Control de Calidad 3

CAPITULO 3
INTRODUCCION A LA PROBABILIDAD

1.- Seale que es una variable aleatoria y d un par de ejemplos de variables aleatorias discretas y
otro par de continuas.

Una variable aleatoria asocia un nmero a cada resultado de un experimento aleatorio.

Experimento aleatorio.- es aquel que puede proporcionar diferentes resultados an cuando se repita
siempre de la misma manera.

Variable aleatoria Discreta.- es una variable con un rango finito(o infinito numerable) Ejemplo:
1.-El nmero de tornillos defectuosos en una muestra aleatoria de tamao 15
2.- El nmero de errores de un Operador Industrial.

Variable aleatoria Continua.- Si rango de una variable aleatoria X contiene un intervalo ( finito o infinito)
de nmeros reales ,entonces X es una variable aleatoria Continua .Ejemplos:

Pesos, volmenes, longitudes, Voltaje,Resistencia,etc

2. Qu es una distribucin de probabilidad?

Es la descripcin del conjunto de valores que puede tomar la variable aleatoria X junto a la probabilidad
asociada a cada uno de estos valores.

3.- Qu es una funcin de densidad de probabilidades y qu requisitos debe cumplir?

La densidad de probabilidades se usa en el caso de una variable continua .Sus requisitos son:

Si f(x) es una funcin de densidad de probabilidades de la variable aleatoria continua X, entonces para
cualquier intervalo de nmeros reales [x1, x2], se cumple.
1.- f(x) 0

+
2. f(x) dx =1 (rea bajo la curva es 1)

2
3.- P(x1 X x2) = 1 (u) du (la probabilidad es igual al rea bajo la curva entre x1 y x2)

4. Explique en cada caso qu tipo de variables siguen distribucin binomial, de Poisson e

hipergeomtrica. Mencione ejemplos de cada una

Una distribucin binomial proporciona la probabilidad de observar x xitos en una secuencia de n

experimentos Bernoulli independientes con una probabilidad constante de xito, p.
Con x = 0,1,2,,n.

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

Esto quiere decir que se utiliza cuando las variables son del tipo pasa o no pasa y cumple con
1. Los ensayos son independientes
2. La probabilidad de xito en cada ensayo, denotada por p, permanece constante
Algunos ejemplos :
Un proceso se produce 5% de piezas defectuosas. Sea X el numero de piezas defectuosas en las
siguientes 20 piezas producidas.
En una zona martima se ha determinado que el porcentaje de incidencia de bitrio cholerae es del
20%, se aX las muestras positivas en los siguientes 15 muestreos
Una distribucin de Poisson proporciona el nmero de eventos que ocurren por unidad (por unidad de
rea, por unidad de volmen, por unidad de tiempo, etctera). Algunos ejemplos
La llegada de un cliente al negocio durante una hora
Las llamadas telefnicas que se reciben en un dia
Los defectos de manufactura de papel por cada metro producido
Los envases llenados fuera de los limites por cada 100 galones de producto terminado
Una distribucin de hipergeomtrica proporciona la probabilidad de obtener X xitos en n experimentos
Bernoulli donde no se mantiene la probabilidad de xito constante. Ejemplo
Si en una urna con 5 bolas blancas y 3 negras en el primer ensayo se saco una bola blanca, en el
segundo ensayo hay una bola blanca menos por lo que estas probabilidades son diferentes(hay
dependencia de ensayos)

5.- Cul es la relacin entre la distribucin normal y la distribucin ji-cuadrada?

La distribucin ji-cuadrada para hacer inferencias sobre la desviacin estndar de una distribucin
normal si se tiene una muestra de tamao n, entonces el estadstico:

(n 1)S 2
X
2

6. Cmo se relaciona la distribucin T de Student y la Ji-cuadrada?

Estas distribuciones se relacionan porque ambas utilizan nmeros de muestra pequeos (menores
iguales a 30) y las dos utilizan las variables aleatorias continuas.

7. El departamento de compras inspecciona un pedido de 500 piezas elctricas para ello toma una
muestra aleatoria de 20 de ellas y se prueban. El vendedor asegura que el porcentaje de piezas
defectuosas es solo de 5%, as, suponiendo el peor de los casos segn el vendedor, p = 0.05, responda:

a) Cul e la probabilidad de que el porcentaje de defectuosos muestral sea mayor a 10%?

el 10% de 20 muestras es 2 asi que la probabilidad de que sea mayor que 2 es

P(X2)=1-P(X2)
P(X2)= P(X=0)+P(X=1)+P(X=2)

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

DATOS
P=0,05
n=20
X=2

20 !
P( X 2) (0.05) 2 (1 0.05) 20 2 0,92451633
2!(20 2)!

La probabilidad de obtener 2 o menos piezas defectuosas es de 92,45% por lo tanto la probabilidad de

obtener ms de 2 piezas defectuosas es = 100 - 92,45 = 7.55%

b) Cul e la probabilidad de obtener una o menos piezas defectuosas?

20!
P( X 1) (0.05)1 (1 0.05) 201 0,73583952
1!(20 1)!

De acuerdo a lo calculado la probabilidad de obtener 1 o menos piezas defectuosas es de 73,58%

8. Un proceso de produccin de partes trabaja con un porcentaje promedio de defectos de 5%. Cada
hora se toma una muestra aleatoria de 18 artculos y se prueban. Si la muestra contiene ms de un
defecto el proceso deber detenerse.
a) Calcule la probabilidad de que el proceso se detenga debido al esquema de muestreo.

Se utiliza la distribucin binomial para calcular la probabilidad:

p 5% 0.05
n 18
x 1 artculo defectuoso
n 18
f(x, n, p) p x 1 - p 0.05 1 1 - 0.05 0.7735 77.35%
n- x 18 -1

x 1
Probabilidad que exista menor o igual a 1 defecto = 77,35%
Probabilidad que exista mayor a 1 defecto = 100 - 77,35 = 22,65%

La probabilidad de que se presente 1 artculo defectuoso es de 77.35%, por lo tanto, la probabilidad de

que aparezca ms de 1 artculo defectuoso, y que se detenga el proceso, es de 22.65%.

b) Con lo contestado en a el esquema de muestreo es adecuado o generar demasiadas

interrupciones?

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

Basndose en los resultados anteriores, se estima que de cada 100 artculos que se tomen, 23 sern
defectuosos, lo cual generar demasiadas interrupciones.

9. Un fabricante de calculadoras electrnicas desea estimar la proporcin de unidades defectuosas

producidas, para ello toma una muestra aleatoria de 250 y encuentra 25 defectuosas. Con base en esto
el fabricante afirma que el porcentaje de calculadoras defectuosas que se produce es de 10%, es
verdad esta afirmacin? Argumente.

Datos:
n = 250 u. (tamao de muestra)
x = 25 u. (numero de xitos del que se quiere obtener la probabilidad)
p = 0.10 (proporcin de artculos defectuosos)

Distribucin Binomial
n!
P( X x) p x (1 p) n x
x!(n x)!
Reemplazando:

250!
P( X 25) (0.10) x (1 0.10) 25025 0.0838
25!(250 25)!
Conclusin:
Por tanto, se espera que un 8.38% de la muestra tendr 25 unidades defectuosas y no as, el 10%, como
lo afirma el fabricante.
10.-un fabricante de galletas desea que. Con probabilidad de 0.95, cada galleta contenga al menos una
pasa. Cuntas pasas en promedio por galleta deber agregar la masa como minimo? Cul es la
probabilidad de que una galleta contenga mas de seis pasas?

P(X1)=0,95=Xe-/x!

Despejando o haciendo una aproximacin con Excel

Se obtiene que =0,352 que es la cantidad de pasas promedio por galletas

La P(X6)=1-P(X6)
Con Excel nos da estos resultados
P(X6)=1-0,999=0,001

la probabilidad de tener mas de 6 pasas en una galleta es del 0,1%

11.-en un almacen se inspeccionan todos los lotes de cierta pieza que se recibe; para ello se emplean
muestras de tamao 100. Se sabe que el proceso genera 1% de piezas defectuosas y se tiene el criterio
de rechazar el lote cuando se encuentran mas de 3 piezas defectuosas en la muestra .cual es la
probabilidad de aceptar un lote? Cul es la probabilidad de que se tengan que inspeccionar 10 lotes
antes de rechazar el primero del dia?
DATOS
p=0,01
n=100

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

para aceptar un lote se tiene que tener menos de 3 piezas defectuosas, entonces la probabilidad es

P(X3)= usamos la distribucin binomial

P(X3)=0,9816=98,16% entonces tenemos esta probabilidad de aceptar un lote

La probabilidad de rechazar 1 lote es =1-0,9816=0,0184

12.-una caja contiene cuatro artculos defectuosos y 8 en buen estado. Se sacan dos artculos al azar
a) Cul es la probabilidad de que al menos uno sea bueno
b) Cul es la probabilidad de que los dos sean del mismo tipo(buenos o malos)?
c) Cul es el valor esperado de los artculos buenos

a)P(X=1)= usando la distribucin hipergeometrica

x=1
n=2
K=4
N=12

P(X=1)= 0,90909091= 90,9%

13.-un gerente de produccin de cierta compaa esta interesado en probar los productos terminados
que estn disponibles en lote de tamao 50. Le gustara retrabajar el lote si puede estar seguro de que
10% de los artculos estn defectuosos en la muestra . entonces, decide tomar una muestra de tamao
10 sin reemplazo y retrabaja el lote si encuentra uno o mas defectuosos en la muestra es este un
procedimiento razonable? Argumente su respuesta.
DATOS
N=50
n=10 es el numero de muestra
K=1 que es el 10% de la muestra de defectuosos
P(X1)= 1-P(X=0)
P(X=0)= 0,8 = 80%
P(X1)=1-0,8=0,2

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

Con estos datos nos da un 20% de posibilidades de que se tenga que retrabajar el lote, por esta razn
este procedimiento no es razonable ya que es una probabilidad muy alta que se tiene para retrabajar el
lote.

14.-una maquina llena cajas de cereal y lo hace siguiendo una distribucin normal con varianza igual a
0,01 onzasQu nivel de contenido deber fijarse en la maquina si se desea solo 1% de las cajas
contengan menos de 20 onzas?
DATOS
=0,01onzas P(X<20)=0,01=P(Z<X-/)
p=1%
X<20 onzas reemplazando los datos

P(X<20)= P(Z<20-/0,01)=0,01
Buscando en la tabla de distribucin normal
Con p=0,01 me da z=2,31
Reemplazando en la formula
2,3<20-/0,01 =19,977
Entonces el nivel de contenido debe ser de =19,977

15.-en una compaa area 40% de las reservaciones que se hacen con ms de un mes de anticipacin
son canceladas o modificadas. En una muestra de 20 reservaciones cul es la probabilidad de que
10,11 o 12 reservaciones no hayan cambiado?
a) Conteste usando la distribucin binomial
b) Resuelva con base en la distribucin normal con la media y varianza de la binomial,
considerando el rango de 9,5 a 12,5

DATOS
P=40%
n=20
a) X=10 X=11 X=12
P(X=10)+P(X=11)+P(X=12)=0,1174+0,07+0,035=0,224
La probabilidad es del 22,4%

b)=np =npq

=20*0,4=8 =20*0,4*0,6=2,19
P(9,5X12,5)

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

17. Una mquina realiza cortes de manera automtica de ciertas tiras metlicas con media = 40.1 cm
y una desviacin estndar 0.2 cm. La medida ptima de tales tiras debe ser de 40cm con una tolerancia
de 0,5 cm. Suponiendo distribucin normal, estime el porcentaje de tiras que cumple con las
especificaciones.

Datos:
= 40.1 cm.
= 0.2 cm.

Distribucin Normal
X x
P ( X x ) p P( Z z )

Entonces:

P(39.5 X 40.5) P( X 40.5) P( X 39.5)

Estandarizando:

40.5 40.1
P( X 40.5) P Z P( Z 2) 0.977
0.2
39.5 40.1
P( X 39.5) P Z P( Z 3) 1 P( Z 3) 0.001
0.2
Entonces:

P(39.5 X 40.5) 0.977 0.001 0.976

Conclusin:
La probabilidad de que los cortes de las tiras est dentro de las especificaciones es:
(0.977 0.001) = 0.976
Por tanto, el 97.6% de los cortes de las tiras metlicas se espera que este dentro de las especificaciones.

18. Verifique si los siguientes datos se ajustan bien a una distribucin normal.

2.51 2.29 2.31 2.19 2.09 2.48 2.65 2.50 2.48 2.27 2.26 2.86
3.73 2.98 1.08 2.25 2.10 3.30 3.15 2.27 2.23 2.61 2.11 5.7
2.31 2.00 2.35 1.76 2.91 1.84 2.09 2.78 2.32 2.59 1.87 2.59
2.07 3.10 2.32 2.59 2.42 2.04 2.13 1.98 2.02 2.18 2.26 2.10
2.69 2.60

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

Estadsticos
Media 2.4462
Error tp. de la
0.09034
media
Mediana 2.3100
Moda 2.59
Desv. tp. 0.63883
Varianza 0.40810
Asimetra 2,789
Error tp. de
0,337
asimetra
Curtosis 13,450
Error tp. de curtosis 0,662
Rango 4.62
Mnimo 1.08
Mximo 5.70

Datos
30

20
Frecuencia

10

0
1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00 5,50

Segn los datos, su anlisis y el comportamiento que estos tienen se puede decir que tiene una
distribucin normal.

De otra manera: Elementos para la obtencin de una grafica de probabilidad Normal:

Numero Datos Ordenados Frecuencia Acumulada (j- Puntajes normales

(j) X(j) 0.5)/n estandarizados Z(j)

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

1 1.08 0.01 -2.33

2 1.76 0.03 -1.88
3 1.84 0.05 -1.64
4 1.87 0.07 -1.48
5 1.98 0.09 -1.34
6 2 0.11 -1.23
7 2.02 0.13 -1.13
8 2.04 0.15 -1.04
9 2.07 0.17 -0.95
10 2.09 0.19 -0.88
11 2.09 0.21 -0.81
12 2.1 0.23 -0.74
13 2.1 0.25 -0.67
14 2.11 0.27 -0.61
15 2.13 0.29 -0.55
16 2.18 0.31 -0.50
17 2.19 0.33 -0.44
18 2.23 0.35 -0.39
19 2.25 0.37 -0.33
20 2.26 0.39 -0.28
21 2.26 0.41 -0.23
22 2.27 0.43 -0.18
23 2.27 0.45 -0.13
24 2.29 0.47 -0.08
25 2.31 0.49 -0.03
26 2.31 0.51 0.03
27 2.32 0.53 0.08
28 2.32 0.55 0.13
29 2.35 0.57 0.18
30 2.42 0.59 0.23
31 2.48 0.61 0.28
32 2.48 0.63 0.33
33 2.5 0.65 0.39
34 2.51 0.67 0.44
35 2.59 0.69 0.50
36 2.59 0.71 0.55
37 2.59 0.73 0.61
38 2.6 0.75 0.67
39 2.61 0.77 0.74
40 2.65 0.79 0.81
41 2.69 0.81 0.88
42 2.78 0.83 0.95
43 2.86 0.85 1.04
44 2.91 0.87 1.13
45 2.98 0.89 1.23
46 3.1 0.91 1.34
47 3.15 0.93 1.48
48 3.3 0.95 1.64
49 3.73 0.97 1.88
50 5.7 0.99 2.33

Graficando:

CARLOS MAURICIO NINA VILLARROEL

 Control de Calidad 3

GRAFICA DE PROBABILIDAD NORMAL

5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
Z(j)

1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
-3.0
1 1.25 1.5 1.75 2 2.25 2.5 2.75 3 3.25 3.5 3.75 4 4.25 4.5 4.75 5 5.25 5.5 5.75
X(j)

Conclusin:
Como se puede apreciar, los puntos no siguen una lnea recta, por lo que la grafica de probabilidad en estos casos
estara detectando que los datos no siguen una distribucin normal.

CARLOS MAURICIO NINA VILLARROEL