Aplicaciones de la Probabilidad en la Industria
|
|
- María Ángeles Carrasco Rojo
- hace 7 años
- Vistas:
Transcripción
1 Tercera parte Aplicaciones de la Probabilidad en la Industria Dr Enrique Villa Diharce CIMAT, Guanajuato, México Verano de probabilidad y estadística CIMAT Guanajuato,Gto Julio 2010
2 Cartas de control Carta R La carta R monitorea la variabilidad de un proceso Esta carta muestra las variaciones de los rangos de las muestras La línea central es el promedio de los rangos y los límites de control son usualmente los límites tres veces la desviación de los rangos LC : R LCI 3d : 1 d 2 3 R = D 3 R LCI : 1 + 3d d 2 3 R = D 4 R
3 Cartas X y R Cuando construimos las cartas X y R, es común hacerlo simultaneamente a partir de un conjunto histórico de datos Aquí, lo más conveniente es empezar con la construcción de la carta R, ya que los límites de la carta X dependen de una estimación de la desviación estándar del proceso, el cual se obtiene a partir de una carta R Si la carta R muestra que la variabilidad del proceso esta fuera de control, lo mejor es controlar la variabilidad antes que construir la carta X
4 Cartas de control Carta S La carta S monitorea la variabilidad de un proceso, es similar a la carta R, solo que ahora se calculan y grafican las desviaciones estándar para cada grupo La línea central es el promedio de las desviaciones estándar de los m subgrupos y los límites de control son usualmente los límites tres veces la desviación de las desviaciones estándar LC : S LCI : 1 LCS : 1+ 3 c 4 3 c 4 1 c c 2 4 S S
5 Cartas de control Carta S En muestras pequeñas, el rango y la desviación estándar tienen un comportamiento similar En muestras grandes, sin embargo, la ocurrencia de un valor extremo produce un rango grande, pero tiene un efecto menor sobre la desviación estándar Como la distribución de S es no simétrica, se puede construir una carta S, con límites de probabilidad en lugar de los límites tres sigma Asumiendo que 2 ( n 1) S 2 ~ χ( 1), 2 n σ Entonces 2 P χ 2 ( n 1) S 2 < < χ 2 (1 α / 2, σ ( α / 2, n 1) n 1) = 1 α
6 Cartas de control luego, 2 χ( α / 2, n 1) P σ < S < σ n 1 de aquí, los límites se definen como 2 χ(1 α / 2, n n 1 = 1 α 2 2 χ( α / 2, n 1) χ(1 α / 2, n 1) LCI = σ, LCS = σ n 1 n 1 Como antes tomamos como estimación de sigma a S / c 4 Finalmente, la carta S con límites de probabilidad queda definida como, LC = S, LCI = LCS S c = 4 S c χ 2 ( α / 2, n 1) n 1 χ, 2 (1 α / 2, n 1) n 1 1)
7 Cartas de control Factores para la construcción de las cartas de control n A2 d D3 D4 c 3 3 d
8 Cálculo por simulación (en lenguaje R) de factores d2 y c4 que se usan en la construcción de las cartas de control #ESTIMACIÓN DE LA CONSTANTE d2 W <- 0; nn < ; n <- 3 for (i in 1:nn) { DATOS <- rnorm(n); RANGO <- range(datos) W <- W + (RANGO[2]-RANGO[1])/1 } d2 <- W/nn ; d #ESTIMACIÓN DE LA CONSTANTE c4 W <- 0; nn < ; n <- 3 for (i in 1:nn) { DATOS <- rnorm(n); W <- W + stdev(datos) } c4 <- W/nn ; c4
9 Ejemplo Árbol de levas En el departamento de ensamble de motores de una planta automotriz, se tiene que una de las partes del motor, el árbol de levas, debe tener una longitud de 600mm(+/-)2mm para cumplir con las especificaciones de ingeniería Hay un problema crónico con la longitud del árbol de levas, ya que se sale de especificaciones, y crea un problema de reducción del rendimiento de la línea de producción y altas tasas de retrabajo y desperdicio El supervisor del departamento quiere correr cartas de medias y rangos para monitorear esta característica, durante un mes Para esto recibe 20 muestras de tamaño 5 del proveedor Estas observaciones se muestran en la siguiente tabla
10 Tabla Muestras de longitudes (en mm) de árboles de levas
11 Ejemplo Árbol de levas Tabla Cartas de medias y rangos para las longitudes de árboles de levas
12 Ejemplo Árbol de levas En la figura anterior se muestran las gráficas de medias y rangos para las longitudes de los árboles de levas Los promedios de las medias y los rangos son y 372 respectivamente El promedio de las medias se encuentra dentro de las especificaciones, lo mismo ocurre con las medias excepto para las muestras 2 y 14, que están por arriba del limite superior de control y la muestra 9, que está en el límite inferior de control El promedio de los rangos es algo grande, considerando que máxima variación permitida es de (+/-)2 mm, hay un exceso de variación en el proceso Después de una investigación con el responsable del proceso, se llegó a la identificación de causas asignables para las muestras 2 (falla de maquina) y 14 (error del operador), más no para la nueve Luego se eliminaron las muestras 2 y 14, obteniendo nuevamente las cartas de medias y rangos que se muestran a continuación
13 Ejemplo Árbol de levas Tabla Cartas de medias y rangos para las longitudes de árboles de levas, después de eliminar los grupos 2 y 14, que tenían causas asignables identificadas
14 Ejemplo Árbol de levas Una vez que eliminamos los subgrupos 2 y 14, ya no tenemos señales de fuera de control, en ambas cartas Observamos ahora que el promedio de las medias ha disminuido, pero el promedio de los rangos ha aumentado Esto se debe a las magnitudes de las observaciones eliminadas, los subgrupos tenian poca variabilidad pero valores grandes Como ya no hay señales de fuera de control, el proceso es estable y podemos ahora iniciar el monitoreo del proceso, tomando periódicamente muestras de 5 arboles de levas Las medias y los rangos de las muestras se graficarán en cartas de medias y de rangos, usando los límites que se muestran en la última figura
15 Cartas de control Ejemplo: Diametros de cilindros Chen et al (2001) presentan un conjunto de medidas de los diámetros interiores de cilindros de un tipo de motor El conjunto de datos esta formado por 35 muestras de tamaño n=5 recolectadas cada media hora Estos datos que aparecen en la siguiente tabla, son los tres últimos dígitos de los valores reales medidos de la forma 35205, 35202, 35204, etc, es decir en la tabla tenemos, 205, 202, 204 Interesa establecer un control estadístico de este proceso mediante cartas X y R Primero realizamos un análisis retrospectivo del proceso a partir de los 35 subgrupos Para cada subgrupo se calculan la media y el rango
16 Tabla Diámetros interiores de cilindros Últimos tres digitos m x1 x2 x3 x4 x5 m x1 x2 x3 x4 x
17 Cartas de control Se promedian las medias y los rangos para obtener X R = = (1 35) (1 35) 35 i= 1 35 i= 1 X R i i = = Estos valores corresponden a las líneas centrales de las cartas de medias y rangos respectivamente Los límites de control se construyen de acuerdo al procedimiento descrito anteriormente En la siguiente gráfica se muestran las dos cartas de control La carta X muestra estabilidad en la media del proceso En la carta R los puntos 6 y 16 exceden el límite de control superior Una investigación mostró que los dos puntos correspondían a tiempos en que el operador regular se ausentaba y dejaba un reemplazo con menos experiencia, a cargo de la producción
18 Gráfica Cartas X y R para los diámetros de las 35 muestras
19 Cartas de control Después de haber encontrado la causa de la gran variabilidad de estos subgrupos, se eliminan los dos puntosy se recalculan de nuevo los límites de control para ambas cartas La siguiente gráfica presenta las cartas X y R luego de eliminar los puntos 6 y 16 Se observa que la variabilidad ha sido controlada, así que se pasa ahora a controlar la media del proceso Una investigación mostró que los dos puntos correspondían a tiempos en que el operador regular se ausentaba y dejaba un reemplazo con menos experiencia, a cargo de la producción La carta de medias muestra dos puntos fuera de los límites de control, correspondientes a los subgrupos 1 y 11 del conjunto original de datos
20 Gráfica Cartas X y R después de eliminar los subgrupos 6 y 16
21 Cartas de control El análisis de estos puntos produjo los siguientes resultados: El subgrupo 1 ocurre a las 8:00 am y corresponde al arranque de la producción, cuando las maquinas están frías El otro subgrupo ocurre a la 1:00 pm y corresponde al arranque de la linea de producción inmediatamente después del descanso del almuerzo y cuando las maquinas han sido apagadas por cambio de herramienta Como se encontraron causas asignables, estos puntos se eliminan y las cartas se vuelven a calcular En la siguiente figura aparecen estas dos cartas
22 Gráfica Cartas X y R resultantes al finalizar la Fase I
23 Cartas de control Se observa en esta última gráfica que ambas cartas exhiben control estadístico Se puede concluir que el proceso esta bajo control respecto de su variabilidad y valor medio, finalizando el análisis de la Fase I Se retienen estos últimos límites de control para utilizarlos en el control del proceso en línea
24 Subgrupos racionales El primer paso en el establecimiento de cartas de medias y rangos, es la selección de las muestras Es importante que todas las muestras sean muestras racionales (o subgrupos racionales) Esto es, grupos de observaciones cuya variación, solo es atribuible a las causas comunes Cuando tomamos las muestras, minimizando la ocurrencia de causas especiales dentro de ellas, maximizamos la oportunidad de detectar causas especiales cuando estas ocurren entre las muestras Muestrear de diferentes máquinas, muestrear durante períodos extendidos de tiempo, y muestrear productos combinados de diferentes fuentes, no son métodos racionales de muestreo y deben evitarse
25 Subgrupos racionales El tamaño de los subgrupos se rige por los siguientes principios: Los subgrupos deben de reflejar solo las causas comunes Los subgrupos deben asegurar la presencia de la distribución normal para las medias muestrales Los subgrupos deben garantizar una alta capacidad de detección de causas especiales o asignables Los subgrupos deben ser suficientemente pequeños para facilitar su medición y reducir el costo de operación Cuando estas consideraciones se toman en cuenta, frecuentemente, el tamaño de los subgrupo, resulta ser entre 3 y 6 Usualmente se toman cinco observaciones en cada muestra,
26 Subgrupos racionales Frecuencia de muestreo La frecuencia de muestreo, debe considerarse cuidadosamente, ya que cuando un proceso se muestrea con una frecuencia muy baja, las cartas de medias y rangos resultan ser de poca utilidad para identificar y resolver problemas Algunos puntos que vale la pena tomar en cuenta pare determinar la frecuencia de muestreo son: Naturaleza general de la estabilidad del proceso La frecuencia con que se presentan eventos en el proceso (cambios de turno, de materia prima, de condiciones ambientales) Costo del muestreo
27 Reglas para detección de señales de alarma En algún momento se propuso agregar a las cartas mecanismos de detección de señales fuera de control, más rápidamente El manual de Western Electric (1956) sugirió un conjunto de reglas de decisión para detectar patrones no aleatorios en las cartas de control El problema con la adición de estas reglas de detección de señales fuera de control, es que aumenta bastante el número de falsas alarmas y puede ser muy complicado estar revisando frecuentemente el proceso para encontrar las causas de las señales
28 PRUEBA 1 Un punto fuera de los límites de control LSC LC LIC A+ B+ C+ C- B - A - X X PRUEBA 2Nueve puntos consecutivos todos por arriba o por abajo de la linea central LSC LC LIC A+ B+ C+ C- B - A - X PRUEBA 3 Seis puntos consecutivos con un ascenso o d esc enso c o nsta nte LSC LC LIC A+ B+ C+ C- B - A - X X PRUEBA 4Catorce puntos alternandose hacia abajo y arriba LSC LC LIC A+ B+ C+ C- B - A - X PRUEBA 5 Dos de tres puntos consecutivos en la zona A LSC LC LIC A+ B+ C+ C- B - A - X X PRUEBA 6Cuatro de cinco puntos consecutivos en la zona B o más allá de ella LSC LC LIC A+ B+ C+ C- B - A - X X PRUEBA 7 Quince puntos consecutivos en la zona C (por abajo y arriba de la linea central) LSC LC LIC A+ B+ C+ C- B - A - X PRUEBA 8 Ocho puntos consecutivos en ambos lados de la linea central con ningún punto en la zona C LSC LC LIC A+ B+ C+ C- B - A - X
GRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesHERRAMIENTAS DE CALIDAD EN PROCESOS METROLÓGICOS
HERRAMIENTAS DE CALIDAD EN PROCESOS METROLÓGICOS Ing. Claudia Santo Directora de Metrología Científica e Industrial 17/05/2016 MEDELLÍN, COLOMBIA MEDIR Cómo sabemos que nuestras meciones son correctas?
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesUnidad V. Control Estadístico de la Calidad
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE - SEDE REGIONAL ESTELÍ Unidad V. Control Estadístico de la Calidad Objetivos Reconocer los principios estadísticos del control de calidad. Explicar la forma
Más detalles1. Los datos siguientes dan el número de ensambles de rodamiento y sello
3 2 EJERCICIOS 55 3 2 Ejercicios 1. Los datos siguientes dan el número de ensambles de rodamiento y sello disconformes en muestras de tamaño 100. Construir una carta de control para la fracción disconforme
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los
Más detallesGRÁFICOS DE CONTROL. Datos tipo atributo
GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos
Más detallesUnidad 5 Control Estadístico de la Calidad. Administración de Operaciones III
Unidad 5 Control Estadístico de la Calidad Administración de Operaciones III 1 Contenido 1. Antecedentes del control estadístico de la calidad 2. Definición 3. Importancia y aplicación 4. Control estadístico
Más detallesCómo funciona el Diagrama de Control
Cómo funciona el Diagrama de Control Capítulo 4 Control Estadístico de Calidad Modelo del sistema de control de proceso ( con retroalimentación ) VOZ DEL PROCESO METODOS ESTADÍSTICOS Personal Equipo Materiales
Más detallesLOS GRÁFICOS DE CONTROL
CAPÍTULO IX LOS GRÁFICOS DE CONTROL 9.1 INTRODUCCIÓN En cualquier proceso de generación de productos o servicios, sin importar su buen diseño y/o mantenimiento cuidadoso, siempre existirá cierto grado
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesTEMA 3: Control Estadístico de la Calidad
TEMA 3: Control Estadístico de la Calidad 1. Introducción al control de la calidad. 2. Métodos de mejora de la calidad 3. Gráficos de control de Shewhart: Gráficos c Gráficos np Gráficos X y R 4. Interpretación
Más detallesControl Estadístico de Procesos (SPC) para NO estadísticos.
Control Estadístico de Procesos (SPC) para NO estadísticos. - Sesión 3ª de 4 - Impartido por: Jaume Ramonet Fernández Ingeniero Industrial Superior PMP (PMI ) Consultoría y Formación Actitud requerida
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 9 Experimentación y presentación de datos Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de experimentación y determinación
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesEJEMPLO DE CLASE CONTROL ESTADÍSTICO DE LA CALIDAD
EJEMPLO DE CLASE CONTROL ESTADÍSTICO DE LA CALIDAD GRÁFICAS DE CONTROL POR VARIABLES Ejemplo 1 Gráfica X Calculando la desviación estándar Para Gráfica x cuando se conoce s Límite superior de control (LSC)
Más detallesAplicaciones de la Probabilidad en la Industria
Aplicaciones de la Probabilidad en la Indusria Cuara pare Final Dr Enrique Villa Diharce CIMAT, Guanajuao, México Verano de probabilidad y esadísica CIMAT Guanajuao,Go Julio 010 Reglas para deección de
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesMetodología de la Investigación [DII-711] Capítulo 7: Selección de la Muestra
Metodología de la Investigación [DII-711] Capítulo 7: Selección de la Muestra Dr. Ricardo Soto [ricardo.soto@ucv.cl] [http://www.inf.ucv.cl/ rsoto] Escuela de Ingeniería Informática Pontificia Universidad
Más detallesA continuación se presenta la información de la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes.
M150: Creciendo A) Presentación del problema LOS JOVENES CRECEN MAS ALTO A continuación se presenta la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes. B) Preguntas del problema
Más detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesPara controlar los procesos en tiempo real, la herramienta de base estadística, más significativa, es la carta de control.
Control estadístico de los procesos Denominamos proceso a una serie de transformaciones destinadas a transformar entradas (materias primas, insumos, información, etc) en salidas (productos elaborados,
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
Más detallesSESION 12 LA DISTRIBUCIÓN BINOMIAL
SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:
Más detallesControl Estadístico de Procesos Parte 1. María Guadalupe Russell Noriega. Facultad de Ciencias Físico-Matemáticas Universidad Autónoma de Sinaloa.
Control Estadístico de Procesos Parte María Guadalupe Russell Noriega. Facultad de Ciencias Físico-Matemáticas Universidad Autónoma de Sinaloa. V Verano de Probabilidad y Estadística, CIMAT. Del al 6 de
Más detallesDiseño Gráficos de Control
Diseño Gráficos de Control Resumen Este procedimiento esta diseñado para ayudar a determinar el tamaño de muestra apropiado y los parámetros comunes para los gráficos de control. El diseño esta basado
Más detallesESTACIONALIDADES. Proyecto Empresarial II. Dr. José Luis Esparza A.
ESTACIONALIDADES Proyecto Empresarial II Dr. José Luis Esparza A. ESTACIONALIDAD La estacionalidad es un comportamiento o patrón que a veces observamos en una serie de tiempo. Consiste en subidas y bajadas
Más detallesMediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más detallesPrueba de hipótesis para la diferencia de medias
Estadística Técnica Prueba de hipótesis para la diferencia de medias Cladera Ojeda, Fernando Conceptos previos Inferencia estadística Población Muestra Parámetro Estadístico Hipótesis estadística Pruebas
Más detallesEstadística para la toma de decisiones
Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesGráfico de Medias Móviles (MA)
Gráfico de Medias Móviles (MA) Resumen El procedimiento Gráfico de Medias Móviles crea cuadros de control para una sola variable numérica donde los datos se han recolectado ya sea individualmente o en
Más detallesLa clave para un mejor control en SEIS SIGMA: Ing. Luis Aranda
La clave para un mejor control en SEIS SIGMA: Ing. Luis Aranda Qué SPC? SPC (Statistical Process Control) CEP (Control Estadístico de Proceso) El SPC es una herramienta estadística que nos permite analizar,
Más detallesSEGUNDA OLIMPIADA ESTATAL DE MATEMÁTICAS
PROBLEMAS PROPUESTOS PARA LA ETAPA DE ZONA PRIMER GRADO 1. Marcos tiene todas las letras del abecedario en tres tamaños: grandes, medianas y pequeñas: A,B,C,D,E,...,Z A,B,C,D,E,...,Z A,B,C,D,E,...,Z Usando
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesANALISIS DEL PUNTO DE EQUILIBRIO.
ANALISIS DEL PUNTO DE EQUILIBRIO. 1 INTRODUCCIÓN. Toda empresa en pleno desarrollo, tiene como es lógico suponer entre sus metas y objetivos, obtener utilidades cada vez mayores, situación que solo es
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesINTERPRETACIÓN NORMA OHSAS 18001:2007 MÓDULO 1 SESIÓN 1 INTERPRETACIÓN DE LA NORMA OHSAS 18001:2007 DOCENTE: Ing. Dª. Ana I.
INTERPRETACIÓN NORMA OHSAS 18001:2007 MÓDULO 1 SESIÓN 1 INTERPRETACIÓN DE LA NORMA OHSAS 18001:2007 DOCENTE: Ing. Dª. Ana I. Menac Lumbreras Especializados 1 TEMA 1 Contenidos INTRODUCCIÓN A LA NORMA OHSAS
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesInterpretación de la derivada en situaciones de cambio y variación
Grado 11 Matemáticas - Unidad 3 Conoce el cambio en un instante y describe la situación Tema Interpretación de la derivada en situaciones de cambio y variación relacionados (Pre clase) Objetivos Habilidad
Más detallesCAPÍTULO 4: RESULTADOS
CAPÍTULO 4: RESULTADOS En la mayoría de los resultados de medición se utilizó una herramienta del osciloscopio que permite realizar varias mediciones y hace cálculos estadísticos para obtener un promedio
Más detallesMEDIDAS DE VARIABILIDAD
MEDIDAS DE VARIABILIDAD 1 Medidas de variabilidad Qué son las medidas de variabilidad? Las medidas de variabilidad de una serie de datos, muestra o población, permiten identificar que tan dispersos o concentrados
Más detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más detallesINVESTIGACIÓN DE MERCADOS
INVESTIGACIÓN DE MERCADOS LIC. EN ADMINISTRACIÓN DE EMPRESAS 1 Sesión No. 10 Nombre: Tamaño de la Muestra Contextualización Continuando el tema de muestreo, revisaremos ahora el cálculo de la muestra y
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesMANUAL DE LABORATORIO DE FÍSICA GENERAL 9ª Edición EXPERIENCIA N 02
GRÁFICAS EXPERIENCIA N René Descartes "Consideraría que no sé nada de Física si tan sólo fuese capaz de epresar cómo deben ser las cosas, pero fuese incapaz de demostrar que no pueden ser de otra manera
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesMétodo de Análisis del Riesgo (Estudio del Calibrador Atributos)
Método de Análisis del Riesgo (Estudio del Calibrador Atributos) Resumen El Método de Análisis del Riesgo cuantifica la incertidumbre de un sistema de medición donde las observaciones consisten de atributos
Más detallesConcepto de Probabilidad
Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier
Más detallesUnidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesTeoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesProbabilidad. Generalidades
robabilidad Generalidades a probabilidad estudia experimentos en los que se pueden esperar varios resultados y no solamente uno. os experimentos se pueden clasificar como aleatorios o determinísticos.
Más detallesMAXIMOS Y MINIMOS RELATIVOS
MAXIMOS Y MINIMOS RELATIVOS Con cierta frecuencia nos encontramos con la necesidad de buscar la mejor forma de hacer algo. En muchas ocasiones a través de los poderosos mecanismos de cálculo diferencial
Más detallesESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO. Resumen
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO RIVAS C., Gerardo A. Escuela de Ingeniería Industrial. Universidad de Carabobo. Bárbula. Valencia. Venezuela Jefe
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesUNIDAD 7 Medidas de dispersión
UNIDAD 7 Medidas de dispersión UNIDAD 7 MEDIDAS DE DISPERSIÓN Al calcular un promedio, por ejemplo la media aritmética no sabemos su representatividad para ese conjunto de datos. La información suministrada
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesMETODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010
METODOLOGÍA DE MUESTREO PARA REPORTE DE TENDENCIAS 4o BÁSICO Y 2o MEDIO SIMCE 2010 SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 2011 Índice 1. Antecedentes Generales 1 2. Metodología
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesCAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores
CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta
Más detallesEstadísticas Elemental Cuartiles y los diagramas de caja 3.1-1
Estadísticas Elemental Cuartiles y los diagramas de caja 3.1-1 Rango intercuartil El rango intercuartil, se denota IQR, es el rango del 50% central de los datos. Esto es la diferencia entre Q 3 y Q 1.
Más detallesHERRAMIENTAS DE APOYO PARA LA IMPLEMENTACIÓN DE LA GESTIÓN POR PROCESOS EN EL MARCO DE LA POLÍTICA NACIONAL DE MODERNIZACIÓN DE LA GESTIÓN PÚBLICA
HERRAMIENTAS DE APOYO PARA LA IMPLEMENTACIÓN DE LA GESTIÓN POR PROCESOS EN EL MARCO DE LA POLÍTICA NACIONAL DE MODERNIZACIÓN DE LA GESTIÓN PÚBLICA Documento elaborado por la de la Presidencia del Consejo
Más detallesPROGRAMA INSTRUCCIONAL ESTADÍSTICA
UNIVERSIDAD FERMIN TORO VICE RECTORADO ACADEMICO FACULTAD DE INGENIERIA ESCUELA DE MANTENIMIENTO MECÁNICO ESCUELA DE TELECOMUNICACIONES ESCUELA DE COMPUTACIÓN ESCUELA DE ELÉCTRICA PROGRAMA INSTRUCCIONAL
Más detallesMUESTREO PARA ACEPTACION
MUESTREO PARA ACEPTACION Inspección de Calidad Consiste en un procedimiento técnico que permite verificar si los materiales, el proceso de fabricación y los productos terminados cumplen con sus respectivas
Más detallesAPLICACIÓN DE LA METODOLOGÍA DE DAUDIN A LOS GRÁFICOS POR ATRIBUTOS
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 APLICACIÓN DE LA METODOLOGÍA DE DAUDIN A LOS GRÁFICOS POR ATRIBUTOS Elena Pérez Bernabeu 1, José M. Jabaloyes
Más detallesESDUDIO DE CASO. Eficiencia Energética Buaiz Alimentos 1 CARACTERÍSTICAS DE LA EMPRESA
Eficiencia Energética Buaiz Alimentos 1 CARACTERÍSTICAS DE LA EMPRESA Nombre fantasía: Buaiz Alimentos Ramo de actividad: Alimenticio Ubicación:: Vitória / ES Estructura tarifaria: Horo-sazonal Azul A4
Más detallesDesempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos
Desempeño de Medidas de Riesgo sobre Distribuciones de Valores Extremos Resumen Ejecutivo Antecedentes El riesgo es un concepto ampliamente estudiado, con diversas definiciones que dependen del contexto
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesnorma española UNE-EN EXTRACTO DEL DOCUMENTO UNE-EN Seguridad funcional
norma española UNE-EN 61511-1 Enero 2006 TÍTULO Seguridad funcional Sistemas instrumentados de seguridad para el sector de las industrias de procesos Parte 1: Marco, definiciones, requisitos para el sistema,
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detalles