Professional Documents
Culture Documents
1 x
2
1
N ( X , , ) f ( x) e 2 x
2
donde
es la media aritmtica o promedio aritmtico
es la desviacin estndar
1 x
2
1
2 dx 1
2
e
As, para un proceso que fabrica productos con un peso promedio de 500 gramos y una
variabilidad de 10 , el rea bajo la curva normal es igual a uno.
El centro del proceso es el promedio y la variabilidad de los datos en el entorno del promedio es .
El rea bajo la curva de probabilidad normal expresa la probabilidad de ocurrencia de un intervalo de
datos y es expresada con la expresin:
P(a x b) P(a x b) P(a x b) P(a x b)
As, para el proceso que fabrica productos con un peso de 500 gramos y una variabilidad de
10 , se pueden calcular las probabilidades siguientes:
a) La probabilidad de que el proceso fabrique productos con un peso entre 480 y 510 gramos,
P(480 x 510) 0.8186
b) La probabilidad de que el proceso fabrique productos con un peso mayor de 520 gramos,
Es un grfico simtrico porque, para rangos simtricos de datos las probabilidades son iguales.
Algebraicamente:
P(480 x 490) P(510 x 520) 0.1359
Se puede apreciar en el grfico que, los rangos de datos cercanos al promedio, tienen un rea mayor
que la que corresponde a los rangos de datos de los extremos, expresando que, los datos cercanos al
promedio tienen mayor probabilidad de ocurrir que los datos de los extremos. Un proceso bajo control
estadstico de calidad debe producir la mayor cantidad de productos con datos cercanos al peso
promedio de lo contrario los productos sern rechazados y ocasionar cuantiosas prdidas
econmicas.
CASO DE INVESTIGACIN 1:
En un proceso de fabricacin de quesos con el peso de 500 gramos y una desviacin estndar 10 el
promedio aritmtico poblacional es =500 gramos. Como todos los quesos que se fabriquen deben de pesar
igual que el peso promedio y eso es imposible, muchos de los quesos pueden tener pesos inferiores y
superiores cercanos y otros lejanos al peso promedio. De hecho, los pesos de los quesos que tienen un peso
cercano del peso promedio deben ser aceptados y deben ser la mayora y los pesos alejados del peso promedio
deben ser rechazados y deben ser muy pocos.
Los porcentajes de fabricacin de quesos aceptados y rechazados son medidos probabilsticamente bajo
amplitudes de variabilidad de produccin por arriba y por abajo del peso promedio. Las diferentes amplitudes y
sus porcentajes de produccin de los quesos bajo la curva normal se muestran en el siguiente grfico:
Para el tercer intervalo 3 , la probabilidad de produccin de quesos con pesos aceptables entre
470 y 530 gramos es de 0.9973, por tanto, por cada 10,000 quesos que se fabriquen 9,973 tendrn el
peso que variar entre 470 y 530 gramos y los restantes 27 quesos tendrn un peso no aceptable fuera
de dicho intervalo.
CASO DE INVESTIGACIN 2:
Una tienda comercial desea vender bolsas de quinua que tengan un peso de 1000 gramos. La fabricacin de
estos productos le encarga a una fbrica con el lmite de especificacin siguiente 1000 10 (990,1010) .
Cul debe ser la amplitud de variabilidad o desviacin estndar de produccin si se desea que el proceso
produzca un 99.73% de productos buenos?.
SOLUCIN
Trabajando en el exponente:
x
z
Modelo normal general
Se debe estimar la desviacin estndar para un proceso que fabrique productos con un peso promedio de
1000 gramos con una variabilidad de 10 gramos por debajo y por encima del promedio y que el proceso fabrique
un producto bueno con una probabilidad de 0.9973. El punto normal que corresponde a este proceso es de
z 3 entonces, se trabaja el exponente como sigue:
z ( x )
(x )
z
z ( x )
luego,
(x )
donde,
x LES LEI
entonces usando el LES ,
LES 1000 10
3.3333
z 3
El producto debe fabricarse con una desviacin estndar de 3.3333 .
DISTRIBUCIN NORMAL ESTNDAR Z
La distribucin normal general como se ha visto, modela la probabilidad de productos que estn lo ms cerca del
entorno del promedio en funcin a la amplitud de la variabilidad y diferentes puntos normales. Como el modelo
normal general tiene una frmula complicada de integrar, la ciencia estadstica proporciona un artificio de
transformacin con el cual todos los modelos normales generales de produccin se ajustan y se transforman a
un modelo llamado modelo normal estndar, el cual conserva todas las propiedades del modelo normal
general. El artificio para el ajuste, es la siguiente frmula de transformacin:
X
Z
bajo esta transformacin se transita del modelo normal general al modelo normal estndar. Para retornar al
modelo normal general se expresa la funcin de transformacin como:
X Z
La funcin de densidad de probabilidad normal estndar es:
1 12 z 2
N ( Z , , ) f ( z ) e z
2
donde ahora,
1 es la desviacin estndar
f ( z ) produce las ordenadas que construyen el grfico del modelo normal estndar
Con esta transformacin del modelo de probabilidad normal general al modelo de probabilidad normal estndar,
las probabilidades son calculadas con el modelo de probabilidad normal debiendo estandarizar previamente la
variable X, como sigue:
a b
P Z
CASO DE INVESTIGACIN 3:
De una vertiente de agua se midi el nivel de pH para 60 muestras. Los niveles de pH para estas muestras son:
7.8 6.6 6.1 6.0 7.5 7.5 6.2 6.2 6.1 6.3 6.3 6.6 6.0 7.1 7.8
6.1 8.0 6.4 7.4 6.5 6.6 6.0 7.7 7.1 6.8 7.4 8.0 7.8 6.0 7.6
6.3 6.0 6.6 7.7 7.4 7.5 7.6 6.7 7.7 6.4 7.2 7.1 8.0 6.8 7.0
6.9 7.0 7.8 7.3 7.6 8.0 7.2 6.3 6.0 7.6 7.8 7.8 6.0 6.0 7.4
a) Construya el histograma con su ajuste normal mediante el MINITAB. Mediante este grfico realice el
comentario respecto de la uniformidad de cmo el pH est distribuido en el agua.
b) Pruebe analticamente la normalidad del nivel de pH y comente el grado de la normalidad con el plot normal
y con el valor p.
c) Pruebe si el pH est distribuido homogneamente (normalmente) en el agua.
d) Calcule mediante el modelo de probabilidad normal general y el modelo de probabilidad normal estndar, la
probabilidad de que en una nueva muestra de agua que se extraiga de la vertiente, el nivel de pH sea:
i) Menor de 6.
ii) Mayor de 8
iii) Mayor de 6.5 y menor de 8.5.
e) Si se extrajesen 100 muestras, cuntas de ellas tendrn un nivel de pH menor de 5.
CASO DE INVESTIGACIN 4:
Los tiempos en que una persona se levanta diariamente en 30 das son:
4.471 4.955 4.458 4.195 4.218 4.588 4.431 4.313 4.630 4.176 4.857 4.962 4.613 4.679 4.769
4.996 4.619 4.356 4.545 4.299 4.842 4.915 4.307 4.760 4.730 4.207 4.066 4.991 4.760 4.910
a) Construya el histograma con su ajuste normal mediante el MINITAB. Mediante este grfico realice el
comentario respecto de la uniformidad de la hora de levantarse.
b) Pruebe analticamente la normalidad de la hora de levantarse y comente el grado de la normalidad con el
plot normal y con el valor p.
c) Pruebe si la hora de levantarse est distribuida homogneamente (normalmente).
d) Calcule mediante el modelo de probabilidad normal general y el modelo de probabilidad normal estndar, la
probabilidad de que en un nuevo da, la hora en que la persona se levante sea:
i) Antes de las 4.100 horas.
ii) Despus de las 4.451 horas.
iii) Despus de las 4.10 y antes de las 4.500 horas.