernoulli recibe el nombre de variable aleatoria binomial, La distribucin
de probabilidad de esta variable aleatoria discreta se llama distribucin
binomial y sus valores se representan por B(x;n,p), dado que estos
ltimos dependen del nmero de intentos y de la probabilidad de xito
en un intento determinado. Para representar que una variable
aleatoria X sigue una distribucin binomial de parmetros n y p, se
escribe:

Su funcin de probabilidad es:

Donde

Siendo
tomados de

las combinaciones de
en

)
Varianza
Media =

en

elementos

Distribucin de Poisson es una distribucin de


probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado nmero
de eventos durante cierto perodo de tiempo
La funcin de masa o densidad de la distribucin de Poisson es

Donde:

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la


probabilidad de que el evento suceda precisamente k veces).

es un parmetro positivo que representa el nmero de veces que se


espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el
suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos
interesados en la probabilidad de que ocurra kveces dentro de un intervalo
de 10 minutos, usaremos un modelo de distribucin de Poisson con =
104 = 40.

e es la base de los logaritmos naturales (e = 2,71828...)

Media
Mediana
Moda
Varianza
Coeficiente
de simetra

Grficos de control
Los grficos de control son una herramienta para medir si el proceso se
encuentra dentro de los lmites deseados. Su aplicacin ms frecuente es en
los procesos industriales, aunque son vlidos para cualquier proceso en toda
organizacin. Son un diagrama, donde se van anotando los valores sucesivos

de la caracterstica de calidad que se est controlando los datos se registran


durante el funcionamiento y a medida que se obtienen.

El grfico de control tpico muestra tres lneas paralelas al eje de las "X",
a saber:
Lnea Central, que representa el valor medio de calidad exigido por la
fbrica.
Lnea Superior, que representa el Lmite Superior de Control (LSC).
Lnea Inferior, que representa el Lmite Inferior de Control (LIC).
Por lo tanto, el desempeo del proceso a travs del tiempo estar dentro
de los parmetros aceptables cuando todos los puntos del grfico estn
entre el el Lmite Superior de Control (LSC) y el Lmite Inferior de Control
(LIC) y dicha disposicin sea aleatoria.
Existen dos tipos de grficos de control, para:
Atributos, aplicable a estudios de comportamiento de nmeros y
proporciones.
Variables, aplicables a problemas de peso, densidad, concentracin, etc.

GRFICO DE CONTROL NP
Es uno de los grficos para atributos ms utilizado, el cual permite monitorear
la variacin del nmero de tems defectuosos en una muestra de tamao
constante.

Anlisis de resultados:
tem 1:
Tablas de frecuencias
Ajuste a una Binomial con n= 200 y p= 0,48000
Variable

Clase

LI

LS

Chi-Cuadrado

xido en
las
chapas
xido en
las
chapas
xido en
las
chapas
xido en
las
chapas

[ 1,00 1,50 ]

1,09966983890463E55

( 1,50 2,00 ]

1,13537457248413E55

( 2,00 2,50 ]

1,13537457248413E55

( 2,50 3,00 ]

1,13585269218877E55

xido en
las
chapas
xido en
las
chapas

( 3,00 3,50 ]

1,13585269218877E55

( 3,50 4,00 ]

1,13585269218877E55

<0,0001

Medidas resumen
Variable
n
xido en
las chapas 100

Media Var(n)

Mn

Mx

2,56

1,00

4,00

1,07

Mediana

Asimetra

3,00

-0,03

Esperanza:
Distribucin de Bernoulli:

= 1= 1-

tem 2:
Tablas de frecuencias
Ajuste: Poisson con estimacin de parmetros: Lambda= 15,00000
Variable
cantidad de
chapas
descart..
cantidad de
chapas
descart..
cantidad de
chapas
descart..
cantidad de
chapas
descart..
cantidad de
chapas
descart..

Clase

LI

LS

[ 9,00

11,60 ]

ChiCuadrado
1,51

( 11,60

14,20 ]

3,75

( 14,20

16,80 ]

4,46

( 16,80

19,40 ]

5,33

( 19,40

22,00 ]

6,16

0,1041

Variable
Chapas
Descartadas
Por da

Media

60 15,00

Var(n) Mn

Mx Mediana

9,87 9,00 22,00

Asimetra

14,50

0,07

Esperanza: n. p = 60. 0,1041= 6,246=

tem 5:
Tablas de frecuencias

Ajuste: Poisson con estimacin de parmetros: Lambda= 59,29720


Variable
Clase
Torque(N/m) 1
Torque(N/m) 2
Torque(N/m) 3
Torque(N/m) 4
Torque(N/m) 5

LI
[ 47,48
( 52,52
( 57,55
( 62,59
( 67,62

LS
52,52 ]
57,55 ]
62,59 ]
67,62 ]
72,66 ]

Chi-Cuadrado
3,18
4,40
6,71
6,98
10,72

Medidas resumen
Variable
n
Torque(N/m) 50

Media Var(n) Mn
Mx Mediana
Asimetra
59,30 28,51 47,48 72,66 58,97
0,22

Esperanza: n.p = 50.0,0133= 0,665= 66,5%


tem 6:

0,0133

Bibliografa:
http://es.wikipedia.org/wiki/Modelo_probabil%C3%ADstico

http://www.ehowenespanol.com/calcular-limites-superior-inferior-controlcomo_14946/

http://es.wikipedia.org/wiki/Desviaci%C3%B3n_est%C3%A1ndar
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
Probabilidad y estadstica para ingenieras y ciencias Gabriel Velasco Sotomayor,
Piotr Marian Wisniewski.
Estadstica para ingenieros y cientficos William Cyrus Navidi

http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/calidad_excel/calidad_excel.ht
m

InfoStat/E