Академический Документы
Профессиональный Документы
Культура Документы
Indice
UNIDAD II
“MÉTODOS ESTADÍSTICOS MÁS EMPLEADOS”
INTRODUCCIÓN
La gente aficionada al bingo o a comprar loterías, tal vez sin saberlo, aplica algunas nociones de
probabilidades al escoger sus números: “.... ¡no!, no marques el 17, porque ya salió la semana
pasada”; “... pon el 33, hace tiempo que no sale”
Lo que sucede es que, si no hay “causas asignables” (recordar la unidad anterior y darle la
acepción que peor les parezca), los números de la lotería o los números del bingo deberían
tener la misma probabilidad de salir. Y por eso, un número que “hace tiempo que no sale” tiene
más probabilidades de salir que uno que “salió la semana pasada”.
Pero, es un caso particular de la vida cotidiana. En los procesos industriales, también, cada
situación tiene su manera de comportarse, de acuerdo a modelos matemáticos elaborados por
la estadística.
OBJETIVOS
1. DISTRIBUCIONES DE PROBABILIDAD
Una distribución de probabilidad no es otra cosa que un modelo matemático que relaciona
una determinada variable con la probabilidad de que esta variable tome un valor específico
o se encuentre entre ciertos valores dentro de la población.
Pag. 1 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
Ejemplo 1.
Uno de los juegos más concurridos en los casinos es el crap, que consiste en
lanzar un par de dados, pudiendo ganar cuando en el primer lanzamiento se
obtiene un 7 (1+6; 2+5; 3+4). El resultado del lanzamiento de los dos dados
puede considerarse como una variable, la cual tomará diferentes valores
dentro de la población debido a causas aleatorias y será mediante la
correspondiente distribución de probabilidad que se pueda determinar la
probabilidad que al primer lanzamiento se obtenga un 7. Al casino, desde luego, le
convendrá que esta probabilidad no sea alta para no estar continuamente pagando premios
que lo llevarían a la bancarrota.
Ejemplo 2.
Para que una botella de gaseosa de 1 litro sea lanzada a la venta “sin
ningún problema” de contenido, éste debe estar entre 990 ml y 1010 ml. El
contenido de gaseosa en las botellas puede considerarse como una
variable, la cual tomará diferentes valores dentro de la población debido a
causas aleatorias y será mediante la correspondiente distribución de
probabilidad que se pueda determinar la probabilidad que un lote salga con
un contenido entre 990 ml y 1010 ml. Ya para efectos prácticos, es lógico
suponer que la probabilidad esperada ha de ser muy alta a fin de que no
haya muchas botellas con menos de 990 ml (habría reclamos por parte de
los consumidores) ni más de 1010 ml (habría reclamos “de arriba” por ir
contra la economía de la empresa).
Ejemplo 3.
• En el ejemplo de los dados, los resultados posibles son 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12,
es decir, valores discretos.
• En los otros dos ejemplos, los resultados pueden comprender cualquier valor entre los
límites especificados, o sea, valores continuos.
Con base a esto las distribuciones de probabilidad se pueden clasificar como muestra el
cuadro siguiente:
Pag. 2 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
ASPECTO DE LA
DISTRIBUCIÓN
DE
PROBABILIDAD
-4 0 4
0
1
Antes de entrar en detalle con las distintas distribuciones de probabilidad que destacan en
cada clasificación, merece la pena explicar una prueba que se puede ver de lo más sencilla y
de lo más elemental, pero que es de gran trascendencia para el estudio de probabilidades:
la prueba de Bernoulli o experimento de Bernoullii. Así mismo, explicaremos el término de
combinatoria, ya que es un concepto y un cálculo que se aplica en la gran mayoría de
distribuciones discretas de probabilidad.
Finalmente, lo que debemos notar y que debemos siempre recordar es que la suma
de probabilidades de un evento siempre es 1 (100%).
1.2. COMBINATORIA
Pag. 3 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
Espada ♠ + ♥ Corazón
Espada ♠ + ♣ Trébol
combinaciones de 4 cartas Espada ♠ + ♦ Diamante
tomadas de 2 en 2 Corazón ♥ + ♣ Trébol
Corazón ♥ + ♦ Diamante
Trébol ♣ + ♦ Diamante
Lo primero que observamos es que son 6 las posibilidades para este caso. En segundo
lugar, se debe notar que no importa si, por ejemplo, salió primero el “as de espadas”
o el “as de corazones”, lo que interesa es que contamos con estos dos ases sin
importar el orden de extracción (mejor aún, debería considerarse que ambos se
extraen al mismo tiempo).
4 4! 4 x3 x 2 x1
= = =6
2 2!(4 − 2)! (2 x1)(2 x1)
Sin duda, cuando trabajemos con números altos será aquí muy útil la expresión
general para la combinatoria, la cual se n representa como: y se lee
“combinatoria de n elementos tomados de x en x”.
x
El desarrollo matemático de la combinatoria es:
n n!
=
x x!(n − x)!
Pag. 4 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
2.1.1. FUNDAMENTO.
Un proceso consiste en una serie de n pruebas independientes, donde cada
una de las pruebas es un experimento de Bernoulli. Si la probabilidad de
éxito es igual en cada una de las pruebas, la cantidad de éxitos en las n
pruebas del proceso sigue una distribución binomial.
2.1.2. EL MODELO.
Sea p(x) la probabilidad que en x pruebas se obtenga el éxito. Si dicha
probabilidad sigue una distribución binomial, entonces:
n
p ( x) = ( p ) x (1 − p) n − x
x
Pag. 5 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x = la cantidad de pruebas en las que se espera el éxito (0, 1, ...,
n)
media µ np
varianza σ2 np(1-p)
2.1.3. EJEMPLO.
Se van tomando, de una en una, muestras de la línea de producción de
focos de 100 W, hasta completar un total de 10 focos. La probabilidad de
que un foco salga sin defectos es de 0,6 (60%). Si se quiere saber cuál es la
probabilidad que 7 de los 10 focos se encuentren sin defectos, habrá que
aplicar una distribución binomial.
10 10
p (7) = (0,6) 7 (1 − 0,6) 10 −7 = (0,6) 7 (0,4) 3 = 0,215
7 7
2.1.4. APLICACIÓN.
La distribución binomial se aplica, principalmente, para estimar la cantidad
de piezas disconformes (o conformes) que podrían encontrarse en una
muestra tomada de una población “infinitamente grande”, donde p
representaría la porción de artículos defectuosos (o no defectuosos) dentro
de esa población.
Pag. 6 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x p(x)
0 0.0115
1 0.0576 0.2500
2 0.1369
3 0.2054
4 0.2182 0.2000
5 0.1746
6 0.1091
7 0.0545 0.1500
8 0.0222
9 0.0074
10 0.0020
0.1000
11 0.0005
12 0.0001
13 0.0000
0.0500
14 0.0000
15 0.0000
16 0.0000
17 0.0000 0.0000
18 0.0000 0 2 4 6 8 10 12 14 16 18 20
19 0.0000
20 0.0000
2.2.1. FUNDAMENTO.
Un proceso consiste en tomar una muestra aleatoria de n artículos sin
reposición. Si es conocido el tamaño de la población de donde se toma la
muestra y es conocido el número de artículos que en la población caen
dentro de una clase particular de interés, la cantidad de artículos dentro de
la muestra que caen dentro de la mencionada clase de interés sigue una
distribución hipergeométrica.
2.2.2. EL MODELO.
Sea p(x) la probabilidad que x artículos sean de una clase en particular. Si
dicha probabilidad sigue una distribución hipergeométrica, entonces:
K N − K
x n − x
p ( x) =
N
n
Pag. 7 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
K = cantidad de artículos que en la población son de una clase en
particular
n = número de artículos en la muestra
x = la cantidad de artículos muestreados que se espera sean de la
clase
nK
media µ
N
nK K N − n
varianza σ2 1 −
N N N − 1
2.2.3. EJEMPLO.
De un lote de 1000 unidades en un proceso de producción de focos de 100
W, se estima que un total de 52 focos han de estar fuera de especificación.
De este lote se toma una muestra aleatoria de 25 focos, sin reposición. Si se
quiere saber cuál es la probabilidad que 2 de los 25 focos se encuentren sin
defectos, habrá que aplicar una distribución hipergeométrica.
52 1000 − 52
2 25 − 2
p ( 2) = = 0,0071
1000
25
2.2.4. APLICACIÓN.
La distribución hipergeométrica se aplica, principalmente, para estimar la
cantidad de piezas disconformes que podrían encontrarse en una muestra
tomada al azar y sin reposición, a partir de una población donde se conocen
el tamaño y la fracción de piezas defectuosas dentro de la población.
Pag. 8 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x p(x)
0 0.0000
1 0.0003 0.1800
2 0.0018
3 0.0071 0.1600
4 0.0207
5 0.0463
0.1400
6 0.0829 0.1200
7 0.1219
8 0.1503 0.1000
9 0.1575 0.0800
10 0.1418
11 0.1104 0.0600
12 0.0748
0.0400
13 0.0443
14 0.0230 0.0200
15 0.0105
16 0.0042 0.0000
0
3
6
9
12
15
18
21
24
27
30
17 0.0015
18 0.0005
19 0.0001
20 0.0000
. .
. .
. .
30 0.0000
2.3.1. FUNDAMENTO.
Un proceso consiste en “detectar” estadísticamente la cantidad de defectos
que se presentan en una pieza de un determinado producto. La cantidad de
defectos dentro de esa unidad de producto sigue la distribución de Poisson.
2.3.2. EL MODELO.
Sea p(x) la probabilidad que una unidad de un producto tenga x defectos.
Dicha probabilidad sigue la distribución de Poisson y entonces:
e −λ λ x
p ( x) =
x!
Pag. 9 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x = la cantidad de defectos que se espera en esa unidad de
producto
media µ λ
varianza σ2 λ
2.3.3. EJEMPLO.
De un lote de 5000 unidades en un proceso de producción de lapiceros, se
estima que cada lapicero presenta un promedio de 0,8 defectos. De este lote
se toma un lapicero. Si se quiere saber cuál es la probabilidad que ese
lapicero se encuentre sin defectos, habrá que aplicar la distribución de
Poisson.
e − λ λ x e −0,8 0,8 0
p ( x) = = = 0.4493
x! 0!
2.3.4. APLICACIÓN.
Pag. 10 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x p(x)
0 0.1353
0.3000
1 0.2707
0.2500
2 0.2707
3 0.1804 0.2000
4 0.0902 0.1500
5 0.0361 0.1000
6 0.0120 0.0500
7 0.0034
0.0000
8 0.0009
9 0.0002 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
10 0.0000
11 0.0000
12 0.0000
13 0.0000
14 0.0000
15 0.0000
Esto quiere decir que –para cualquiera de las distribuciones discretas que hemos
visto– podríamos estimar la distribución acumulativa como:
Pag. 11 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
3. DISTRIBUCIONES CONTINUAS IMPORTANTES
3.1.1. FUNDAMENTO.
Un proceso consiste en una serie de sucesos aleatorios, donde los valores de
una determinada variable de estos sucesos se espera que se concentren en
gran proporción alrededor de la media, además se espera que en rangos de
longitud fija la frecuencia de estos valores vaya descendiendo conforme nos
alejamos de la media. Si este proceso presenta las propiedades
mencionadas, entonces el proceso sigue una distribución normal.
3.1.2. EL MODELO.
Sea f(x) la función de probabilidad que una variable tome el valor x. Si dicha
variable sigue una distribución normal, entonces su función de probabilidad
o función de densidad esvi:
( x− µ )2
1 −
f (x) = 2σ 2
e
2 πσ 2
F (k ) = p ( x ≤ k )
Pag. 12 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
Solución
Realizaremos el procedimiento de solución para la parte “a” del problema y
luego expondremos las respuestas para las partes “b” y “c”.
Pag. 13 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
. p(94<x<102)=68,26% .
x−µ
z=
σ
A B A B
1 a b 1 a b
2 -1 1 2 -1 1
3 F(a) F(b) 3 F(a) F(b)
4 =DISTR.NORM.ESTAND(A2) =DISTR.NORM.ESTAND(B2) 4 0.15866 0.84134
5 p(-1<z<1) =+B4-A4 5 p(-1<z<1) 0.68269
Pag. 14 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
En resumen:
Para la parte “a” la respuesta es p(94<x<102) = p(-1<z<1) = 0.6826
Para la parte “b” la respuesta es p(90<x<106) = p(-2<z<2) = 0.9545
Para la parte “c” la respuesta es p(86<x<110) = p(-3<z<3) = 0.9973
m
µ-σ
µ+σ
µ+2σ
µ+3σ
µ
µ-3σ
µ-2σ
m+s
m+2s
m+3s
m-s
m-3s
m-2s
68,26%
95,45%
99,73%
Ejemplo 1.
Una posibilidad en el ejemplo anterior es que nos pregunten ¿cuántos
milímetros como máximo ha de tener el diámetro interior de las tapas de los
radiadores para que esté contenido el 97% de las tapas producidas?
Solución
Si nos valemos de la tabla del Anexo 1, deberemos buscar dentro de la tabla
el valor 0,97. Y es así que obtendremos z=1,88 si consideramos que el valor
más aproximado en la tabla es 0,969946. Sin embargo, no podemos dar
Pag. 15 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
como respuesta 1,88 ya que éste es el valor tipificado de la variable, por lo
x−µ
cual tenemos que despejar x de la fórmula z= ,
σ
x − 98
obteniendo 1,88 = ⇒ . x ≤ 105,52 mm .
4
Ejemplo 2.
Variaremos “ligeramente” el Ejemplo 1 y ahora preguntaremos ¿en qué
rango ha de encontrarse el diámetro interior de las tapas de los radiadores
para que esté contenido el 97% de las tapas producidas, pero de manera
simétrica alrededor de la media?
Solución
Para que el 97% de las tapas esté centrado con la media, del 3%
“rechazado” cada mitad (1,5%) ha de quedar a cada extremo de la curva.
Esto quiere decir que debemos buscar los valores de x que cumplan con que
p(µ-a<x<µ+a) = 0,97, es decir:
Esto significa que los diámetros deben salir del proceso con más de 89,32
mm pero menos de 106,68 mm para cumplir con los requerimientos
establecidos.
Algo que aquí es destacable observar es que el valor de “a” es 8,68 mm (98
– 89,32 o 106,68 – 98). Un valor algo mayor a 2σ (= 8) y que –
lógicamente– genera una probabilidad algo mayor a 95,45%, pero siendo
menor que 3σ (=12) la probabilidad será menor que 99,73%. Esto es
interesante resaltarlo porque nos puede servir para estimar rápidamente y a
grosso modo entre qué valores se puede encontrar el dato solicitado.
Ejemplo 3.
En una planta existen dos líneas de producción para obtener el mismo
producto, estimándose el peso del producto como la variable para el control
del proceso. De la primera línea se toma una muestra que pesa 55,5 kg y
una muestra de la segunda línea pesa 54,3 kg. En la primera línea el proceso
tiene µ = 52,7 kg y σ = 2,8 kg; en la segunda línea el proceso tiene µ =
51,4 kg y σ = 3,1 kg. ¿Cuál de las dos muestras tomadas es más “atípica”?
Pag. 16 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
Solución
En primer lugar, entenderemos por atípica aquella muestra que se aleje más
de la media. A partir de este concepto, estaríamos tentados en afirmar que
la segunda muestra es más atípica puesto que:
A B C
1 x 55.5 54.3
2 m 52.7 51.4
3 s 2.8 3.1
4 F(x) 0.8413447 0.8252305
"muestra más atípica
Este razonamiento no es errado, pero la solución resulta más sencilla aún.
Basta con estandarizar cada una de las variables muestreadas y resultará
más atípica aquella que se aleje más de “cero” (recordar que al estandarizar,
la media se hace cero). Es así que tendremos:
3.1.6. APLICACIÓN.
Para los propósitos del curso, la distribución normal se aplica para estimar la
probabilidad que un proceso industrial se encuentre bajo control estadístico.
En general, se aplica sobre cualquier variable aleatoria en la que se espera
que la mayor cantidad de valores se concentre alrededor de la media y esta
cantidad vaya descendiendo progresivamente conforme nos alejamos de la
media y nos vamos a encontrar con aplicaciones tan disímiles como
estaturas, notas de un examen, caudales de ríos, tensión de salida de una
fuente, etc.
Pag. 17 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
normal que –al llevar los datos del histograma– formarán una línea
recta;
- Y ya algo todavía menos exacto es confiarnos del concepto general de
que los procesos industriales –en tanto gobernados por causas
aleatorias– siguen una distribución normal.
3.2.1. FUNDAMENTO.
En un proceso, el tiempo de servicio para un componente o para el sistema
completo está gobernado por causas aleatorias. Bajo estas condiciones, el
referido tiempo de servicio se puede representar mediante una distribución
exponencial.
3.2.2. EL MODELO.
Sea f(x) la función de probabilidad que una variable tome el valor x. Si dicha
variable sigue una distribución exponencial, entonces su función de
probabilidad o función de densidad es:
f ( x) = λe −λx
media µ 1/λ
varianza σ2 1/λ2
3.2.3. EJEMPLO.
El rodamiento principal de una línea de producción tiene una vida media de
10 000 horas, siendo éste el tiempo recomendado para realizar la parada de
la línea y el respectivo cambio de rodamiento.
a ¿Cuál es la probabilidad que el rodamiento falle antes de las 10 000
horas?
b ¿Cuál es la probabilidad que el rodamiento falle después de las 20 000
horas de funcionamiento?
Solución
a Comencemos por simplificar los cálculos, considerando que la variable
que vamos a evaluar la podemos expresar en miles de horas. De esta
manera tendremos que la media de esa variable sería 10 y, por tanto, λ=
0,1.
Pag. 18 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
⇒ . p(x≤10) = 63,21% .
Esto quiere decir que –sin interesar cuál sea el valor del parámetro de la
distribución exponencial– la probabilidad que la variable en estudio sea
menor o igual a la media siempre será de 63,2%. Nótese también que –
debido al carácter asimétrico de la curva– este valor no representa “la
mitad” de la curva (recordar que en la distribución normal F(µ) = 50%).
0.8
0.6
0.4
0.2
0
0
10
20
30
40
50
La gráfica muestra la curva de distribución exponencial acumulativa
particular a este problema. Aquí vemos que para x=10 -> F(10)=0,63212.
x 0 λ 2λ 3λ 4λ
F(x) 0.0000 0.6321 0.8647 0.9502 0.9817
x 5λ 6λ 7λ 8λ 9λ
F(x) 0.9933 0.9975 0.9991 0.9997 0.9999
Pag. 19 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
a lo visto para la distribución normal cuando calculamos los porcentajes
en función de µ y σ (ver página 14 de la presente unidad).
⇒ p(x≥20) = e- (0.1)(20)
. p(x≥20) = 0.1353 .
0.1
0.08
0.06
0.04
0.02
0
0
10
20
30
40
50
p(x≥a) = e- λa
Pag. 20 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
3.2.4. APLICACIÓN.
La distribución exponencial tiene una gran utilidad en la teoría de colas, en
problemas de listas de espera y en estimaciones relacionadas con tiempos
de servicio, representando, por ejemplo, el tiempo que una persona aguarda
en una cola. El caso más saltante y de amplia aplicación en lo que a
procesos industriales se refiere es en el Mantenimiento Basado en la
Confiabilidad (RCM, por sus siglas en inglés), como modelo para el tiempo
transcurrido hasta la falla de un componente o de un sistema y donde el
parámetro λ recibe el nombre particular de índice de falla.
4. EJERCICIOS PROPUESTOS
4.1. EJERCICIO 1
Se desea formar el comité de organización para un evento técnico conformado por
representantes de 7 empresas. Se supone que la probabilidad de que una empresa
acepte la invitación es de 0.75. ¿Cuántas invitaciones habrá que enviar para
maximizar la probabilidad que el comité esté conformado exactamente por 7
miembros? ¿A cuánto asciende esa probabilidad?
[n=9; p(x)=30%]
4.2. EJERCICIO 2
Dentro de una caja hay 18 pares de medias: 6 pares de medias negras y 12 pares de
medias azules. Se extraen dos medias al azar. ¿Cuál es la probabilidad de sacar
exactamente un par negro?. ¿Cuál es la probabilidad de sacar exactamente un par
azul?
[p(par negro)=9,8%; p(par azul)=43,1%]
4.3. EJERCICIO 3
Un entrenador de fútbol trabaja las estadísticas sobre los partidos de su equipo y ha
calculado que los tiros libres logran favorecerle a razón de 2 tiros libres cada 10
minutos, pero su ataque cae en “fuero de juego” cada 15 minutos. ¿Cuál es la
probabilidad de generar más de 2 tiros libres en un período de 10 minutos?. ¿Cuál es
la probabilidad que sus delanteros no caigan en “off side” en un período de 15
minutos?
[p(x>2)=32,33%; p(y=0)=36,7%]
4.4. EJERCICIO 4
Una jirafa y un pequeño escarabajo están discutiendo sobre quién es más alto entre
los dos (cada uno dentro de su especie). La jirafa afirma que ella sobrepasa en 1,1
metros la estatura media de su especie, mientras que el escarabajo (que supera en 6
mm la longitud media de los suyos) presume, es raro que haya alguien más largo que
él. Si la desviación estándar para la estatura de las jirafas es 0,82m y para los
escarabajos es 3,2mm, ¿quién tiene la razón?
[el escarabajo]
Pag. 21 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
4.5. EJERCICIO 5
Una fábrica de componentes electrónicos produce cierto tipo de LED cuyo tiempo
promedio de falla es de 5 años. ¿Cuál es la probabilidad de que un LED continúe
funcionando después de 8 años?
Una planta adquiere 5 de estos LED’s y los instala en un sistema de alarma. ¿Cuál es
la probabilidad de que al menos 2 de los LED’s continúen funcionando después de 8
años?
[p(x>8)=20,19%; p(y≥2)=26,66%]
5. PREGUNTAS DE AUTOCOMPROBACIÓN
5. Para una distribución de probabilidad, ¿qué diferencia existe entre función de densidad y
función acumulativa?
6. RESPUESTAS AL CUESTIONARIO
1. Modelo matemático para determinar la probabilidad que una variable tome un valor o se
encuentre en un rango de valores.
2. Discretas.
Continuas.
3. Binomial.
Hipergeométrica.
De Poisson.
4. Normal.
Exponencial.
7. Ingeniería de confiabilidad.
Pag. 22 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
7. REFERENCIAS
1. Jacob Bernoulli (1654 – 1705). Matemático suizo, el primero en usar el término integral
en el año 1690. Trabajó mucho en la Teoría de la Probabilidad. Utilizó tempranamente
las coordenadas polares y descubrió el isócrono, curva que se forma al caer
verticalmente un cuerpo con velocidad uniforme.
2. Siméon Denis Poisson (1781 – 1840) Matemático francés. Publicó más de 300 trabajos
matemáticos incluyendo aplicaciones en termodinámica, electricidad, magnetismo y
astronomía. Su nombre es asociado en diversas áreas: integral de Poisson, teoría de
ecuaciones de potencia de Poisson, avances de Poisson en ecuaciones diferenciales,
distribución de probabilidad de Poisson, constante eléctrica de Poisson.
3. El punto de quiebre hasta donde aumentan los valores de p(x) y a partir del cual
comienzan a disminuir viene dado por p(n+1). En el ejemplo expuesto tendríamos que
este valor sería 0,2x(20+1)=4,2. Se observa en la tabla que de 0 a 4 aumenta p(x) y a
partir de ahí comienza a disminuir, corroborando nuestros cálculos. Esto es de especial
importancia para el control estadístico en la aceptación o el rechazo de lotes de
productos.
4. El punto de quiebre hasta donde aumentan los valores de p(x) y a partir del cual
comienzan a disminuir viene dado por n(K/N). En el ejemplo expuesto tendríamos que
este valor sería 30x(3000/10000)=9. Esto se confirma en la tabla, donde de 0 a 9
aumenta p(x) y a partir de ahí comienza a disminuir.
6. La distribución normal es tan utilizada que su función de densidad tiene una notación
especial, la cual es x∼N(µ,σ2) y que significa que la variable x sigue una distribución
normal con media µ y varianza σ2.
FIN DE LA UNIDAD
Pag. 23 Unidad II