2 Estadistica 111007023508 Phpapp01

INGENIERIA INDUSTRIAL CONTROL DE CALIDAD I
2. ESTADISTICA
DR. JORGE ACUA A.
Muestras correctamente seleccionadas permiten inferir sobre la situacin real de una caracterstica en estudio. Aplicacin de la estadstica al control de procesos y de materiales es solamente un arma para la toma de decisiones y no la solucin a los problemas existentes.
ING. JORGE ACUA A., PhD., PROFESOR
Diseo de procedimientos eficientes que suministren datos confiables para su posterior anlisis. Planear la recoleccin de datos indicando entre otros aspectos tiempo (cundo?, lugar (dnde?), responsabilidades (quin?), formatos y procedimientos (cmo?). El registro y anlisis de la informacin proveniente de muestras representativas tomadas de pruebas fsicas qumicas y servicioscon el fin de verificar su estado.
Datos deben ser veraces y reflejar las condiciones del proceso, datos errneos generan conclusiones errneas. El analista debe tener plena confianza en los datos para que el estudio sea vlido. Mnima desconfianza en los datos o en su procedencia obligan al analista a descartarlos. Recoleccin de datos debe ser cuidadosamente planeada y programada asignado los recursos que sean necesarios para garantizar excelente calidad de datos.
Acciones correctivas y preventivas, con las que se procurar reducir y si es posible eliminar los problemas. Anlisis y aproximaciones de los datos a distribuciones de probabilidad es necesario agruparlos de tal manera que se puedan visualizar comportamientos y tendencias histricas de los procesos que ayuden a interpretar los aspectos que pueden estar causando descontrol y por ende bajos niveles de calidad.
Visualizar la posible distribucin de datos Cada dato pierde su identidad. Distribuciones estadsticas tericas o empricas para inferir hacia el problema. Distribuciones de frecuencia de datos no agrupados presentan una distribucin que es muy difcil de aproximar. Cifras significativas de los datos Seleccin de un nmero de clases que refleje una adecuada distribucin.
Recolectar los datos (xi) de acuerdo con el tamao de muestra previamente calculado. Ordenar los datos de menor a mayor. Calcular el rango: R = ximx - ximn Fijar el nmero de clases (k), Calcular el intervalo de clase (i), as: i = R/k El valor de i debe ser redondeado siempre hacia arriba y a la misma cantidad de decimales que tienen los datos.
Calcular el rango propuesto (Rp) Rp = ir * k Calcular la diferencia (d) d = Rp R Este valor es un nmero cuya ltima cifra significativa debe ser impar. Si no lo es, se debe devolver al paso 5 y hacer el clculo con otro nmero de clases, hasta que se cumpla la condicin. Calcular la mitad de la diferencia (md) md = d/2
Fijar los lmites reales de clase (Li, Ls), usando el siguiente procedimiento: a. Tomar el valor del dato menor y restarle el valor de md; el valor obtenido es el primer Li. Li1 = ximn md b. Sumar i al valor de Li1, para obtener el primer Ls. Ls1 = Li1 + i Lsk = ximx + md donde Lsk = ltimo lmite real superior.
Completar el cuadro de frecuencias de datos agrupados. Construir el histograma para observar la distribucin del conjunto de datos.
10
Se toman doce grupos de cinco unidades de una mquina llenadora de latas de pasta de tomate y se pesan, originando los siguientes datos: Construir una distribucin de frecuencias de datos agrupados.
11
HOJA DE DATOS - DISTRIBUCION DE FRECUENCIAS Artculo: Pasta de tomate Cdigo: XY-987 Caracterstica: Peso Especificacin: 20,0 2,5 decigramos Operacin: Llenado Mquina: Llenadora n=60 Operario: M. Matamoros Inspector: M. Coto Turno: 1 Fecha:02-12-84 Hora de inicio: 8 am Hoja: 1de 1 # 1 2 3 4 5 6 7 8 9 10 11 12 1 22,0 23,0 20,0 21,5 19,0 21,5 22,5 25,0 21,5 24,5 22,5 23,5 2 20,5 19,0 19,0 19,0 21,5 24,0 20,0 20,5 23,0 24,0 22,5 20,0 3 20,0 21,5 19,5 21,0 22,5 19,5 21,0 21,5 22,5 23,5 20,5 20,5 4 21,0 21,0 20,0 20,0 22,5 22,0 22,5 21,5 23,5 22,0 22,0 22,5 5 22,5 21,5 22,5 22,0 18,5 22,0 22,0 22,5 21,0 22,0 19,5 23,0 ING. JORGE ACUA A., PhD., PROFESOR
12
R = ximx - ximn R = 25,0 18,5 = 6,5 k = 1 + 3,3 log n k = 1 + 3,3 log 60 k 7 R 6,5 i = = = 0,923 = 1,0 k 7 Rp = ir * k = 7 * 1,0 = 7,0
13
d md = d/2 = = 0,25 2 Li1 = ximn - md = 18,5 - 0,25 = 18,25 Ls1 = Li1 + i = 18,25 + 1,0 = 19,25 Li2 = Ls1 = 19,25 Ls2 = Li2 + i = 19,25 + 1,0 = 20,25
14
HOJA DE DATOS - DISTRIBUCION DE FRECUENCIAS Artculo: Pasta de tomate Cdigo: XY-987 Caracterstica: Peso Especificacin: 20,0 2,5 decigramos Operacin: Llenado Mquina: Llenadora n=60 Operario: M. Matamoros Inspector: M. Coto Turno: 1 Fecha:02-12-84 Hora de inicio: 8 am Hoja: 1 de 1 Li Ls CONTEO nk xk Nk fk Fk 18,25 19,25 ||||| 5 18,75 5 8,33 8,33 19,25 20,25 ||||||||| 9 19,75 14 15,00 23,33 20,25 21,25 |||||||| | 9 20,75 23 15,00 38,33 21,25 22,25 |||||||||||||||| 16 21,75 39 26,67 65,00 22,25 23,25 |||||||||||||| 14 22,75 53 23,33 88,33 23,25 24,25 ||||| 5 23,75 58 8,33 96,67 24,25 25,25 || 2 24,75 60 3,33 100
15
PROMEDIO
nk * d n *i
k 1
DESVIACION ESTANDAR
nk * d 2 n
K k 1
nk * d n
i*
k 1
COEFICIENTE DE VARIACION:
CV=s/x
16
Calcular la media aritmtica y la desviacin estndar _ A= 21,75 para d = 0 x = 21,75 + (-12/60) 12 1,0 = 21,55 decigramos * 2 142
s 1,0 * 60 60 1,525 decigramos
xk nk d nk*d nk*d2 18,75 5 3 15 45 19,75 9 2 18 36 20,75 9 1 9 9 21,75 16 0 0 0 22,75 14 1 14 14 23,75 5 2 10 20 24,75 2 3 6 18 TOTAL nk*d= 12 nk*d2= 142
17
Esta distribucin conocida por su forma de campana (campana de Gauss) es una de las ms importantes en teora estadstica. Esta distribucin tiene propiedades importantes, tales como: Est definida de - a + . Es simtrica lo que implica que la probabilidad de ocurrencia de un valor x menor que la media es igual a la de un valor x mayor que la media. El rea bajo la curva es 1. La moda, media y mediana son iguales. Si se conoce la media ( ) y la varianza ( 2) se determina la curva
18
La distribucin muestral es normal aunque la poblacional no lo sea. Tiene promedio y desviacin estndar igual a /n Puede estandarizarse usando el estadstico Z = (x - )/ . Las funciones densidad y acumulada son para x + :
f ( x) F ( x)
a
1 2
b
1 2
f ( x) dx
19
Una fbrica especifica que el peso de los tarros de frutas que produce debe obedecer a un peso medio de 2,00 kg con una desviacin estndar de 0,05 kg. Cul es la probabilidad de que un determinado tarro pese entre 1,90 y 2,06 kg, sabiendo que esta variable se distribuye normalmente?
20
P 1.9
x 1.06
2.06 2 N 0.05
1.9 2 N 0.05
A = N(1,2) N(2,0) A = 0,8849 0,0228 A = 0,8621 La probabilidad de que un determinado tarro pese entre 1,90 y 2,06 kg es 0,8621.
A
1.9 2.06
21
"Si se toman m-muestras aleatorias de tamao n de una poblacin cuya distribucin puede o no ser normal y que tiene media y desviacin estndar , la distribucin de muestreo correspondiente a los promedios de las m muestras ser aproximadamente normal, con media igual a y desviacin muestral igual a / n."
x x
22
Un proceso de llenado de bolsas de cacao en polvo origina un peso medio de 50,10 g y una desviacin estndar de 5,25 g. Si se toma una muestra de 40 bolsas, cul es la probabilidad de que su media se encuentre entre 48,10 y 50,90 g?
23
A=P(48,10< x <50,9)= N((50,90-50,10)/0,83) - N((48,10-50,10)/0,83) A = N(0,96) - N(-2,41) A = 0,83147 - 0,00798 (Obtenidos de Tablas ) A = 0,8235
La probabilidad de que la media de peso de una muestra de 40 bolsas se encuentre entre 48,10 y 50,90 gramos es 0,8235.
24
En una industria se fabrican productos que deben tener un peso medio comprendido entre 10,049 y 10,095 g. Se toma una muestra de 15 unidades, originndose un promedio de 10,072 g y una desviacin estndar de 0,100 g. Cul es la probabilidad de cumplir con el peso fijado?
25
P(10,049 14))
10,095)=T((10,095-10,072)/(0,100/
-T((10,049-10,072)/(0,100/ 14)) = T (0,861) - T (-0,861) = 0,80 - 0,20 = 0,60 La probabilidad de cumplir con el peso medio fijado es 0,60. Los valores de T(0,861) y T(-0,861) sirven para calcular las probabilidades usando la Tablas.
26
Una mquina llenadora ha ejecutado su operacin con una varianza de 0,83 grms2. Si se toma una muestra de 15 unidades, cul es la probabilidad de tener una varianza: a. Superior a 1,31 grms2? b. Inferior a 0,56 grms2?
27
n * s2 15 (1,31) a. 2 = = = 23,7 2 0,83 n * s2 15 (0,56) b. 2 = = = 10,1 2 0,83 Los valores de la probabilidad se encuentran en Tablas. En conclusin, la probabilidad de obtener una varianza superior a 1,31 grms2 es 0,05 y la de obtener una varianza inferior a 0,56 grms2 es 0,25.
28
En un proceso de corte de varillas para un ensamble especial, existen dos mquinas cortadoras tecnolgicamente parecidas aunque diferentes en antigedad. Esta similitud hace pensar que las varianzas de corte generadas por ambas mquinas puedan ser comparadas. Si se toma una muestra de 16 elementos de cada mquina, calcular la probabilidad de que la razn de varianzas sea: a. Mayor a 1,97 b. Menor a 0,508
29
Utilizando Tablas: v1 = n1 - 1 = 16 - 1 = 15 v2 = n2 - 1 = 16 - 1 = 15 Fv1,v2, 1= F15,15, 1 =1,97 para
1=0,10
Fv1,v2, 2= F15,15, 2 =0,508 para 2=0,10 pues F15,15, 2 = 1 / F15,15, 1 Como respuesta al problema se tiene que la probabilidad de que la razn de varianzas sea superior a 1,97 es 0,10 y de que sea inferior a 0,508 es tambin 0,10.
30
Una distribucin de variable discreta si se ajusta a experimentos que cumplen con cinco propiedades: Hay n pruebas Existe una probabilidad de xito p y una de fracaso q=1-p Las pruebas son independientes Interesan x casos del total de casos Las funciones densidad y acumulada as como el valor esperado ( ) y la varianza ( 2) son las siguientes: f(x) = n px * q n-x para x 0 x (n-x)
F(x) =
X=0
f(x)
= np
2=
npq
31
Un cliente establece que para aceptar un lote de producto que le enva el fabricante, ste debe cumplir con el contrato firmado. Este contrato establece que el lote se acepta si una muestra de 20 unidades extrada de l, contiene dos o menos defectuosos. Si el fabricante enva un lote 10% defectuoso, cul es la probabilidad de que sea rechazado?
32
Primero que todo se debe analizar si se cumple con las cuatro condiciones fijadas para la distribucin binomial. 1. n = 20 3. Hay independencia 2. p = 0,10 4. x 2 Por leyes de probabilidad se tiene que la probabilidad de rechazo es igual al complemento de la probabilidad de aceptacin.
Sea: P(X > 2) = 1 P (X 2) 2 i=0
P(X 2) = B(2,20,0,10) =
b(xi,n,p)
33
P(X 2) = B(2,20,0,10) =
i=0 P(X 2) = b(0,20,0,10) + b(1,20,0,10) + b(2,20,0,10)

20! 20! 20! P(X 2) = 0,100 * 0,9020 + 0,101 * 0,9019 + 0,102*0,9018 20! * 0! 19! * 1! 18! * 2!
b(xi,n,p)
P(X 2) = 0,1216+0,27+0,2853 = 0,6769
Probabilidad de rechazo = P(X>2) = 1 - P(X 2) = 1-0,6769 = 0,3231
Si se utiliza la Tabla se tiene que: P(X 2) = B (2,20,0,10) = 0,6769 P(X>2) = 1 - P(X 2) = 1 - 0,6769 = 0,3231
Por lo tanto la respuesta es que si se enva un lote 10% defectuoso la probabilidad de que sea rechazado es 0,3231.
34
Una compaa farmacutica afirma que existe una probabilidad de 0,005 de que un paciente que ingiere un nuevo medicamento, sufra una reaccin secundaria. Si 2000 pacientes compran este medicamento, cul es la probabilidad de que: a. ocho sufran efectos secundarios? b. mas de ocho sufran efectos secundarios?
35
p = 0,005 n = 2000 x= 8 = 2000 * 0,005 = 10 a. Utilizando la frmula se tiene: 108 p (8,10) = e-10 = 0,1126 8! Utilizando la Tabla p (8,10)= P (8,10) P (7,10) = 0,333 0,220 = 0,113 Por lo tanto, la probabilidad de que ocho de los 2000 pacientes sufran efectos secundarios al ingerir el medicamento es 0,113. b. P(x>8) = 1 - P( x 8 ) = 1 0,333 = 0,667 Por lo tanto, la probabilidad de que mas de ocho de los 2000 pacientes sufran efectos secundarios al ingerir el medicamento es 0,667.
36
Para , se calculan as: _ Lc = x Z /2 * si es conocida n _ s Lc = x t /2 * si es desconocida n-1 Para 2, se calculan as: ns2 ns2 LIc = LSc =
2 1- /2 2 /2
37
Se toman 30 varillas cortadas por una mquina cortadora. Si se tiene una longitud promedio de 5,35 cm, con una desviacin tpica de 0,85 cm. a. Cules son los lmites de confianza para , con 95% de confianza? b. Cules son los lmites de confianza para 2, con 95% de confianza? c. Si se conociera que 2 es igual a 1,58 cm2, cul es la respuesta a la pregunta a?
38
_ a. n = 30 x = 5,35 cm s = 0,85 cm (1- ) = 0,95 = 0,05 _ s _ s LIc = x t /2 LSc = x + t /2 n-1 n-1 0,85 0,85 LIc = 5,35 2,045 LSc = 5,35 + 2,045 29 29 = 5,02 cm = 5,67 cm t /2 = t 0,025 = 2,045 de Tablas Esto significa que se puede afirmar con 95% de confianza que el proceso de corte de varillas tiene un promedio de corte comprendido entre 5,02 cm y 5,67 cm.
39
b. s2 = 0,852 = 0,7225 cm2 LIc LSc
n s2 30 (0,7225) 21,675 = = = = 0,474 cm2 2 45,7 45,7 0,975 n s2 30(0,7225) 21,675 = = = = 1,35 cm2 2 16 16 0,025
Los valores de chi-cuadrado provienen de Tablas. Esto significa que se puede afirmar con 95% de confianza que el proceso de corte de varillas tiene una varianza de corte comprendida entre 0,474 cm2 y 1,35 cm2.
40
c. Si LIc =
= 1,58 cm2 entonces n
= 1,257 cm.
_ xZ
_ x+Z
/2
1,257 = 5,35 1,96 = 4,9 cm 30

1,257 = 5,35 + 1,96 = 5,8 cm 30
LSc=
/2
Los valores de Z se obtuvieron de tablas Esto significa que se puede afirmar con 95% de confianza que el proceso de corte de varillas tiene un promedio de corte comprendido entre 4,9 cm y 5,8 cm.
41
Comportamiento de un proceso con el fin de ejecutar acciones que prevengan problemas de calidad. Procedimiento mediante el cual, sujeto a un error tipo I denotado por , se contrasta una hiptesis planteada con el fin de probar su veracidad o su falsedad. Error tipo I ( ) es la probabilidad de rechazar la hiptesis nula siendo esta verdadera. Error tipo II () es la probabilidad de aceptar la hiptesis nula siendo esta falsa.
42
a. Plantear la hiptesis nula H0 y la hiptesis alternativa denotada por Ha. b. Prueba debe ser unilateral o bilateral. c. Fijar el nivel de significacin ( ) o error tipo I, (1%, 5% 10%) d. Definir el estadstico a usar de acuerdo con la distribucin de probabilidad que le corresponde a la variable en estudio y segn lo que se desee probar (una media, dos medias, una varianza, dos varianzas, una proporcin o dos proporciones).
43
e. Definir las reas donde se cumplir cada una de las hiptesis. f. Calcular el valor del estadstico seleccionado g. Comparar el estadstico obtenido con el estadstico terico. El resultado permitir conocer la decisin de aceptacin o rechazo h. Obtener las conclusiones del experimento efectuado. Un valor importante de calcular aqu es el error tipo II.
44
EJEMPLO 2.14 pag. 76

En un proceso de fabricacin de piezas de precisin se quiere que el valor nominal del dimetro de una pieza sea 20,0 mm. Se conoce que la desviacin estndar de esta caracterstica es 3,0 mm. Se toma una muestra de 25 piezas obtenindose un promedio de dimetro de 19,2 mm. Se ha cumplido con lo requerido? Use =5%.
45
SOLUCION
Se seguir el procedimiento planteado. a. Planteo de la hiptesis H0: = 20,0 Ha: 20,0 b. La hiptesis es bilateral puesto que no se cumple con lo requerido si el promedio de la muestra es mayor o menor que lo especificado. c. El nivel de significacin es dado, = 5%. d. El estadstico por usar es el siguiente: _ x Z = / n
46
SOLUCION
e. f. Las reas de cumplimiento de la hiptesis . Clculo del estadstico citado en d. _ x 19,2 20,0 Z = = = 1,33 / n 3,0/ 25 g. El valor de Z calculado (1,33) se encuentra en el rea de cumplimiento de la hiptesis nula. h. En conclusin, se puede afirmar, con =5%, que estadsticamente se cumple con el valor nominal requerido.
47

Si en el Ejemplo anterior no se conoce la desviacin estndar pero a partir de la muestra se calcula una desviacin tpica de 2,1 mm Qu conclusiones se obtienen? Use =5%.
48
SOLUCION
Se seguir el procedimiento planteado. a. Planteo de la hiptesis H0: = 20,0 Ha: 20,0 b. La hiptesis es bilateral puesto que no se cumple con lo requerido si el promedio de la muestra es mayor o menor que lo especificado. c. El nivel de significacin es dado, = 5%. d. El estadstico por usar es el siguiente: _ x t = s/ n-1
49
SOLUCION
e. Las reas de cumplimiento de la hiptesis. f. Clculo del estadstico citado en d. _ x 19,2 20,0 t = = = 1,87 s/ n-1 2,1/ 24 g. El valor de t calculado (1,87) se encuentra en el rea de cumplimiento de la hiptesis nula. h. En conclusin, se puede afirmar, con = 5%, que estadsticamente se cumple con el valor nominal requerido.
50
Un proveedor enva lotes de producto que segn sus registros son 5% defectuosos. Un cliente toma una muestra de 200 unidades y encuentra 16 unidades defectuosas. Es cierto lo que muestran los registros del proveedor, con =5%?
51
Se seguir el procedimiento planteado. a. Planteo de la hiptesis H0: p = 0,05 Ha: p > 0,05 b. La hiptesis es unilateral puesto que lo problemtico en cuanto a calidad es que el porcentaje de defectuosos supere lo especificado. c. El nivel de significacin es dado, = 5%. d. El estadstico por usar es el siguiente: x np Z = npq
52
e. Las reas de cumplimiento de la hiptesis. f. Clculo del estadstico x np 16 200(0,05) Z = = = 1,95 npq 200*0,05*0,95 g. El valor de Z calculado (1,95) se encuentra fuera del rea de cumplimiento de la hiptesis nula. h. En conclusin, no hay evidencia estadstica para aceptar la hiptesis nula con = 5%. Por lo tanto, estadsticamente no es cierto lo que anotan los registros del fabricante.
53
Para el mismo producto del Ejemplo 3, existe otro proveedor. Una muestra de 200 unidades extradas de un lote enviado por l, tena 12 unidades defectuosas. Se puede decir con 95% de confianza que el proveedor del Ejemplo 3 da peor calidad que el de este ejemplo.
54
SOLUCION
Se seguir el procedimiento planteado. a. Planteo de la hiptesis p1: fraccin defectuosa del proveedor A p2: fraccin defectuosa del proveedor B H0: p1 = p2 Ha: p1 > p2 b. La hiptesis es unilateral pues se quiere probar si la cantidad de defectuosos enviada por un proveedor es significativamente mayor que la del otro. c. El nivel de significacin es dado, = 5%.
55
SOLUCION
d. El estadstico por usar es:
x1 + x2 p = n1 + n2
e. f.
q = 1 p
Z
x1 n1 p' q'
x2 n2 1 n1 1 n2
16 12 200 200 0.07 * 0.93 1 200 1 200
Las reas de cumplimiento Clculo del estadstico
x1 + x2 16 + 12 p = = = 0,07 n1 + n2 200 + 200 q = 1 0,07 = 0,93

g. El valor de Z calculado (0,784) est en el rea de cumplimiento de la hiptesis nula. h. Se puede afirmar, con =5%, que no hay diferencia significativa entre las calidades suministradas por ambos proveedores.
0.784
56
En el corte de una varilla cromada se genera una varianza de la longitud de 2,5 mm2. Se toma una muestra de 30 varillas y se mide la varianza muestral de la longitud, la que resulta ser 2,0 mm2. Existe alguna diferencia significativa con el valor inicial de 2,5 mm2? Use =5%.
57
Se seguir el procedimiento planteado. a. Planteo de la hiptesis H0: 2 = 2,5 Ha: 2 2,5 b. La hiptesis es bilateral puesto que no se cumple con lo requerido si la varianza de la muestra es mayor o menor que la especificada. c. El nivel de significacin es dado, = 5%. d. El estadstico por usar es el siguiente:
s2 2= (n-1)
2
e. Las reas de cumplimiento de la hiptesis.
58
f. Clculo del estadstico citado en d. s2 2= (n-1) = 29 * (2/2,5) = 23,2

2
g. El valor de 2 calculado (23,2) se encuentra en el rea de cumplimiento de la hiptesis nula. h. En conclusin, se puede afirmar, con = 5%, que estadsticamente no existe diferencia con la varianza inicial.
59
En un proceso de corte de bolsas plsticas se usan dos mquinas. De la mquina A se toma una muestra de 30 unidades que genera una varianza en la longitud de corte de 3,3 mm2 y de la mquina B se toma una muestra de 25 unidades que genera una varianza en la longitud de corte de 4,1 mm2. Se puede afirmar, con = 5%, que una mquina es mejor en la ejecucin de esta operacin que la otra?
60
Se seguir el procedimiento planteado. a. Planteo de la hiptesis 2 la varianza producida por la mquina A Sea A 2 la varianza producida por la mquina B B H0: 2A = 2B 2 Ha: 2A B b. La hiptesis es bilateral puesto se desea probar la existencia de diferencias entre las varianzas de ambas mquinas. c. El nivel de significacin es dado, = 5%. d. El estadstico por usar es el siguiente: s12 F = s22
61
e. Las reas de cumplimiento de hiptesis. Los valores de F de 0.53 y 1.94 fueron extrados de tablas F con /2 = 0.025. f. Clculo del estadstico citado en d. s1 2 3,3 F = = = 0,805 s2 2 4,1 g. El valor de F calculado (0,805) se encuentra en el rea de cumplimiento de la hiptesis nula (ver Figura 2.18). h. En conclusin, se puede afirmar, con =5%, que no existe ninguna diferencia de variabilidad de la longitud de corte entre ambas mquinas.
62
Una inspeccin de calidad efectuada sobre dos marcas de bateras para linterna, revel que una muestra aleatoria de 61 unidades de la marca A gener un promedio de vida til de 36,5 horas con una desviacin estndar de 1,8 horas, mientras que otra muestra aleatoria de 31 unidades de la marca B gener un promedio de 36,8 horas con una desviacin estndar de 1,5 horas. Con un nivel de significacin del 5% se desea saber si hay diferencia significativa entre la vida til de ambas marcas.
63
Para probar si hay diferencia significativa entre los promedios se debe comprobar primero la diferencia entre las varianzas, para as seleccionar el estadstico adecuado. 1. Hiptesis de varianzas Siguiendo los pasos de una prueba de hiptesis se tiene: a. Planteo de la hiptesis H0: 2A = 2B 2 Ha: 2A B b. Como la hiptesis alternativa es de desigualdad, entonces es bilateral. Esto significa que puede darse una relacin mayor o menor.
64
c. El nivel de significancia es = 5%. d. El estadstico por usar es Fc = s12/ s22 (distribucin FFisher), pues lo que se desea es medir la relacin de varianzas. e. Las reas de la hiptesis que se va a probar. v1 = n11 = 611=60 v2=n2-1 = 311=30 De una Tabla F con /2= 2.5% se tiene: F 60,30,0.025 = 0,551 F 60,30,0.975 = 1,440 f. Fc= s12/ s22 = 1,82/1,52 = 1,44 g. Este valor calculado de Fc cae en el rea donde se cumple Ho, por lo tanto se acepta Ho.
65
h. Se concluye que ambas varianzas, al 5% de significancia, son iguales. Se procede entonces a hacer la hiptesis de promedios. Siguiendo los pasos de prueba de hiptesis se tiene: a. Planteo de la hiptesis Ho: 1 = 2 Ha : 1 2 b. La hiptesis es bilateral al igual que en la hiptesis anterior. c. El nivel de significacin es del 5%
66
d. Segn la hiptesis anterior las varianzas son desconocidas pero iguales, adems, los tamaos de muestra son mayores que 30. Por lo tanto el estadstico por usar es:
2 2 s1 y s2 e. Las reas de cumplimiento rechazo. v = n1 + n2 2 n1 n2
x1
x2
v = 61 + 31 2 v = 90
67
De tablas se obtienen los valores: t 90, 0,025 = 1,987 t90,0,975=1,987 f. El estadstico calculado es:
0,3 ) es de 0,845 2 1 22 = 0 pues 0,355 suponer que tratndose 1,8 1,5 de un mismo producto las medias poblacionales son iguales. 61 31 t En este caso (
g. No hay evidencia estadstica, con que ambas medias sean diferentes.
36 ,5 36 ,8 0
= 5%, para concluir
68
Permite probar el ajuste de los resultados de un experimento a una distribucin de probabilidad terica sujeto a un error . El mtodo en cuestin se basa en la comparacin de las frecuencias absolutas observadas y las frecuencias absolutas esperadas, calculadas a partir de la distribucin terica en anlisis. Se usa el estadstico chi-cuadrado para n>50, de lo contrario, se debe aplicar otras tcnicas tales como Kolgomorov o ShapiroWilks
69
Ho : f(x) = funcin densidad de la distribucin terica siendo probada Ha : f(x) a esa funcin Ejemplo: e x Ho: f(x) = p (x, ) = x! e x Ha: f(x) p (x, ) = x! Se usa el estadstico chi-cuadrado:
2 c
k=1
(nk ek)2 / ek
70
MUESTREO ESTADISTICO
Confianza en los resultados obtenidos a partir del anlisis de muestras. Aleatoriedad y representatividad. Una muestra es aleatoria cuando los elementos que la componen fueron extrados de una poblacin en la cual todos sus componentes tuvieron la misma probabilidad de pertenecer a esa muestra. Una muestra es representativa cuando sus elementos reflejan las caractersticas de la poblacin de la cual fueron extrados. Ambas propiedades estn ligadas al tamao de la muestra y al mtodo usado para su seleccin.
71
PROCEDIMIENTO
Identificacin de la caracterstica por estudiar y del marco de muestreo. Escogencia del tipo de muestreo Determinacin del tamao de la muestra, mediante la frmula que especifique el tipo de muestreo. Seleccin aleatoria de la muestra previa definicin del procedimiento adecuado. Escogencia del mtodo de estimacin del error estadstico. Clculo de inferencias, errores y grado de confianza de las conclusiones.
72
VENTAJAS
Ahorro de dinero al evitar la inspeccin 100%, la cual tiene costos ms altos. Ahorro de tiempo al disminuir la cantidad por inspeccionar en relacin con la inspeccin 100%. Atencin de casos individuales Recurso indispensable cuando la inspeccin es destructiva. Unico mtodo posible cuando la poblacin es infinita. Excelente opcin cuando los errores no muestrales, especialmente humanos, son grandes e imposibles de reducir. Error y sesgo
73
TIPOS DE MUESTREO
Muestreo aleatorio simple Muestreo sistemtico Muestreo estratificado Muestreo por conglomerados Muestreo de aceptacin.
74
MUESTREO ALEATORIO SIMPLE ESTIMACION DE PROMEDIOS

n Z 2/ 2 * N * 2 Z 2/ 2 * 2 N * E 2
x
n
x
/2
* E
2
N n * N 1 n
ESTIMACION DE PROPORCIONES
Z 2/ 2 * N * p * q Z 2/ 2 * p * q N * E 2
x
Z /2 p*q E
x
N n p*q * N 1 n
p*q n
75

Considrese un lote de produccin de 1000 unidades, cuya varianza en el dimetro de una de sus partes es 250 mm. Se desea estimar el promedio del dimetro, a partir de una muestra, con una confianza del 95% y con error no mayor a 1 mm. Cul es ese tamao de muestra y su error estndar?
76
SOLUCION
N = 1000 E = 1 Z /2 = 1,96 (extrado de Tablas) 2 = 250
n Z 2/ 2 * N * 2 Z 2/ 2 * 2 N * E 2
x
1,962 *1000* 250 1,962 * 250 (1000*1)

0,52
480,2 ~ 481
1000 481 2502 * 1000 1 481
Para estimar el promedio de dimetro de esta pieza, se debe extraer una muestra de 481 unidades. El muestreo tiene un error estndar de 0,52.
77

Un fabricante afirma que el 2,5% de los productos que entrega el comprador son defectuosos. Si ste recibe los productos en lotes de 5000 unidades, cul debe ser el tamao de la muestra por usar para verificar lo expresado por el fabricante? Use 95% de confianza y un error no mximo del 1% en la estimacin.
78
SOLUCION
E= N=
n
0,01 p = 0,025 q = 0,975 5000 (1- ) =0,95 Z /2 = 1,96

1,962 * 5000* 0,025* 0,975 789 2 2 (1,96 * 0,025* 0,975) (5000* 0,01 )
5000 789 0,025 * 0,975 * 5000 1 789 0,005
Z 2/ 2 * N * p * q Z 2/ 2 * p * q N * E 2
x
N n p*q * N 1 n
Lo anterior significa que para estimar el porcentaje defectuoso de ese producto, se debe extraer una muestra de 789 unidades. Este muestreo tiene un error estndar de 0,005.
79
MUESTREO ESTRATIFICADO
Los elementos poblacionales se dividen primero en kgrupos y luego se aplica muestreo aleatorio simple Este proceso se llama estratificacin y a cada grupo se le llama estrato. Se estratifica porque los elementos poblacionales presentan heterogeneidad, por lo que la obtencin de conclusiones representativas se hace difcil. Las probabilidades de seleccin de los estratos pueden ser diferentes y no es necesario que todos los elementos tengan la misma oportunidad de seleccin, pero se debe conocer la probabilidad de cada uno. La estratificacin se ejecuta de tal manera que exista cierta homogeneidad entre los elementos de cada grupo y que queden en igual ING. JORGE ACUA A., cada estrato. 80 nmero en PhD.,
PROFESOR
MUESTREO ESTRATIFICADO
Afijacin proporcional: se basa en el tamao del estrato
ni n * Ni N
x
N n 1 k * * Ni * N *n N i1
Afijacin ptima
ni n* Ni
k i 1 i i
k 2
Ni
1 * n
Ni N
k i 1
Ni * N2
2 i
i 1
81

La produccin de una empresa se ha dividido en tres estratos, de acuerdo con la fraccin defectuosa que presenten. Por registros de los ltimos aos se conoce la siguiente informacin: Estrato No. % Defectuoso No. Lotes i (%) 1 5 ms 35 0,97 2 1,5 a 4,99 80 0,82 3 Menos de 1,5 15 0,30 TOTAL 130 1,25* * Para el total de la produccin. a. A. Si se desea tomar una muestra de 20 lotes, cuntos lotes de cada estrato se deben seleccionar? b. B. Compare los errores estndar correspondientes con el error estndar de muestreo aleatorio simple.
82
SOLUCION
Para efectos didcticos este problema se resolver por afijacin proporcional y por afijacin ptima. En situaciones prcticas se debe escoger el que mejor se adapte a las condiciones. Afijacin proporcional Estrato Tamao de la muestra 1 n1 = (20/130) * 35 = 5,38 5 2 n2 = (20/130) * 80 = 12,3 12 3 n3 = (20/130) * 15 = 2,3 3 Para completar los 20 lotes seleccionados, se deben tomar 5 lotes del estrato 1, 12 lotes del estrato 2 y 3 lotes del estrato 3.
83
SOLUCION
Afijacin ptima Los clculos iniciales para obtener el tamao de muestra por este mtodo. Estrato Ni i Ni* i i2 Ni* i2 1 35 0,97 33,95 0,94 32,93 2 80 0,82 65,60 0,67 53,79 3 15 0,30 4,50 0,09 1,35 TOTALES Ni* i=104,05 Ni* i2= 88,07
84
SOLUCION
Se calculan los tamaos de muestra de la siguiente manera: 33,95 n1 20 * 6,52 6 104,05 65,6 n2 20 * 12,61 13 104,05 4,5 n3 20 * 0,86 1 104,05 b. Comparacin de errores El error estndar para afijacin proporcional es:
x
N n 1 k * * Ni * N *n N i1
130 20 1 * * 35 * 0,97 2 80 * 0,822 15 * 0,302 130 * 20 130 0,169

85
SOLUCION
El error estndar para muestreo por afijacin ptima es:
k 2 x
1 * n
Ni N
k i 1
Ni * N2
2 i
i 1
1 * 20 0,164
104,05 130
88,07 1302
El error estndar si se usa muestreo aleatorio simple se calcula as:

x
130 20 1,252 * 130 1 20
0,26
Los errores del muestreo por afijacin proporcional (0,169) y ptima (0,164) son parecidos, mientras que el error del muestreo aleatorio simple (0,26)
86

2 Estadistica 111007023508 Phpapp01

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2 Estadistica 111007023508 Phpapp01

Transféré par

Droits d'auteur :

Formats disponibles

INGENIERIA INDUSTRIAL CONTROL DE CALIDAD I

DR. JORGE ACUA A.

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

Utilizando Tablas: v1 = n1 - 1 = 16 - 1 = 15 v2 = n2 - 1 = 16 - 1 = 15 Fv1,v2, 1= F15,15, 1 =1,97 para

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

i=0 P(X 2) = b(0,20,0,10) + b(1,20,0,10) + b(2,20,0,10)

P(X 2) = 0,1216+0,27+0,2853 = 0,6769

Probabilidad de rechazo = P(X>2) = 1 - P(X 2) = 1-0,6769 = 0,3231

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

b. s2 = 0,852 = 0,7225 cm2 LIc LSc

ING. JORGE ACUA A., PhD., PROFESOR

= 1,58 cm2 entonces n

1,257 = 5,35 1,96 = 4,9 cm 30

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

EJEMPLO 2.14 pag. 76

EJEMPLO 2.15 pag. 77

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

16 12 200 200 0.07 * 0.93 1 200 1 200

Las reas de cumplimiento Clculo del estadstico

x1 + x2 16 + 12 p = = = 0,07 n1 + n2 200 + 200 q = 1 0,07 = 0,93

ING. JORGE ACUA A., PhD., PROFESOR

e. Las reas de cumplimiento de la hiptesis.

f. Clculo del estadstico citado en d. s2 2= (n-1) = 29 * (2/2,5) = 23,2

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

2 2 s1 y s2 e. Las reas de cumplimiento rechazo. v = n1 + n2 2 n1 n2

ING. JORGE ACUA A., PhD., PROFESOR

= 5%, para concluir

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

ING. JORGE ACUA A., PhD., PROFESOR

MUESTREO ALEATORIO SIMPLE ESTIMACION DE PROMEDIOS

EJEMPLO 2.28 pag. 113

ING. JORGE ACUA A., PhD., PROFESOR

1,962 *1000* 250 1,962 * 250 (1000*1)

1000 481 2502 * 1000 1 481

EJEMPLO 2.29 pag. 113

ING. JORGE ACUA A., PhD., PROFESOR

1,962 1000 250 1,962 * 250 (1000*1)