ESTADISTICA APLICADA AL

CONTROL DE CALIDAD
CAPITULO 2
CONCEPTOS Y DEFINICIONES
PROBABILIDAD
La probabilidad es la parte de un
experimento aleatorio asociada a un
suceso o evento futuro y suele
expresarse como un numeroentre 0 y
1 (o entre 0% y 100%)
ESPACIO
MUESTRAL
Es el conjunto de resultados posibles
de un experimento aleatorio
EXPERIMENTO
ALEATORIO
Un experimento aleatorio es aquel
cuyo resultado no puede anticiparse
aun cuando se busque repetirlo de la
misma manera y bajo las mismas
condiciones
EVENTO
Es un subconjunto del espacio
muestral de un experimento
aleatorio
CONCEPTOS Y DEFINICIONES

EXPERIMENTO MUESTRAL
22 20 23
22 22 20
20 21
24
23 21 23
21 25 20
22
21 20 20 21 22
21 24 21 22
22 21 22
23 20
21 21 21
20 23 22 22
21 20 19 21
22 22 21

ESPACIO MUESTRAL

EVENTO
LA TEORIA DE LA PROBABILIDAD

La teora de la probabilidad se ocupa de

asignar un cierto nmero a cada posible evento
que pueda ocurrir en un experimento
aleatorio, con el fin de cuantificar dichos
resultados y saber si un suceso es ms
probable que otro.
AXIOMAS DE LA PROBABILIDAD

AXIOMA 1 La probabilidad de que ocurra un evento

A cualquiera se encuentra entre cero y
uno

0 p(A) 1

Ejemplo: La probabilidad de sacar 2 en un dado

equilibrado es p(A)=1/6
AXIOMAS DE LA PROBABILIDAD

AXIOMA 2 La probabilidaddel evento seguro S es

igual a 1

p(S) = 1

Ejemplo: La probabilidad de sacar un nmero del 1 al 6 en

un dado equilibrado es "1".
AXIOMAS DE LA PROBABILIDAD

AXIOMA 3 Si A y B son eventos mutuamente

excluyentes, entonces

p(AB) = p(A) + p(B)

Ejemplo: La probabilidad de sacar en un dado "as" (A)bo

sacar "nmero par (B) es la suma de las probabilidades
individuales de dichos sucesos. p(A) = 1/6 , p(B) = 3/6 ;
p(AB) = 1/6 +3/6; p(AB) = 4/6 = 2/3
TEOREMAS DE LA PROBABILIDAD

TEOREMA 1 Si C es un evento imposible, entonces

p(C) = 0

Ejemplo: La probabilidad de sacar 7 (C) en un dado

equilibrado es p(C) = 0
TEOREMAS DE LA PROBABILIDAD

TEOREMA 2 La probabilidad de un evento

complementario a A ser entonces

p(Ac) = 1 p(A)

Ejemplo: La probabilidad de sacar un numero par (Ac) en un

dado equilibrado es p(Ac) = 1 p(A), donde p(A) es la
probabilidad de sacar un numero impar,
entonces p(Ac) = 1 3/6 = 3/6
TEOREMAS DE LA PROBABILIDAD

TEOREMA 3 Si A y B son eventos tales que A se

encuentra dentro la muestra B (A B),

U
entonces

p(A) p(B)

Ejemplo: La probabilidad de sacar un tres (A) en un dado

equilibrado es menor a la probabilidad de sacar un numero
impar (B), p(A) = 1/6 ; p(B) = 3/6
DISTRIBUCIONES DE PROBABILIDAD

Si la variable es una variable discreta (valores

enteros), corresponder una distribucin
VARIABLES discreta, de las cuales existen:
DISCRETAS
Distribucion BINOMIAL
Distribucion POISSON

Si la variable es continua, esto significa que

puede tomar cualquier valor dentro de un
VARIABLES intervalo
CONTINUAS
Distribucion NORMAL
DISTRIBUCIONES ALEATORIAS
DISCRETAS
DISTRIBUCION BINOMIAL

Es frecuente que en control de calidad se den variables del tipo

pasa, no pasa. Por ejemplo, un artculo cumple con
especificaciones o no, una pieza resiste cierta fuerza o no, una
lmpara enciende o no.

Un experimento aleatorio donde los posibles resultados de cada

ensayo son: xito o fracaso se conoce como experimento
Bernoulli

La distrubucion Binomial indica la probabilidad de

obtener exactamente x exitos y n-x fracasos
DISTRIBUCION BINOMIAL (formulacin)

La variable aleatoria x es igual al nmero de exitos

resultantes de un nmero de ensayos o muestra.

La funcin de probabilidades de x es:

!
= (1 )
! !

Donde:

n = muestra
p = la proporcion promedio de articulos defectuosos
DISTRIBUCION BINOMIAL (Ejemplo 1.a)

En un proceso de fabricacin donde se produce una gran

cantidad de artculos, se sabe que en promedio 2% de ellos
estn defectuosos. Los artculos son empacados en cajas de
10, y se quiere saber cul es la probabilidad de que no haya
ningn artculo defectuoso en cada caja.

Primer paso: Identificacin de variables

n = 10
p = 2% = 0.02
x=0
p(x) = ?
DISTRIBUCION BINOMIAL (Ejemplo1.a)

Segundo paso
!
p = (1 )
! !

10!
p =0 = 0.020 (1 0.02)100
0! 100 !

p = 0 = 0.817

Tercer paso : Respuesta

Se espera que 81.7% de las cajas no tenga

ningn artculo defectuoso
DISTRIBUCION BINOMIAL (Ejemplo 1.b)

Se requiere saber la probabilidad de que hayan como mximo

3 articulos defectuosos en una caja.

Primer paso: Identificacin de variables

n = 10
p = 2% = 0.02
p(x 3) =?
DISTRIBUCION BINOMIAL (Ejemplo1.b)

!
Segundo paso p = (1 )
! !

10!
p =1 = 0.021 (1 0.02)101 = 0.1667
1! 101 !

10!
p =2 = 0.022 (1 0.02)102 = 0.01533
2! 102 !

10!
p =3 = 0.023 (1 0.02)103 = 0.0008
3! 103 !

p 3 =p =1 +p =2 +p =3

p 3 = 0.1667 + 0.0153+ 0.0008

p 3 = 0.1828
DISTRIBUCION BINOMIAL (Ejemplo1.b)

Tercer paso : Respuesta

Se espera que 18.28% de las cajas tenga por lo

menos tres defectos
DISTRIBUCION POISSON

Una situacin frecuente en control de calidad es

evaluar variables como las siguientes: nmero de
defectos por artculo, nmero de defectos por metros
de cable, nmero de defectos por metro cuadrado de
tela, nmero de impurezas en un lquido, nmero de
fallas mensuales de una mquina, etc. Todos los casos
anteriores se resumen as: nmero de eventos que
ocurren por unidad (que puede ser unidad lineal, de
rea, de volumen, de tiempo o de nmero de artculos)

La distrubucion poisson indica la probabilidad de

obtener exactamente x exitos en un determinado
tiempo/espacio
DISTRIBUCION POISSON (formulacin)

La variable aleatoria x es igual al nmero de exitos en un

determinado tiempo/espacio.

La funcin de probabilidades de x es:

=
!
Donde:
e = numero constante 2.718
= numero promedio de eventos en una unidad de
medida
x = numero de eventos en una unidad de medida
DISTRIBUCION POISSON (Ejemplo 2.a)

Se sabe que un lquido particular contiene ciertas bacterias a

razon de 4 bacterias por cm3. Se quiere saber cual es la
probabilidad de que en un cm3 no exista bacteria alguna.

Primer paso: Identificacin de variables

x = numero de bacterias en un cm3

x=0
p(x=0) = ?
a = 4
DISTRIBUCION POISSON (Ejemplo2.a)

Segundo paso

p =
!
2.7184 4 0
p =0 =
0!

p = 0 = 0.0183

Tercer paso : Respuesta

La probabilidad que en una muestra de un cm3 no

exista bacteria alguna es de 1.83%
DISTRIBUCION POISSON (Ejemplo 2.b)

Se requiere saber la probabilidad de que en 2 cm3 haya por lo

menos una bacteria

Primer paso: Identificacin de variables

x = numero de bacterias en 2 cm3

x1
p(x 1) = ?
b = 8
DISTRIBUCION POISSON (Ejemplo2.b)

Segundo paso

p 1 = p = 1 + p = 2 + .+ p =
p 1 =1p =0

p =
!
2.7188 80
p =0 = = 0.000336
0!

p 1 = 1 0.000336
p 1 = 0.9997
DISTRIBUCION POISSON (Ejemplo2.b)

Tercer paso : Respuesta

La probabilidad de encontrar por lo menos un

defecto en la muestra de 2 cm3 es de 99.97%
DIFERENCIA ENTRE BINOMIAL Y POISSON

BINOMIAL POISSON

Se calcula la probabilidad de x Se calcula la probabilidad de x

productos con eventos exitosos eventos existosos en una unidad de
dentro una muestra n medida

EJM: Calcular la probabilidad de EJM: Calcular la probabilidad de

encontrar por lo menos 4 articulos encontrar por lo menos 4 defectos
defectuosos en una muestra de 20 en un producto
articulos
DIFERENCIA ENTRE BINOMIAL Y POISSON

BINOMIAL POISSON

La probabilidad se calcula a base La probabilidad puede ser calculada

de una muestra finita en una muestra infinita

n= muestra finita 0n
 DIFERENCIA ENTRE BINOMIAL Y POISSON

BINOMIAL POISSON

La probabilidad se calcula a de un La probabilidad se calcula a base de

numero promedio de productos un numero promedio de defectos
defectuosos en una unidad de medida

!
= (1 ) =
! ! !
DISTRIBUCION MULTINOMIAL

La distribucin multinomial es una generalizacin de la

distribucin binomial. En este caso, en un experimento
interesa estudiar no la ocurrencia de un nico suceso o
la de su contrario, sino la de varios sucesos (tres o ms)

La distrubucion multinomial indica la probabilidad de

obtener exactamente x1, x2, x3, . xi eventos o sucesos
en un experimento
DISTRIBUCION MULTINOMIAL (formulacin)

La funcin de probabilidades de x es:

! 1 2 3
1 , 2 , 3 , . . , =
1 !2 !3 ! . ! 1 2 3

Donde:
n = numero de muestra
xi = numero de veces que ocurre el evento i
pi = probabilidad de ocurrencia del evento i
DISTRIBUCION MULTINOMIAL (Ejemplo 3.a)

Se sabe que una caja de baterias de litio se encuentran un 87% sin

defectos, un 10% con desperfectos leves y un 3% con desperfectos crticos.
Se desea calcular la probabilidad que en un muestreo de 10 unidades se
rechace el lote por encontrar 1 bateria con defecto critico y otras 2 con
defectos leves

Primer paso: Identificacin de variables

x1 = numero de baterias sin defectos

x2 = numero de baterias con desperfectos leves
x3 = numero de baterias con desperfectos crticos
p(x1) = probabilidad presencia de baterias sin defectos = 0.87
p(x2) = probabilidad de presencia de baterias con desperfectos leves = 0.10
p(x3) = probabilidad de presencia de baterias con desperfectos crticos = 0.03
n = 10
p(x1=7, x2=2, x2=1) = ?
DISTRIBUCION MULTINOMIAL (Ejemplo 3.a)

Segundo paso
! 1 2 3
p 1 , 2 , 3 = 1 2 3
1 !2 !3 !

10!
p 7,2,1 = 0.877 0.12 0.031
7! 2! 1!

p 7,2,1 = 0.0407

Tercer paso : Respuesta

La probabilidad de que el lote se rechace es de

4.07%
DISTRIBUCIONES ALEATORIAS
CONTINUAS
DISTRIBUCION NORMAL

La distribucion de probabilidad continua NORMAL es la

mas imporante en campo de la estadstica, esto debido
a que en la prctica muchos fenmenos industriales,
cientificos o de la vida diaria pueden describirse por
esta distribucin.

La distrubucion normal indica la probabilidad de que

la variable X obtenga valores entre dos nmeros
cualquiera
DISTRIBUCION NORMAL (formulacin)

La funcin de probabilidades de x es:

P = ( )

Donde:
X = Variable aleatoria
Z = Variable estandarizada (se debe buscar su valor en
tablas de distribucion normal Z)
= media de la distribucion normal
= desviacion estandar de la distribucion normal
x = valor limite