CONTROL DE CALIDAD

Facultad de Ingeniería - IIMPI

1
INTRODUCCIÓN

Variable aleatoria (VA): variable que toma ciertos valores con

determinadas probabilidades.
Distribución de probabilidad: modelo matemático que relaciona
cada valor posible de una VA con su probabilidad de ocurrencia en
la población.

Tipos de variables aleatorias:

• Discretas: toman valores en un conjunto discreto (ejs..:
resultado al tirar un dado, presencia o no de cierto
defecto en un producto)
• Continuas: toman cualquier valor real en un intervalo de los
reales (ejs.: volumen, peso, concentración, dureza)

2
Función de distribución Acumulada:: función que a cada valor posible de
una VA le asigna la probabilidad de que la variable sea menor o igual
que ese valor.

FX (r) = P(X ≤ r)

siendo FX la función de distribución acumulada de la variable aleatoria “X”

Tipos de distribuciones de probabilidad:

• Discretas: distribuciones de VA`s discretas

• Continuas: distribuciones de VA`s continuas

3
 Función de probabilidad (VA`s discretas)
Es una función que a cada valor posible de una VA le asigna su
probabilidad.
px (r) ≡ P(X = r) Se cumple: px (r) ≥ 0 ∀ r
p X (r) = 1
r

Función de densidad de probabilidad (VA`s continuas)

Es una función que permite calcular la probabilidad de que una
VA continua se encuentre en un cierto intervalo.
b
P(a ≤ X ≤ b) = f X
( s ) ds
a
+∞
Se cumple: fx(s) ≥ 0 ∀ s , f X ( s )ds = 1
−∞
4
Valor esperado de una VA: valor promedio de la VA en un gran
número de experimentos.

E(X) = µ = s. p ( s ) si X es discreta
X
S
+∞

E(X) = µ = s. f X
( s ) ds si X es continua
−∞

Varianza de una VA: medida de la dispersión de la distribución de

probabilidad de la VA.

σ (s − µ ) . p
2 2
Var(X) = = (s) si X es discreta
X
S

+∞

σ (s − µ ) . f
2 2
Var(X) = = ( s ) ds si X es continua
X
−∞
5
 DISTRIBUCIONES DISCRETAS

• DISTRIBUCIÓN BINOMIAL
o Lote de tamaño “N”
o Se extrae una muestra de “n” unidades con reposición
o Cada unidad se clasifica como apta o defectuosa
D
o p= fracción de unidades defectuosas en el lote
N
X = “número de unidades defectuosas en la muestra”

X ∼ Bin(n,p)

Función de probabilidad:
n k n−k
p X
(k ) = P ( X = k ) = C k . p . (1 − p)
6
 µ = np
σ2 = np(1-p)

Ejemplo:

Un lote industrial es 3 % defectuoso. Calcular la probabilidad de

que al extraer una muestra al azar de 25 unidades se encuentre a lo
sumo 1 unidad defectuosa.

X = “número de defectuosos en la muestra” X ∼ Bin(25,0.03)

P(extraer a lo sumo 1 defectuoso) = P(X ≤ 1)

= P(X = 0) + P(X = 1)
= C 25
0
0
. 0 . 03 . 0 . 97
25
+ C 125 . 0 . 03 1 . 0 . 97 24

= 0.467 + 0.361 = 0.828

7
• DISTRIBUCIÓN HIPERGEOMÉTRICA

o Lote de tamaño “N”

o Se extrae una muestra de “n” unidades sin reposición
o Cada unidad se clasifica como apta o defectuosa
o D = cantidad de unidades defectuosas en el lote

X = “número de unidades defectuosas en la muestra”

X ∼ H (n,N,D)

Función de probabilidad:
D N − D
.C
p X
(k ) = P ( X = k ) = C k
N
n−k
C n

n .D 2 n. D D N −n
µ =
N
σ =
N
.(1 − ).(
N N −1
)
8
 Ejemplo:

Se tiene un lote industrial de 100 unidades, de las cuales 25 son

defectuosas. ¿Cuál es la probabilidad de extraer 4 unidades
defectuosas en una muestra de 10 si la extracción es sin reposición?

X = “número de defectuosos en la muestra” X ∼ H (10,100,25)

P(extraer 4 defectuosos) = P(X = 4) =

C 25
4 . C 75
6

= 0.147

C 100
10

n
OBS.: si ≤ 0.1 se aproxima al modelo con reposición
N (Binomial)
9
• DISTRIBUCIÓN DE POISSON

o Se tiene un proceso que genera cierto producto

o Cada unidad puede tener 1 o más defectos
λ = número promedio de defectos por unidad

X = “número de defectos en una unidad”

X ∼ P (λ)

Función de probabilidad:

p X (k ) = P ( X = k ) = λ k .e−λ
k!

µ = λ , σ2 = λ
10
 Ejemplo:

En el bobinado de alambre ocurren en promedio 7 no

conformidades cada 10.000 m. Calcular la probabilidad de tener a lo
sumo 2 no conformidades en una muestra aleatoria de 10.000 m.

X = “número de no conformidades por unidad” X ∼ P (7)

P(encontrar a lo sumo 2 no conformidades) = P(X ≤ 2) =

0 −7 1 −7 2 −7
7 .e + 7 .e + 7 .e
= P(X = 0) + P(X = 1) + P(X = 2) = 0! 1! 2!

= 0.0296
Obs.: si p ≤ 0.1 y np ≤ 10
la distribución Binomial se
aproxima a la Poisson de
parámetro np.
11
 DISTRIBUCIONES CONTINUAS

• DISTRIBUCIÓN NORMAL
Es la distribución continua más importante.
Sea X ∼ N(µ,σ2) , con µ ∈ ℜ , σ > 0
Densidad de probabilidad:
2
1 1 t− µ
f (t) = exp − t ∈ℜ
X
σ 2π 2 σ
o Distribución normal estándar: distribución normal con
µ=0 ,σ=1
X −µ
X ∼ N(µ,σ2) Z= ∼ N(0,1)
σ
La función de distribución de Z se denota por “Φ(.)”, y está
tabulada. 12
 X −µ a−µ a−µ a−µ
P( X ≤ a ) = P ≤ =P Z≤ =Φ
σ σ σ σ

o Propiedad: por ser la densidad simétrica se cumple

Φ(x) = 1 - Φ(- x)
• o Se denota por Zα a aquel valor para el cual Φ (Zα) = α

13
Ejemplo:
Luego de un gran número de determinaciones se ha comprobado
que la temperatura de desconexión de ciertos termostatos responde a
una distribución normal con µ = 80 ºC y σ = 2 ºC.
a) Calcular la proporción que corta entre 80 y 82 ºC.
b) Si la especificación es 81 ± 3 ºC, ¿cuál es la proporción de
termostatos defectuosos?
a) X = “temperatura de desconexión de un termostato”
82 − 80
Proporción que corta entre 80 y 82 ºC = Φ − 0 .5 = 0.3413
2
b) p = fracción defectuosa
84 − 80 78 − 80
p =1− Φ +Φ = 1 − Φ ( 2 ) + Φ ( − 1) =
2 2

= 2 − Φ ( 2 ) − Φ (1 ) = 2 − 0 . 97725 − 0 . 84134 = 0 . 1814

14
 • DISTRIBUCIÓN UNIFORME
Sea X ∼ U [a,b] , con a , b ∈ ℜ
1
Densidad de probabilidad: f (t ) = , t ∈ [a,b]
b−a
X

µ =
a+b , σ 2
=
(b − a )2
2 12

15
 Ejemplo:
Una máquina realiza el fraccionamiento de café en frascos de
1kg. La experiencia indica que el contenido de café en los frascos
llenados por esa máquina responde aproximadamente a una
distribución uniforme entre 800 y 1200 g. La especificación
establece que el contenido debe ser de al menos 900 g.
a) ¿Cuál es la fracción de frascos que no la cumplen?
b) Si se inspeccionan tres frascos, ¿cuál es la probabilidad de
que todos cumplan la especificación?
a) X = “contenido neto de un frasco” X ∼ U [800,1200]
1 1
∀ t ∈ [800,1200] f X (t ) = p= .100 = 0.25
400 400
b) P(X ≥ 900) = 1 – p = 0.75
P(3 cumplan la especificación) = (1 - p)3 = 0.753 = 0.422
16
 • DISTRIBUCIÓN EXPONENCIAL
Se emplea en el área de la confiabilidad, como un modelo para
estimar el tiempo hasta la falla de un componente o sistema.
Sea X ∼ Exp (λ) , con λ > 0
λ = tasa promedio de fallas = cte.
Densidad de probabilidad: f ( t ) = λ . exp( − λ t ) , t≥0
X

17
 1 2 1
µ=
λ
, σ =
λ2
Función de distribución:
a
F X (a ) = P ( X ≤ a ) = 0
λ . exp( − λ t ) dt = 1 − exp( − λ a )
, a≥0

Ejemplo:
En un ensayo de vida útil se prueban 500 componentes de un tipo
determinado. Se sabe que la vida útil de los mismos se distribuye
exponencialmente. Al cabo de 1000 hs. de uso han fallado 5
componentes.
a) ¿Cuántos componentes sobrevivirán 25000 horas?
b) ¿Cuántos componentes fallarán antes de su vida esperada?

18
a) X = “tiempo hasta la falla de un componente”
X ∼ Exp(λ)
5
λ = 500 = − 5 −1
1000
10 h
P ( X ≥ 25000 ) = 1 − P ( X ≤ 25000 ) =
= 1 − ( 1 − exp( − 10 − 5 . 25000 )) = 1 − ( 1 − exp( − 0 . 25 )) =
= exp( − 0 . 25 ) = 0 . 7788
N = 500 . P ( X ≥ 25000 ) = 389 . 4 ≅ 389
1
b) µ= = 10 5 h = tiempo medio hasta la falla
λ
P ( X ≤ µ ) = 1 − exp( − λ . µ ) = 1 − exp( − 1 ) = 0 . 6321
N = 500 . P ( X ≤ µ ) = 316 . 05 ≅ 316

19
 • χ2 )
DISTRIBUCIÓN CHI-CUADRADO (χ
La distribución χ2 resulta cuando “ν” variables independientes
idénticamente distribuidas N(0,1) son elevadas al cuadrado y
sumadas:
X1,..., Xυ iid N (0,1) Y = X12 + ... + Xν2 ∼χ2

Densidad de probabilidad:
1 ν / 2 − 1 − x 2 /2
f Y ( x) = ν / 2 x e
, x>0
2 Γ (ν / 2 )

siendo Γ(.) = función gamma , Γ ( a ) = 0+∞ t a − 1. e − t dt

ν = número de grados de libertad

µ=ν
σ2 = 2ν
20
La distribución se tabula para diferentes valores de ν.
21
 • DISTRIBUCIÓN “ t ” DE STUDENT
La distribución “t” surge de la siguiente operación:
X ∼ χ 2 con " k " grados de libertad , Y ∼ N ( 0,1) independie ntes
X
t= ∼ tk
Y /k

Densidad de probabilidad:
− ( k + 1) / 2
Γ [(k + 1 ) / 2 ] t2
f t (x) = +1
, -∞<t<∞
kπ Γ (k / 2) k

k = número de grados de libertad

µ=0
σ2 = k / (k - 2) , para k > 2
22
Esta distribución está tabulada para diferentes valores de “k”.
23
 • DISTRIBUCIÓN “ F ”
La distribución “F” se obtiene a partir de dos variables aleatorias
independientes con distribución Chi-cuadrado:
W /u
W ∼ χ u2 , Y ∼ χ v2 independie ntes Fu , v = ∼F
Y /v

con “u” grados de libertad para el numerador y “v” para el

denominador.
Densidad de probabilidad:
u/2
u+v u
Γ
2 v x ( u / 2 ) −1
f F ( x) = , 0<x<∞
Γ(u / 2)Γ(v / 2) (u + v ) / 2
u
x +1
2

24
La distribución F está tabulada para diferentes valores
de u y v.
25
 APROXIMACIONES ENTRE DISTRIBUCIONES
DE PROBABILIDAD

H
n
≤ 0. 1
N
B
p ≤ 0 .1
np > 10 np ≤ 10
0.1 ≥ p ≥ 0.9
P
λ ≥ 15

Obs.: estos criterios pueden diferir según el autor.

26