CONTROL DE CALIDAD

UNIVERSIDAD NACIONAL MAYOR DE SAN

MARCOS
(UNIVERSIDAD DEL PER, DECANA DE AMERICA)

FACULTAD DE INGENIERIA INDUSTRIA

E.A. ING. INDUSTRIAL

BONDAD DE AJUSTE
CONTROL DE CALIDAD

PROFESOR:
Luis Vivar Morales
ALUMNOS:
Anthony Prado Cornejo
Cecilia Mitma Villagomez
Cristian Prez Sols
Jackeline Canchanya Torres
Jimmy More Olazabal

Ciudad Universitaria
2010
1

CONTROL DE CALIDAD

PROBLEMA 1
Habiendo recogido cada media hora, 20 piezas de la produccin de una maquina automtica
y contando en cada una de las muestras asi obtenidas, el numero K de piezas defctuosas
encontradas, se admite la siguiente distribucin reproducida en la siguiente tabla, al final de
las 100 extracciones.
k

nk

17

24

26

20

100

Determinar el tipo de ley de referencia a la cual pertenecen, usando un =0.05 5%

Solucin
k
# de
defectos
0
1
2
3
4
5
6
7
8

nk
17
24
26
20
7
3
1
1
1
100
w=200/100*20
GL= 5-2=
Rs=

k*nk
0
24
52
60
28
15
6
7
8
200

pk
0.1216
0.2702
0.2852
0.1902
0.0898
0.0319
0.0089
0.002
0.0002
1
0.1
3

7.8147

nk (t)
12.16
27.02
28.52
19.02
8.98
3.19
0.89
0.2
0.02

nk(t)
12.16
27.02
28.52
19.02
13.28

nk(t)-nk
-4.84
3.02
2.52
-0.98
0.28

R
1.9264
0.3375
0.2227
0.0505
0.0059

total

2.5431

2.5431<7.8147
entonces se acepta el ajuste
binomial

CONTROL DE CALIDAD

PROBLEMA 2
Se recogen cada 30 minutos, 25 ejes de la produccin de un determinado torno automtico,
contando en cada muestra el numero k de ejes defectuosos encontrados; si se obtiene la
distribucin que se muestra en la tabla, al final del periodo en un estudio, determinar la
produccin que se muestra en la tabla, al final del periodo en estudio, determinar la
proporcin de defectos media, de la produccin. Adems determine la ley de probabilidad
la cual hipotticamente se ajusta, usando un =0.01 1%.
K

nk 19

27

36 23 9

120

Solucin:
W=0.08, es la proporcin de defectos por la cantidad de productos producidos
k
# de
defectos
0
1
2
3
4
5
6
7
8

nk
19
27
36
23
9
3
1
1
1
120
w=240/25*120
GL= 6-2=

k*nk
0
27
72
69
36
15
6
7
8
240
0.08
4

Rs=13.2767

pk
0.1244
0.2704
0.2821
0.1881
0.0899
0.0329
0.0095
0.0023
0.0004
1

nk (t)
14.928
32.448
33.852
22.572
10.788
3.948
1.14
0.276
0.048

nk(t) nk(t)-nk
14.928 -4.072
32.448 5.448
33.852 -2.148
22.572 -0.428
10.788 1.788
5.412 -0.588

R
1.1107
0.9147
0.1363
0.0081
0.2963
0.0639

2.5301
2.5301<13.2767
entonces se acepta el ajuste binomial

CONTROL DE CALIDAD

PROBLEMA 3
En el estudio de una mquina para hacer sacos de polipropileno, se han registrado el
nmero de veces que falla por dia de trabajo, mostrando los siguientes resultados:
Nro. de fallas

Nro de
fallas

Frec.
observ

56

1
1

2
2

103 92 80 62

27

Ajustar a la distribucin terica de possion, con un =0.01

k
# de
fallas
0
1
2
3
4
5
6
7
8
9

nk
56
103
92
80
62
27
9
4
0
1
434
LANDA=1001/434
GL= 7-2=

k*nk
0
103
184
240
248
135
54
28
0
9
1001
2.3
5

Rs=

15.0863

pk
0.1003
0.2306
0.2652
0.2033
0.1169
0.0534
0.0206
0.0068
0.0019
0.001
1

nk (t)
43.5302
100.0804
115.0968
88.2322
50.7346
23.1756
8.9404
2.9512
0.8246
0.434

nk(t)
43.5302
100.0804
115.0968
88.2322
50.7346
23.1756
13.1502

nk(t)-nk
-12.4698
-2.9196
23.0968
8.2322
-11.2654
-0.588
-0.8498

11.6316
11.6316<15.0863
entonces se acepta el ajuste poisson

PROBLEMA 4
Una empresa que pertenece al sector de industrias grficas, elabora y exporta guas de
Telefnicas para determinados pases. Su unidad de produccin est constituida por
paquetes de 27 guas; antes de embalar un lote debe efectuar determinada inspeccin, para
lo cual obtiene una muestra de 208 paquetes, mostrando los siguientes resultados:

R
3.5721
0.0852
4.6349
0.7681
2.5014
0.0149
0.0549

CONTROL DE CALIDAD

Frec. Observ.

59

89

44

11

Probar si los datos se ajustan a una distribucin a) Binomial y a una de b) POISSON

usando alfa=1% y un alfa =5%; comparar y analizar los resultados.
Solucin

nk

n*nk

P(k)

P(K)agrupado

nk(t)

nk
agrupado

59

0.32

0.32

66.5224

59

0.85063

89

89

0.365

0.365

75.8355

89

2.28527

44

88

0.208

0.208

43.2262

44

0.01385

11

33

0.079

0.079

16.426

11

1.79235

0.023

0.029

5.9893

0.16341

0.005

0.001

208

237

Lamda =

1.14

5.106
R=

5.106

Rs = 11.34 (para alfa 0.01 y 3 grados de libertad)

Rs = 7.81473 (para alfa 0.05 y 3 grados de libertad)
Como R<RS, entonces se acepta el ajuste a una distribucin de Poisson con Lamda
=1.14.
Cuando el alfa es menor (1 en vez de 5%) hay menos posibilidad de caer en la zona de
rechazo, por lo tanto es ms probable que se acepte la distribucin.

CONTROL DE CALIDAD

PROBLEMA N5
Al extraer muestras de 5 piezas en un proceso de fabricacin, a intervalos regulares, se
encontr los siguientes resultados:

Nro. De piezas
defectuosas

Nro. De muestra

31

78

55

30

Comprobar si los resultados se ajustan a una ley Binomial o de Poisson con un alfa igual a
5%.

p(k)
agrupado

nk(t)

nk
agrupado R

nk

n*nk

p(k)

31

0.16449924 0.164499238 32.8998476 31

0.10970935

78

78

0.35755573 0.357555732 71.5111465 78

0.5887924

55

110

0.31087342 0.31087342 62.174684 55

0.82792686

30

90

0.13514296 0.135142965 27.0285929 30

0.3266637

20

0.02937469 0.031928645 6.38572894 6

0.0232999

0.00255395

200

303

W=

0.303

1.87639221
R=

1.87639221

Solucin
Rs = 7.82 (para alfa 0.05 y 3 grados de libertad)
Como R<Rs entonces se acepta el ajuste a la distribucin de probabilidad Binomial
con W = 0.303.

CONTROL DE CALIDAD

Rs = 7.82 (para alfa 0.05 y 3 grados de libertad)

Como R>RS entonces nos encontramos en la zona de rechazo, por lo tanto se rechaza
el ajuste a una distribucin de Poisson con Lamda =1.52.

PROBLEMA 6
En una maquina industrial se ha presentado fallas segn la siguiente data:
Falla ocurrida

Nro. De veces

30

62

46

10

Se pide establecer las cifras tericas correspondientes:

a) Si se ajusta a una ley binomial
b) Si se ajusta a una ley de Poisson
Solucin

nk

n*nk

30

62

p(k)

nk(t)

nk agrupado

0.21381376 0.21381376

32.072064

30

0.13386882

62

0.40247296 0.40247296

60.370944

62

0.04395862

46

92

0.28409856 0.28409856

42.614784

46

0.26891342

10

30

0.08912896 0.09961472

14.942208

12

0.57933793

0.01048576

150

192

W=

0.32

Rs = 5.99 (con alfa 0.05 y 2 grados de libertad)

p(k) agrupado

1.02607879
R=

1.02607879

CONTROL DE CALIDAD

Como R < RS entonces se acepta el ajuste a una distribucin de probabilidad binomial

con W = 0.32

nk

n*nk

p(k)

p(k) agrupado

nk(t)

nk agrupado

30

0.2780373

0.2780373

41.7055951

30

3.28543342

62

62

0.35588774 0.355887745 53.3831617

62

1.39088619

46

92

0.22776816 0.227768157 34.1652235

46

4.09954688

10

30

0.09718108 0.128279026 19.2418539

12

2.72554026

0.03109795

150

192

Lamda =

1.28

11.5014068
R=

11.5014068

Como R<Rs entonces nos encontramos en la zona de rechazo, por lo tanto se rechaza el
ajuste a una distribucin de Poisson con Lamda =1.28
EJEMPLO 5
Una caracterstica de calidad importante en los acumuladores de automviles de transporte,
en su peso, porque es sensible a la cantidad de plomo en las placas. Se seleccionaron 100
bateras de la ltima produccin de una marca determinada de acumuladores para trabajo
pesado, mostrando los siguientes resultados:
Pesos (lb)

60 - 62.9

63 65.9

66 68.9

69 71.9

72 74.9

Frecuencias observada

18

42

27

a) Probar si la distribucin se ajusta a una terica normal, empleando la prueba del chicuadrado, utilice un = 5%.
Lim.
Pesos
NK Xi
Xi*NK
Sup. Teo
62.95 60.0 - 62.9 5 61.45 307.25
65.95 63.0 - 65.9 18 64.45 1160.10
68.95 66.0 - 68.9 42 67.45 2832.90

NK*(XiMed)^2
208.013
214.245
8.505

Z(NK)

P(x)

Dif.Suc NK(T) NK

-1.69 0.0455 0.0455

-0.66 0.2546 0.2091
0.36 0.6406 0.386

4.55
20.91
38.6

5 0.0445
18 0.4050
42 0.2995

CONTROL DE CALIDAD

71.95
74.90

69.0 - 71.9 27 70.45 1902.15

72.0 - 74.9 8 73.45 587.60
Total
6790.00
100
media 67.90
Desv.

175.568
246.420
852.750
8.614
2.935

1.38
2.39

0.9162 0.2756
0.9916 0.0754

27.56
7.54

(0.05;2) = 5.9915

Si comparamos el R s y el R calculado, se tiene:

<

Por lo tanto, se concluye que se ajusta a una distribucin normal.

b) Determine el peso mximo y mnimo en libras, del 32.7% ms pesado de las

bateras.
Peso mximo: 74.9 lb
Peso mnimo: 66.58 lb
Para P(x) = 0.3270 se tiene un z= -0.4482
0.4482 =

67.9
2.935

= 66.58

EJEMPLO 6
La distribucin siguiente es el nmero de fallas de energa que se registraron en una ciudad
situada al oeste de la ciudad de Mxico a lo largo de 296 das:
Nmero de fallas

Nmero de das

45

64

62

44

38

22

10

Con = 0.05 probar si el Nro. Diario de fallas de energa en tal ciudad, es una variable
aleatoria que tiene una distribucin de Poisson y binomial; segn el resultado Cul es la
probabilidad que un da cualesquiera se produzcan ms de 4 fallas en la mencionada
ciudad?

27 0.0114
8 0.0281
0.7884

CONTROL DE CALIDAD

Binomial
K

NK K.NK

PK

Poisson

NK(T) NK

Rb

PK

NK(T)

NK

Rp

0.0172

5.090

3.003

0.0413

12.238

0.8567

45

45

0.0910

26.949

45

12.091 0.1317

38.988

45

0.9270

64

128

0.2109

62.418

64

0.040

0.2098

62.104

64

0.0579

62

186

0.2791

82.611

62

5.142

0.2228

65.951

62

0.2367

44

176

0.2309

68.335

44

8.666

0.1775

52.527

44

1.3842

38

190

0.1222

36.177

38

0.092

0.1131

33.468

38

0.6137

22

132

0.0404

11.970

22

8.404

0.0600

17.770

22

1.0067

10

70

0.0076

2.450

12

37.216

0.0273

11.308

12

0.0423

16

0.0006

Total

296

943

294.3548

296

5.1251

0.0109
296

943
= 0.398
296 8

= 8 2 = 6

Si comparamos el R s y el R calculado, se tiene:

>

<

10

296

74.654

0.9944

= 0.398 8 = 3.186
(0.05;6) = 12.5916

CONTROL DE CALIDAD

EJEMPLO 7
En una oficina administrativa, se quiere establecer un sistema de incentivos para lo cual se
renen datos histricos, mostrando el siguiente cuadro:
a) Determinar X
b) Probar el ajuste a una distribucin terica usando un del 5% y 1% usando ambos
mtodos.
c) Qu % de expedientes se atienden en ms de 7 das y que % est entre 2 y 4 das?
Lim. Sup.
Teo
1.475
2.475
3.475
4.475
5.475
6.475
7.475
8.475
9.475
10.95

Pesos
0.0 - 1.45
1.5 - 2.45
2.5 - 3.45
3.5 - 4.45
4.5 - 5.45
5.5 - 6.45
6.5 - 7.45
7.5 - 8.45
8.5 - 9.45
9.5 - X
total

NK
Xi
Xi*NK
1
0.725
0.73
5
1.975
9.88
4
2.975 11.90
14 3.975 55.65
28 4.975 139.30
42 5.975 250.95
29 6.975 202.28
6
7.975 47.85
5
8.975 44.88
1 10.225 10.23
135
773.63
media 5.7306
Desv.

NK*(XiMed)^2
25.056
70.521
30.372
43.148
15.984
2.510
44.911
30.225
52.632
20.200
335.558
2.504
1.582

Z(NK)
-2.69
-2.06
-1.43
-0.79
-0.16
0.47
1.10
1.73
2.37
3.30

P(x)
0.0036
0.0197
0.0764
0.2148
0.4364
0.6808
0.8643
0.9582
0.9911
0.9995

Dif.Suc
0.0036
0.0161
0.0567
0.1384
0.2216
0.2444
0.1835
0.0939
0.0329
0.0084

NK(T)

NK

10.314
18.684
29.916
32.994
24.7725
12.6765
5.6430

10
14
28
42
29
6
6

0.0096
1.1743
0.1227
2.4583
0.7214
3.5164
0.0226

a) X se halla tomando la amplitud de la primera categora:

= 9.5 + (1.45 0.0) = 10.95
b) = 7 3 = 4

s(0.01;4) = 13.2767
s(0.05;4) = 9.4877

Si comparamos el R s y el R calculado, se tiene:

<

Por tanto, se concluye que tanto para un de 5% y 1% se ajusta a una distribucin normal.

8.0252

CONTROL DE CALIDAD

c) % de expedientes que se atienden en ms de 7 das:

7 5.7306
=
= 0.80
1.582

1 (7) = 1 0.7881 = . %

% de expedientes que se atiendan entre 2 y 4 das:

=
=

25.7306
1.582

45.7306
1.582

= 2.36

(2) = 0.0091 = 0.91%

= 1.09

(4) = 0.1379 = 13.79%

(2 < < 4) = 13.19 0.91 = . %

EJEMPLO 4

Las cifras siguientes provienen de la distribucin de la emisin de azufre (en toneladas) de

la planta industrial Sulfuros S.A.
LIMITES DE
CLASE

5.0 - 8.9 9.0 - 12.9 13.0 - 16.9 17.0 - 20.9 21.0 - 24.9 25.0 - 28.9 29.0 - 32.9

FRECUENCIA

10

14

25

17

Probar que los datos se distribuyen como una Normal y hallar:

Lim.
Sup.
Teor

nk
Limites de
clase

12

Frec.

Xi
Marca
de
clase

Xi*nk

Xi Med

nk*(Xi Med)

Z(nk)

P(z)

dif secc

nk(t)

nk

CONTROL DE CALIDAD
8.95
12.95
16.95
20.95
24.95
24.95
32.90

5.0 - 8.9
9.0 - 12.9
13.0 - 16.9
17.0 - 20.9
21.0 - 24.9
25.0 - 28.9
29.0 - 32.9
TOTAL

3
10
14
25
17
9
2
80

6.95
10.95
14.95
18.95
22.95
26.95
30.95
Media

20.85
109.50
209.30
473.75
390.15
242.55
61.90
1508
18.85

-11.90
-7.90
-3.90
0.10
4.10
8.10
12.10

424.830 -1.78
624.100 -1.06
212.940 -0.34
0.250
0.38
285.770 1.10
590.490 1.10
292.820 2.53
2431.200
Desv =
5.547

0.0375
0.1446
0.3669
0.648
0.8643
0.8643
0.9943

0.0375
0.1071
0.2223
0.2811
0.2163
0.0000
0.1357
1.0000

11.568
17.784
22.488
17.304
10.856
80

= 5 3 = 2
s(0.01;2) = 9.2104
= 1.270

Si comparamos el R s y el R calculado, se tiene:

<

1.270 < 9.2104

Por tanto, se concluye que tanto se ajusta a una distribucin normal con un = 0.01.

a) La probabilidad de que la emisin de oxido de azufre (en toneladas) este entre 8.95
y 12.95
8.95 18.85
1 =
= 1.79
5.547
12.95 18.85
2 =
= 1.06
5.547
P (z1) = 0.0367

P (z2) = 0.1446

Probabilidad = 0.1446 0.0367 = 0.1079 = 10.79 %

b) La probabilidad que la emisin de oxido de azufre sea mayor que 32.95.

1 =
P (z1) = 0.9945

13

32.95 18.85
= 2.54
5.547

13
14
25
17
11

0.177
0.805
0.281
0.005
0.002

R= 1.270

CONTROL DE CALIDAD

Probabilidad = 1.0000 0.9945 = 0.0055 = 0.55 %

EJEMPLO 5

La produccin de Conservas de Fruta de determinada lnea de Produccin de una Empresa

ha sido durante un periodo considerable. La velocidad de produccin vara por razones de
auxilio mecnico aleatorio producido en la lnea. Se extrae una muestra de dicha
produccin cuyos resultados son clasificados y mostrados en la siguiente tabla:
INTERVALOS
0.12 DE TIEMPO
0.29
(minutos)
Nro. De
Productos

0.32 0.49

0.52 0.69

0.72 0.89

0.92 1.09

1.12 1.29

1.32 1.49

1.52 1.69

1.72 1.89

1.92 2.09

14

28

32

25

16

a) Probar si los datos se ajustan a una distribucin Normal con un = 0.01 mtodo Xi
cuadrado.

Lim.
Sup.
Teor
0.305
0.505
0.705
0.905
1.105
1.305
1.505
1.705
1.905
2.09

Tiempo
(minutos)
0.12 - 0.29
0.32 - 0.49
0.52 - 0.69
0.72 - 0.89
0.92 - 1.09
1.12 - 1.29
1.32 - 1.49
1.52 - 1.69
1.72 - 1.89
1.92 - 2.09
TOTAL

14

nk

Xi

Frec.

Marca
de clase

1
5
4
14
28
32
25
16
7
3
135

0.205
0.405
0.605
0.805
1.005
1.205
1.405
1.605
1.805
2.005

Xi*nk

0.205
2.025
2.42
11.27
28.14
38.56
35.125
25.68
12.635
6.015
162.075
Media = 1.201

Xi - nk*(Xi Med Med)

Z(nk)

P(z)

-1.00
-0.80
-0.60
-0.40
-0.20
0.00
0.20
0.40
0.60
0.80

-2.51
-1.95
-1.39
-0.83
-0.27
0.29
0.85
1.42
1.98
2.50

0.0060
0.0256
0.0823
0.2033
0.3936
0.6141
0.8023
0.9222
0.9761
0.9938

0.991
3.165
1.419
2.190
1.071
0.001
1.045
2.617
2.557
1.941
16.997
Desv. 0.356

= 7 3 = 4

dif
secc

nk(t)

nk

0.006
0.020
0.057
0.121
0.190
0.221
0.188
0.120
0.054
0.024
1.000

11.111
16.335
25.691
29.768
25.407
16.187
10.503

10
14
28
32
25
16
10

0.111
0.334
0.208
0.167
0.007
0.002
0.024

135

R= 0.853

CONTROL DE CALIDAD

s(0.01;4) = 13.2767
= 0.853

Si comparamos el R s y el R calculado, se tiene:

<

0.853 < 13.2767

Por tanto, se concluye que tanto se ajusta a una distribucin normal con un = 0.01.

b) Cul es la probabilidad de que la mencionada lnea tenga un periodo de produccin

comprendido entre 45 y 72 segundos.

1 =

. 75 1.201
= 1.2668 = 1.27
0.356

2 =

P (z1) = 0.1020

1.2 1.201
= 0.0028 = 0.00
0.356
y

P (z2) = 0.5000

Probabilidad = 0.5000 0.1020 = 0.3980 = 39.80 %

EJEMPLO 6
Suponga que una empresa que trabaja 3 turnos, a la salida de un torno, cada 30 se extraen
7 ejes; Luego de efectuar 105 extracciones se contabiliza el nmero de ejes defectuosos en
cada muestra, logrndose construir la siguiente tabla:

Ejes defectuosos

Nmero de muestras

28

27

21

11

Probar el ajuste a una distribucin binomial y de Poisson

15

CONTROL DE CALIDAD

a)
b)
c)
d)
e)

Con un de 1%
Con un de 5%
Comprare los resultados. Cul es su conclusin?
Cul es la media y cul es su significado en cada caso?
Cul es la probabilidad de que en una prxima extraccin se obtengan ms de 3 ejes
defectuosos?

Binomial
pk
nk
agrupado nk(t) agrupado

nk

n*nk

pk

0.064

0.064

6.72

0.774

28

28

0.215

0.215

22.575

28

1.304

27

54

0.311

0.311

32.655

27

0.979

21

63

0.249

0.249

26.145

21

1.012

11

44

0.120

0.120

12.6

11

0.203

20

0.035

0.041

4.305

5.120

30

0.006

105

239

1.000

105

105

9.393

R=

9.393

media=W= 0.325

a) Rs= 13.277(=0.01 y GL=4).R<Rs, si se ajusta a la binomial con =0.01

b) Rs= 9.488(=0.05 y GL=4) .R<Rs, si se ajusta a la binomial con =0.05

16

CONTROL DE CALIDAD

Poisson

nk

n*nk

pk

pk
agrupado

nk(t)

nk
agrupado

0.103

0.103

10.815

0.305

28

28

0.234

0.234

24.57

28

0.479

27

54

0.266

0.266

27.93

27

0.031

21

63

0.202

0.202

21.21

21

0.002

11

44

0.115

0.115

12.075

11

0.096

20

0.052

0.072

7.56

0.274

30

0.020

105

239

1.000

105

105

1.186

media=

2.276

R=

1.186

a) Rs= 13.277(=0.01 y GL=4).R<Rs, si se ajusta a la binomial con =0.01

b) Rs= 9.488(=0.05 y GL=4) ..R<Rs, si se ajusta a la binomial con =0.05

c) Se obtuvo: R-binomial= 9.393 y R-Poisson=1.186;

Dado que el R indica que el grado de dispersin entre los datos y la distribucin, Los datos
se ajustan de mejor manera a una distribucin de Poisson.
d) El valor de la media es 2.276 e indica la cantidad promedio de ejes defectuosos por
muestra (de 7 ejes)
e) Probabilidad de obtener ms de 3 ejes defectuosos en la prxima extraccin (Poisson) =
1-(P (0)+P (1)+P (2)+P (3)=1-(0.103+0.234+0.266+0.202) = 1- 0.805 = 0.195 = 19.5%

17

CONTROL DE CALIDAD

EJEMPLO 7
Una mquina debe ser calibrada cierto tiempo,( por efecto de la vibracin que se produce)
para evitar que su produccin resultante muestre algn sesgo, deteriorando su calidad. Se
encarg al Dpto. de Control de Calidad realizar el estudio correspondiente. El mencionado
Dpto. observ permanentemente la mquina y efectuaba una calibracin, sin necesidad de
parar la mquina, cada vez que lo juzgaba necesario, apuntando con la ayuda de un
cronmetro, los intervalos de tiempo entre cada calibracin y la siguiente; al finalizar el
estudio (excluyendo tiempos de parada de mquina o por condiciones particulares), se
elabor el cuadro que se muestra a continuacin:

Intervalos de
tiempo

0.00 15.6

15.7 38.6

38.7 61.6

61.7 84.6

84.7 107.6

107.7 130.6

130.7
-153.6

153.7 176.6

176.7
-192.2

14

26

21

17

(minutos)
Nro.
calibraciones

a) Cul es el valor y significado de la media y desviacin?

b) Es legtimo el ajuste a la distribucin Normal(mtodo 2 , usar =0.01)
c) Dado un ajuste de mquina. Cul es la probabilidad que el tiempo que requiera un
nuevo ajuste sea menor a media hora?

Lim
superior tiempo(minutos) nk
terico

Xi

Xi*nk

15.65

0.01-15.6

7.8

7.8

38.65

15.7-38.6

27.15

61.65

38.7-61.6

84.65

61.7-84.6

14

18

XiMed

nk*(XiMed)^2

9742.874
98.706

z(nk)

p(x) dif suc nk(t)

nk
agrup

-2.41 0.008 0.008

0.000

135.75

31486.874 -1.80 0.036 0.028

79.356

0.000

50.15

200.6

12703.995 -1.19 0.117 0.081 11.349

56.356

10

0.160

73.15

1024.1

15576.718 -0.58 0.281 0.164 15.908

14

0.229

CONTROL DE CALIDAD

33.356
107.65

84.7-107.6

26

2788.415
10.356

0.03

0.512 0.231 22.407

26

0.576

130.65

107.7-130.6

21 119.15 2502.15 12.644 3357.285

0.64

0.739 0.227 22.019

21

0.047

153.65

130.7-153.6

17 142.15 2416.55 35.644 21598.411 1.25

0.894 0.156 15.132

17

0.231

176.65

153.7-176.6

165.15

0.969 0.074 9.118

0.002

192.2

176.7-192.2

184.45 553.35 77.944 18225.801 2.28

Total

97

97

1.245

R=

1.245

96.15

2499.9

990.9

58.644 20634.712 1.86

10331.1

136115.086

0.989

0.02
0.989

97

media= 106.506
desv
est=

37.655

Solucin:
Rs (=0.01, GL= 3) = 11.3449
Ya que R<Rs, entonces, si se ajusta a la distribucin normal.
La probabilidad de que el tiempo que requiera un nuevo ajuste sea menor a media hora=
P(x<30)
Z= (30-106.506)/37.655=-2.03P (x<30)=0.4788

19