Hln 1 = 160 In 1 = horas. R (1600)(0 223) 2(1600)(0.223) = [ ]. Il
|
|
- María Pilar Isabel Toro Serrano
- hace 6 años
- Vistas:
Transcripción
1 17-1 Un dado de extrusión se emplea para producir ficaciones en las barras son ± barras de aluminio. El diámetro de las barras pulgadas. Los valores dados son los últimos es una característica de calidad crítica. A con- tres dígitos de las mediciones; esto es, 34.2 se tinuación se muestran los valores X y R para lee como muestras de 5 barras cada una. Las especi- CONTROL ESTADÍSTICO DE CALIDAD E INGENIERÍA DE CONFIABILIDAD 661 Además, 'oso = Hln 1 = 160 In 1 = horas. R 0.8 El límite de confianza de dos lados de 95% se determinó a partir de la tabla como 2(1600)(0 223) 2(1600)(0.223) = [ ]. Il Pruebas de demostración y de aceptación No es raro que un comprador pruebe los productos que adquiere para asegurarse de que éstos concuerden con las especificaciones de confiabilidad. Estas pruebas son destructivas y, en el caso de la medición de atributos, el diseño de la prueba sigue lo correspondiente al muestreo de aceptación tratado antes en este capítulo. Un conjunto especial de planes de muestreo que supone una distribución de tiempo de falla exponencial presentado en el manual del Departamento de Defensa de Estados Unidos (DOD H-108), se utiliza ampliamente para estos propósitos RESUMEN En este capítulo se han presentado varios métodos de amplia aplicación para el control de calidad estadístico. Se presentaron los diagramas de control y se trató su utilización como dispositivo de supervivencia del proceso. Los diagramas de control X y R se emplean para datos de medición. Cuando la característica de calidad es un atributo, puede emplearse el diagrama p para la fracción defectuosa, o los diagramas c o u para los defectos. También se trató el empleo de probabilidad como una técnica de modelado en el análisis de confiabilidad. La distribución exponencial se emplea ampliamente como la distribución del tiempo de falla, aunque otros modelos plausibles incluyen las distribuciones normal, lognormal, de Weibull y gamma. Los métodos de análisis de confiabilidad de sistemas se presentaron para el caso de los sistemas en serie, así como de los que tienen redundancia activa o en espera. Además, se habló brevemente de la prueba de duración, y la estimación de la confiabilidad EJERCICIOS
2 662 PROBABILIDAD Y ESTADÍSTICA PARA INGENIERÍA Muestra y R a) Establezca los diagramas X y R, revisando los límites de control de prueba si es necesario, suponiendo que pueden encontrarse causas asignables. b) Calcule el RCP y el RCP,. Interprete estas razones. c) Qué porcentaje de defectos está produciendo el proceso? 17-2 Suponga que un proceso está bajo control y que se emplean límites de control 3-signa en el diagrama X. Deje que la media sea Cuál es la probabilidad de que este desplazamiento sea indetectable en 3 muestras consecutivas? Cuál sería esta probabilidad si se emplean límites de control 2-sigma? El tamaño de la muestra es Suponga que se utiliza un diagrama X para controlar un proceso distribuido normalmente, que las muestras de tamaño n se toman cada h horas, y que se grafican en el diagrama, el cual tiene k límites sigma. a) Encuentre el número esperado de muestras que se tomarán hasta que se genere una señal de acción falsa. Esto se llama longitud de ejecución promedio (LEP) bajo control. b) Suponga que el proceso cambia a un estado fuera de control. Encuentre el número esperado de muestras que se tomarán hasta que se genere una acción falsa. Esto se llama longitud de ejecución promedio (LEÍ') fuera de control. c) Evalúe la LEP bajo control para k = 3. Cómo cambia si k = 2? Qué piensa usted acerca del empleo de límites de 2-sigma en la práctica? d) Evalúe la LEP fuera de control para un desplazamiento de una sigma, n=5. dado que 17-4 Veinticinco muestras de tamaño 5 se extraen de un proceso a intervalos regulares, y se obtienen los siguientes datos: R = a) Calcule los limites de control para los diagramas X y R. b) Suponiendo que el proceso está bajo control y que los límites de especificación son ± 0.50, qué conclusiones puede usted extraer acerca de la capacidad del proceso para operar dentro de estos límites? Estime el porcentaje de artículos defectuosos que se producirán. c) Calcule RCP y RCP,. Interprete estas razones Suponga un diagrama X para un proceso bajo control con límites 3-sigma. Se extraen muestras de tamaño 5 cada 15 minutos. Suponga ahora que el proceso se sale de control en 1.56 por 10 minutos después de la hora. Si D es el número esperado de defectos producidos por cuarto de hora en este estado fuera de control, encuentre la pérdida esperada (en términos de unidades defectuosas) que resulta de este procedimiento de control.
3 CONTROL ESTADÍSTICO DE CALIDAD E INGENIERÍA DE CONFIABILIDAD La longitud total del cuerpo de un encendedor de cigarrillos de un automóvil se controla empleando diagramas X y R. La siguiente tabla brinda la longitud para 20 muestras de tamaño 4 (las mediciones se codifican a partir de 5.00 mm: esto es. 15 es ntm). Observación Muestra l Il a) Haga los diagramas X y R. El proceso está bajo control estadístico? b) Las especificaciones son 5.10 ± 0.05 mm. Qué puede usted decir acerca de la capacidad del proceso? 17-7 Montygomery (2(x)1) presenta 30 observacione,, del espesor de óxido en obleas de silicón india i(iuales. Los datos son Espesor Espesor Oblea de óxido Oblea de óxido Espesor Espesor Oblea de óxido Oblea de óxido a) Construya una gráfica de probabilidad normal con los datos. La suposición de normalidad le parece razonable? b) Realice un diagrama de control individual para los espesores de óxido. Interprete el diagrama Se usa una máquina para llenar botellas con una marca particular de aceite vegetal. Se selecciona una sola botella en forma aleatoria cada media hora y se registra el peso de la misma. La experiencia con el proceso indica que su variabilidad es bastante estable, con a= 0.07 onzas. El objetivo del proceso es 32 onzas. Se han registrado 24 muestras en un periodo de 12 horas, con los resultados que se muestran a continuación Núm. de muestra x Núm. de muestra x
4 664 PROBABILIDAD Y ESTADÍSTICA PARA INGENIERÍA a) Construya una gráfica de probabilidad nornial de los datos. Le parece que la suposición de nornialidad se satisface? b) Realice un diagrama de control individual para los pesos. Interprete los resultados Los siguientes son los números de uniones de soldaduras defectuosas encontradas en nitrestras sucesivas de 500 uniones. Día Núm. de defectos Día Núm. de defectos Construya un diagrama de control de la fracción defectuosa. El proceso está bajo control? Un proceso se controla por medio de un diagrama p empleando muestras de tamaño 100. La línea central del diagrama es Cuál es la probabilidad de que el diagrama de control detecte un desplazamiento a 0.08 en la primera muestra posterior al mismo? Cuál es la probabilidad de que el desplazamiento se detecte por lo menos en la tercera muestra posterior al mismo? Suponga que un diagrama p con línea central en p con k unidades sigma se emplea para controlar un proceso. Hay una fracción defectuosa crítica p, que debe detectarse con probabilidad de 0.50 en la primera muestra que sigue al desplazamiento a ese estado. Obtenga una fórmula general para el tamaño de muestra que debe emplearse en este diagrama Un proceso distribuido normalmente emplea M 79- de la banda de especificación. El proceso está centrado en la dimensión nominal, y se localiza a la mitad entre los límites de especificación superior e inferior. a) Cuál es la razón de capacidad del proceso RCP? b) Qué nivel de fallas ( fracción defectuosa) se produce? c) Suponga que la media se desplaza a una distancia de exactamente 3 desviaciones estándar por debajo del límite de especificación superior. Cuál es el valor de RCPk? Cómo ha cambiado la RCP? d) Cuáles son las fallas reales que se experimentan después del desplazamiento de la media? Considere el proceso en el que las especificaciones respecto de la característica de calidad son 100 ± 15. Sabernos que la desviación estándar de esta característica de calidad es 5. Dónde debemos centrar el proceso para minimizar la fracción de defectos producidos? Suponga ahora que la inedia se desplaza a 105 y que estamos usando un tamaño de muestra de 4 sobre un diagrama X. Cuál es la probabilidad de que tal desplazamiento se detecte en la primera muestra posterior al mismo? Qué tamaño de muestra sería necesario en un diagrama p para obtener un grado de protección similar? Suponga que la siguiente fracción defectuosa se ha encontrado en muestras sucesivas de tantaño 100: El proceso está bajo control respecto de su fracción defectuosa? i
5 n CONTROL ESTADÍSTICO DE CALIDAD E INGENIERÍA DE CONFIABILIDAD Las siguientes cifras representan el número de defectos de soldadura observados en 24 muestras de cinco tarjetas de circuitería: 7, 6, 8, ,6,5, , , 14, 8, 21. Podemos concluir que el proceso está bajo control utilizando un diagrama c' Si no, suponga causas asignables que puedan encontrarse, y revise los límites de control Las siguientes cifras representan el número de defectos por 1000 pies de alambre forrado con plástico: 1, 1, 3. 7, 8, , , 11, 1 5, 8, 3, 6. 7, 4, 9, 20, I I, 7, 18, , 9, , 8, 12. Los datos provienen de un proceso controlado? Suponga que se sabe que el número de defectos en una unidad es 8. Si el número de defectos en una unidad se desplaza a 16, cuál será la probabilidad de que el desplazamiento se detecte por medio del diagrama c en la primera muestra posterior al mismo? Suponga que estamos investigando los defectos por unidad en ciertos cartuchos de disco, y que se conoce que en promedio hay dos defectos por unidad. Si decidimos hacer nuestra inspección por unidad para cinco cartuchos de disco en el diagrama c, y controlar el número total de defectos por unidad de inspección, describa el nuevo diagrama de control Considere los datos del ejercicio Haga un diagrama u para este proceso. Compárelo con el diagrama (- del ejercicio Considere los datos de los espesores de óxido dados en el ejercicio Realice un diagrama de control PMEP con A = 0.20 y L = Interprete el diagrama Considere los datos de los espesores de óxido dados en el ejercicio Construya un diagrama de control SUMACU con k = 0.75 y h = 3.34 si el espesor objetivo es 50. Interprete el diagrama Considere los pesos que se proporcionan en el ejercicio Realice un diagrama de control PMEP con 2 = 0.10 y /. = 2.7. Interprete el diagrama Considere los pesos que se proporcionan en el ejercicio Realice un diagrama de control SUMACU con k = 0.50 y h = 4.0. Interprete el diagrama Una distribución del tiempo de falla está dada por una distribución uniforme: 1 ^- a ce <_1:5 = 0, en otro caso. a) Determine la función de confiabilidad. b) Demuestre que C(t)dt = ^r tf(t)(1t. c) Determine la función de riesgo. cl) Demuestre que C(t) = e H(n donde H se define como en la ecuación Tres unidades que operan y fallan en forma independiente forman una configuración en serie, como se muestra en la figura de la parte inferior de esta página. La distribución del tiempo de falla para cada unidad es exponencial con las tasas de falla que se indican. a) Encuentre C(60) para el sistema. b) Cuál es el tiempo medio de falla para este sistema'' Cinco unidades idénticas se arreglan en una redundancia activa para formar un subsistema. =3x10-2 =6x10-3 =4x10-2 Figura para el ejercicio
6 666 PROBABILIDAD Y ESTADÍSTICA PARA INGENIERÍA La falla (le las unidades es independiente, y al menos dos de ellas deben sobrevivir 1000 horas para quo el subsistema desempeñe su misión. a) Si las unidades tienen distribuciones de tiempo de falla exponenciales con tasa de falla de cuál es la confiabilidad del suhsislem;t, h) Cuál es la confiabilidad si sólo se requiere una unidad? Si las unidades descritas en el ejercicio anterior se operan en una redundancia en espera con un interruptor de decisión perfecto y sólo se requiere una unidad para la supervivencia del suhsistema, determine la confiabilidad (le c,,tc últinn Cien unidades se ponen a prueba y se envejecen hasta que todas fallan. Se obtienen los sieluientes resultados. v se calcula una vida media dei = 160 horas a partir de los datos de la serie. Intervalo de tiempo Número de fallas Cincuenta unidades se someten a una prueba de duración por 1000 horas. Ocho unidades fallan durante ese periodo. Estime Cl 1000) para estas unidades. Determine un intervalo de con- 1 1,111/a inferior de 95% en Cl En la sección se señaló que para funciones de confiabilidad de un paámetro. C(t;9), C(t;9) = C. ( t;9). donde 9 v C son los estimadores de máxima similitud. Pruebe este argunmento en el caso ('(t;9) =e''er 1>0. = 0. en otro caso. Su^t r^ rrri^r: Exprese la función de densidad.f en tcrnrinos de C En una prueba sin reemplazo que termina después de 200 horas de operación, se observó que las fallas ocurren en los siguientes tiempos: 9, 21, y 85 horas. Se supone que las unidades tienen una distribución de tiempo de falla exponencial. y que se probaron inicialmente 100 unidades Después de 500 horas ti) Estime el tiempo medio de falla. b) Construya un límite de confianza inferior de 95% respecto del tiempo medio de falla Emplee el planteamiento del ejercicio Emplee la prueba de bondad del ajuste de la ji cuadrada para determinar si usted consideraría la distribución exponencial para representar un modelo de tiempo de falla razonable con estos datos. ti) Estime ('(300) y construya un límite de confianza inferior de 954 en C(300). b) Estime el tiempo para el cual la confiabilidad será 0.9, y construya un límite inferior de 95%c en to.9.
Objetivos. 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 detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
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 detallesGRAFICOS 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 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 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 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 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 detallesLa distribución de Probabilidad normal, dada por la ecuación:
La distribución de Probabilidad normal, dada por la ecuación: Donde: x = X -, la distancia entre X y en el eje de las X. = la media de la población o universo ( de las X ) fx= La altura de la ordenada
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
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 detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
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 detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
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 detallesModelos de PERT/CPM: Probabilístico
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,
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 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 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 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 detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesDistribución Muestral.
Distribución Muestral jujo386@hotmail.com Uno de los objetivos de la Estadística es tratar de inferir el valor real de los parámetros de la población Por ejemplo Cómo podríamos asegurar que una empresa
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 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 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 detallesAplicaciones de la Probabilidad en la Industria
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 Cartas de control Carta
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 detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesUTN FRM MEDIDAS ELECTRÓNICAS 1 Página 1 de 5 ERRORES
UTN FRM MEDIDAS ELECTRÓNICAS 1 Página 1 de 5 ERRORES Medir es determinar cuantas veces una unidad de medida esta comprendida en la magnitud a medir. La cifra encontrada, multiplicada por la unidad de medida
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
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 detalles5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD
Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina
Más detallesZ i
Medidas de Variabilidad y Posición. Jesús Eduardo Pulido Guatire, marzo 010 Cuando trabajamos el aspecto denominado Medidas de Tendencia Central se observó que tanto la media como la mediana y la moda
Más detallesPROBABILIDAD Y ESTADÍSTICA Serie de los Temas I y II Semestre:
FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA Serie de los Temas I y II Semestre: 2007-1 1.- Para cada una de las poblaciones
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 detallesUnidad III: probabilidades. Estadística I
Unidad III: probabilidades Estadística I Experimento Operar un banco Llamar a cinco clientes Inspeccionar un envío de 50 chicharrones al ITSS Hacerse cargo de un restaurante durante un día Llenar una
Más detallesA. Menéndez Taller CES 15_ Confiabilidad. 15. Confiabilidad
15. Confiabilidad La confiabilidad se refiere a la consistencia de los resultados. En el análisis de la confiabilidad se busca que los resultados de un cuestionario concuerden con los resultados del mismo
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
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 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 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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
Más detallesINSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA:
INSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA: AREA : MATEMATICAS. ASIGNATURA: MATEMATICAS. NOTA DOCENTE: EDISON MEJIA MONSALVE TIPO DE GUIA: CONCEPTUAL - EJERCITACION PERIODO GRADO FECHA N DURACION
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesUNIDAD 6 Medidas de tendencia central
UNIDAD Medidas de tendencia central UNIDAD MEDIDAS DE TENDENCIA CENTRAL = EJEMPLO. ó Al estudiar la información estadística de los histogramas y los polígonos de frecuencia, se puso en evidencia un significativo
Más detallesDistribución normal estándar. Juan José Hernández Ocaña
Distribución normal estándar Juan José Hernández Ocaña Tipos de variables jujo386@hotmail.com Tipos de variables Cualitativas Son las variables que expresan distintas cualidades, características o modalidades.
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 detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
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 detallesDiscretas. Continuas
UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de
Más detallesDISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE POISSON P O I S S O N Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements..., un trabajo importante en probabilidad
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
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 detallesGuía del Capítulo 3. SISTEMAS DE PARTÍCULAS. A un sistema particulado se le efectúa un análisis por tamizado dando los siguientes resultados:
Guía del Capítulo 3. SISTEMAS DE PARTÍCULAS Problema 3.1 A un sistema particulado se le efectúa un análisis por tamizado dando los siguientes resultados: Mallas Tyler Masa (g) -28 +35 5-35 +48 8-48 +65
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
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 detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
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 detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesNORMA ISO Introducción
Introducción NORMA ISO 2859-1 Objetivo: eliminar productos defectuosos. Esencial para el enfoque basado en hechos de los SGC dado que la calidad no puede generarse sólo mediante inspección El control puede
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
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 detallesCOLEGIO DE BACHILLERES DEL ESTADO DE BAJA CALIFORNIA SUR PAQUETE ECONÓMICO ADMINISTRATIVO ASIGNATURA DE MATEMÁTICAS FINANCIERAS II BLOQUE IV:
COLEGIO DE BACHILLERES DEL ESTADO DE BAJA CALIFORNIA SUR PAQUETE ECONÓMICO ADMINISTRATIVO ASIGNATURA DE MATEMÁTICAS FINANCIERAS II BLOQUE IV: CALCULAS DE ACTIVOS FIJOS COMPILACIÓN DE TEXTOS ELABORADA POR:
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
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 detallesREGLA DE LA MULTIPLICACIÓN
REGLA DE LA MULTIPLICACIÓN REGLA DE LA MULTIPLICACIÓN Cuando empleamos las reglas de la adición se determinaba la probabilidad de combinar dos eventos ( que suceda uno u otro o los dos) Cuando queremos
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesIng. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesTaller No 1. Laboratorio Estadística con Matlab. Estadística Descriptiva - Análisis exploratorio de datos con Matlab
Taller No 1. Laboratorio Estadística con Matlab Estadística Descriptiva - Análisis exploratorio de datos con Matlab Dos objetivos importantes de Análisis exploratorio de datos son: 1) para determinar un
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 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 detalles15 CASOS PRÁCTICOS DE ESTADÍSTICA APLICADA A LAS CIENCIAS DEL TRABAJO ANTONIO FERNÁNDEZ MORALES
15 CASOS PRÁCTICOS DE ESTADÍSTICA APLICADA A LAS CIENCIAS DEL TRABAJO ANTONIO FERNÁNDEZ MORALES MÁLAGA, 2004 15 CASOS PRÁCTICOS DE ESTADÍSTICA APLICADA A LAS CIENCIAS DEL TRABAJO ANTONIO FERNÁNDEZ MORALES
Más detallesUnidad V Pruebas de Hipótesis Una Muestra
En las pruebas de hipótesis, el objetivo es, fundamentalmente, decidir si un valor o valores determinados de la distribución de la variable aleatoria considerada responde o no a la realidad. Una hipótesis
Más detallesCENTRO UNIVERSITARIO MONTEJO A.C. SECUNDARIA Temario Matemáticas 1
BLOQUE 1 Convierte números fraccionarios a decimales y viceversa. Conoce y utiliza las convenciones para representar números fraccionarios y decimales en la recta numérica. Representa sucesiones de números
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
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 detalles5. MODELOS PROBABILISTICOS.
5. MODELOS PROBABILISTICOS. 5.1 Experimento de Bernoulli Un modelo probabilístico, es la forma que pueden tomar un conjunto de datos obtenidos aleatoriamente. Pueden ser modelos probabilísticos discretos
Más detallesGuión de Prácticas. PRÁCTICA METROLOGIA. Medición. 2. CONSIDERACIONES PREVIAS a tener en cuenta SIEMPRE
1. OBJETIVOS Guión de Prácticas. PRÁCTICA METROLOGIA. Medición Conocimientos de los fundamentos de medición Aprender a utilizar correctamente los instrumentos básicos de medición. 2. CONSIDERACIONES PREVIAS
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 detallesTALLER N 2. www.siresistemas.com/clases www.fundacionsire.org www.siresistemas.com
TALLER N 2 1. Supóngase que los nueve valores siguientes, representan observaciones aleatorias provenientes de una población normal: 1, 5, 9, 8, 4, 0, 2, 4, 3. Constrúyase un intervalo de confianza de
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 detalles2. Recolección de información - Medidas de posición: moda, media aritmética, mínimo, máximo - Frecuencia absoluta, relativa y porcentual
Prueba Escrita de matemática / Nivel: Sétimo año 1. Estadística - Unidad estadística - Características - Datos u observaciones - Población - Muestra - Variabilidad de los datos - Variables cuantitativas
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 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 detallesEJERCICIOS. Curso: Estadística. Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses
EJERCICIOS Curso: Estadística Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses 1. Un fabricante de detergente sostiene que los contenidos de las cajas
Más detallesINECUACIONES Y SISTEMAS DE INECUACIONES LINEALES.
Nombre y apellidos : Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I 2ª entrega Fecha: Curso: 1º BACHILLERATO INSTRUCCIONES: Para la realización del primer examen deberás entregar en un cuaderno
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 detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesTeoría del muestreo. Tipos de muestras
Teoría del muestreo El total de un grupo de datos de llama población o universo, y una porción representativa de este grupo se llama muestra. Las muestras desempeñan un papel muy importante en los trabajos
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 detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
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 detallesDEPARTAMENTO DE MATEMÁTICAS NIVEL: PRIMERO
DEPARTAMENTO DE MATEMÁTICAS NIVEL: PRIMERO LOGROS INDICADORES DE LOGROS U-MAT 1.0 PENSAMIENTO ESPACIAL Y SISTEMAS GEOMETRICOS L-MAT 1.1 IL-MAT 1.1 Diferencia y compara las Clasifica objetos según sus características
Más detalles