UNIDAD II PRINCIPIOS ESTADISTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gaston A. Pérez U. 2.3- PROBABILIDAD Y DISTRIBUCION DE PROBABILIDAD (2.3.1) PROBABILIDAD-CONCEPTOS Sey PROBABILIDAD/ESTADISTICA ESTUDIAN MODELOS QUE PERMITEN VARIACIONES EN LA SALIDA AUNQUE LAS VARIABLES QUE SE CONTROLAN NO CAMBIEN. Los _movetos /EN PARA PREDECIR LA RESPUEST? SISTEMA A DIVERSAS ENTRADAS. SON 30(Guia de esto para unidadlI de Contrl de Calidad eiborado pore INTERPRETACION DE LA PROBABILIDAD, __-> ESPACIO MUESTRAL=100% [=1] —_. P(A) > ASIGNA > [0-1] Ej. P(A) = 0.2 (20%) P(A)=0 SRESULTADO IMPOSIBLE > RESULTADO SEGURO PROBABILIDAD “GRADO DE CREENCIA DE QUE OCURRA EL RESULTADO” RESULTADOS ota Kory Pee Nolo INTERPRETARSE DIRECTAMENTE youre SURGEN DEL EXPERIMENTO EOI rom saad SON VALORES DE LA NO SURGEN DEL TUL ASOCIAR NUMEROS PROS TU ny Noles VARIABLE ALEATORIA lati REFLEJAN 31Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez LA ASOCIACION DE UN NUMERO CON EL RESULTADO DEL benomina EXPERIMENTO ALEATORIO oe a DEFINICION “FUNCION QUE ASOCIA UN NUMERO A (CADA RESULTADO DE UN EXPERIMENTO ALEATORIO” DENOTA > (x) ——* SUS VALORES (x) VARIABLE — ALEATORIA CONJUNTO POSIBLES ——» RANGO DE (x) VALORES (X) EL EVENTO FORMADO POR DENOTA L roe. TODOS LOS RESULTADOS (xed (x=) PARA X=x (2.3.2) DISTRIBUCION DE PROBABILIDAD "ES UNA DESCRIPCION DEL CONJUNTO DE LOS VALORES POSIBLES DE X CON LA PROBABILIDAD ASOCIADA A CADA UNO DE ESTOS VALORES” 32Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez Br} BN Core urea err con probabilidades) REPRESENTACION ire) or eel c= oa 4 =o ee} ae a MVM arena een aa ee ae) matematica que relaciona los valores de una caracteristicacon su Pe eee eae eed cle a + Las distribuciones de probabilidad permiten hacer predicciones sobre una poblacién partiendo de una muestra de observaciones. + En la seccién (2-1) vimes que las variables cuantitativas son de 2 tipos: Discretas y Continuas + Las variables aleatorias son también de 2 tipos: ce PAT VARIABLE ALEATORIA DISCRETA: + Esaquella que tiene un rango finito (0 infinito numerable) y en donde las caracteristicas que estén siendo ‘medidas pueden tomar sdlo ciertos valores especificos. + Ej Numeros enteros como 0,1,2... > Niimero de errores de un operador. 33Guia de esto para a unidadI de Contrl de Calidad eiborado por el Prof Gastén Pére= + Su distribucion de probabilidad se denomina: “Distribucién de probabilidad discreta”. + Eje La distribucion del nimero de defectos r en una muestra de 5 articulos es una distribucion de probabilidad discreta porque r sélo puede ser 0, 1, 2, 3,4 05. PROPIEDADES + Eneste caso la funcién F(x) = P(X=x) que va del rango de X al intervalo [0,1] recibe el nombre de Funcién de probabilidad. 1. F(x) =P(X=x) 2. F(x) 20 (paratoda x) 3. Yflx)=1 (la suma de todos los valores posibles de x=1) + Las distribuciones discretas de uso frecuente en calidad son: 1. Poisson 2. Binomial 3. Geométrica 4. Hipergeométrica. VARIABLE ALEATORIA CONTINUA + Es aquella que contiene un intervalo finito 0 infinito de ntimeros reales y en donde las caracteristicas que estan siendo medidas pueden tomar cualquier valor. + Ej- Peso, volumen, longitud, etc. > las especificaciones de una pieza metalic. + Su distribucion de probabilidad se llama “Distribucién de probabilidad continua’ PROPIEDADES ‘A. SiF(x) es una funcién de densidad de probabilidades de la variable aleatoria continua X; entonces, para cualquier intervalo de nimeros reales [x ,X ] se cumple: 1. F(x) 20 SEF (x)dx = 1 (el area bajo la curva = 1) PK SX SX) = J f(wdu (la probabilidad es igual al area bajo la curva entre los valores x, yx) + Lamayoria de las caracteristicas continuas siguen una de las siguientes distribuciones de probabilidad: 1. Normal 2. Exponencial 3. Weibull + Estas distribuciones encuentran las probabilidades asociadas con la ocurrencia de los valores reales. + Otras distribuciones continuas como t, F y Chi cuadrada son importantes para el andlisis de datos pero no ayudan a predecir directamente la probabilidad de ocurrencia de los valores reales. (2.3.3)- DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Como estudiamos en la seccién (2.3.2) cuando se usan datos medibles como metros, kilogramos, voltios, etc. la distribucién de probabilidad es continua. En este segmento estudiaremos las tres mas utiizadas en control de calidad: normal, exponencial y Weibull. 34Guia de esto para a unidadI de Contrl de Calidad eiborado por el Prof Gastén Pére= A- DISTRIBUCION NORMAL Distribucién Forma ___Funcién de probabilidad __ Comentarios sobre i aplicaca Norma : plicable euando ay una 1 tf concentacion de bservasiones =e acerea del promédio'y es gualmene probable que las observaciones ——- Medtiana Curran por encima por dejo dl Dewvisein esténdar promedio. La varaci en las ‘observaciones normalmente es resultado de muchas pequefies ASPECTOS A CONSIDERAR: + La curva para la distribucién normal esta relacionada con una distribucién de frecuencia y su histograma. + La forma de un histograma de una muestra de datos proporciona ciertos indicios sobre la distribu de probabilidad de la poblacién. = Conforme la muestra se va haciendo mas y mas grande, y la anchura de cada celda se vuelve mas y ms pequefio, el histograma se acerca a una curva grande. + Siel histograma se asemeja a la forma de una campana como el de la figura anterior, ésta es una base para asumir que la poblacién sigue una distribucién de probabilidad normal. * Por lo que si se midiera la poblacién entera y ésta estuviese distribuida normalmente, el resultado seria idéntico al de la figura anterior. + Para calcular probabilidades utilizando la distribucién normal s6lo se requiere conocer la media (u) y la desviacién estandar de la poblacién (c); de manera que sélo necesitaremos 2 estimaciones y una tabla para predecir: 1. Laestimacién de y es x (promedio muestral) 2. Laestimacion de o es s (desviacién estandar muestral) 3. La tabla para la distribucion normal contiene un parametro llamado con la siguiente ecuacién: on . el cual se calcula x Zz u + Latabla ofrece los valores probabilisticos asociados a las estimaciones. a oz (Znegativo) (Z positive) + Existen tablas de distribucién normal que presentan valores considerando U=0 y se conoce como distribucién normal estandar [N(0,1)] > P(Z>2) (los valores de Z son todos positives) ‘+ Estudiemos la distribucién normal con un ejempl Un fabricante llegé a la conclusién de que el tiempo de vida de una bombilla eléctrica sigue una distribucién normal. Una muestra de 50 focos se puso a prueba, y el promedio de vida fue de 60 dias,Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez con una desviacién estandar de 20 dias ;Cuantas bombillas de la poblacién entera de focos se puede esperar que sigan trabajando después de 100 dias de vida? Solucié El 4rea bajo la curva entre 2 limites representa la probabilidad de que ocurra. Para hallar la probabilidad utilizando la tabla de distribuci6n normal debemos calcular primero a Z: 100-60 40 499 Y donde x = valor particular. ‘+ Buscamos para Z = +2.0 en la tabla de distribuci6n normal y hallamos que la probabilidad de que un foco dure 100 dias o menos es de 0.9773. + Elrea total bajo la curva en la distribucion normal es = 1, por lo que: P (> 100) =1-0.9773 = .0227 = 2.27% << 2.27 % de los focos seguiran funcionando después de 100 dias >> B- DISTRIBUCION EXPONENCIAL Distribucién Forma Funcién de probabi ‘Comentarios sobre la aplicacién Exponencial Aplicable cuando es probable que ims observaciones ocuran por debajo del promedio que por ari La curva en la distribucién exponencial describe el patrén de carga para algunos miembros estructurales. + Lacutva exponencial también sirve para describir la distribucién de los tiempos de falla en los equipos complejos. ‘+ Una propiedad muy caracteristica de la distribucién exponencial es que la desviacién esténdar es igual ala media, + Enuna poblacién exponencial: 36Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez 36.8 % se encuentra por encima del promedio. 63.2 % se encuentran por debajo del promedio. Se utiliza una tabla para hacer una prediccién en una distribucién exponencial, es decir, para hallar el rea bajo la curva, En ella encontramos el valor de la distribucién exponencial e**, el parametro que presenta la tabla es z para diferentes valores de X. ‘+ Estudiemos la distribucién exponencial con un ejemplo: Se mide el tiempo entre las fallas sucesivas de una pieza compleja de equipo reparable y se determina que el histograma resultante se parece a la curva de probabilidad exponencial; para la medicion que se hizo, la media del tiempo entre falla (MTBF) es de 100 hr {Cual es la probabilidad de que el tiempo entre 2 fallas sucesivas del equipo sea de al menos 20 hr? Solucion: ‘+ Buscamos en la tabla este valor y encontramos 0.8187. Es decir: ~ 82 % de posibilidad que el equipo opere de manera continta sin fallas por al menos 20 hr. C- DISTRIBUCION DE WEIBULL Distribucién Forma Funcin de probabilidad ‘Comentarios sobre la aplicacién Weibull = 7 Aplicable al descrii B=I2 oe = _ypPeaiot PI ccribir una amplia axl aB(X-7)"e variedad de patrones en variacin, imcluyendo desviaciones de la c= Parimetro de escala normal y exponencial B= Pardmetro de forma x = Pardmetro de ubicacién + Lacurva de la funcién varia grandemente dependiendo de los valores numéricos de los parametros. © Elparametro ‘’ es el mas importante porque refieja el patran de la curva (parametro de forma): - B= 1 >seacerca ala distribucién exponencial - B=3.6 > se acerca aa distribucién normal. - Ena practica B varia entre =y 5. El parametro de escala ‘a’ esta vinculado al grado de apuntamiento de la curva, es decir, si ‘a’ cambia, la curva se vuelve mas plana o apuntada. ‘© Elparametro de ubicacidn ‘y’ es el valor mas pequefio posible de X. Con frecuencia se asume igual a 0, lo cual simpifica la ecuacién. Se utiliza una hoja de probabilidad de Weibull (ver figura siguiente): 37Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez Hoja Webut ‘Recs scm ener v 1030300) 300500 Fm * Con ella se puede estimar 6 dibujando una linea paralela a la linea que mejor se adapte y a través de un punto marcado en la escala vertical de 40.0 Entonces, la interseccién con el arco da una estimacin de B. + Ena practica, Weibull es muy popular porque cubre muchas formas de distribucién ya que reduce los problemas de examinar una serie de datos y decidir cual de las distribuciones comunes se adapta mejor '. + Estudiemos la distribucién Weibull con un ejemplo: Se sometieron a prueba 7 mangos tratados con calor hasta que cada uno fallara; la vida de fatiga (#t de ciclos hasta la fala) fue como sigue: 11251. 17786. 26432, 28811. 40122, 46638. 52374 £Utilice Weibull y trate de predecir el % de fallas de la poblacién? Soluci * Excel de Microsoft es itil para levar a cabo andisis Weibull, 38Guia de esto para a unidadI de Contrl de Calidad eiborado por el Prof Gastén Pére= Diagramar los datos en una hoja Weibull y observar si los puntos caen aproximadamente en una linea recta: 2. En un diagrama Weibull los datos originales se diagraman en comparacién con las “calificaciones promedios’, éstas se calculan con la siguiente formula: cP i-03 - ~ roa Dende: i = No. de falla correspondiente cp1 = #92 = 0099 N= tamafio de la muestra Valores OF patos | i | op | % | segunTabla | % “ iii | 1 | 0099 | a9 | ooo | 9.43 i7ee | 2 | 0230 | 2s 02205 | 22.95 zeasz2 | 3 | 026s | 365 | os6as | 6.48, zesti | 4 | 0500 | 50 0.8000 | 50 aoe | 6 | 0635 | as | ossse | esse ass | 6 | 0770 | 7 07705 | 77.05 sas7a | 7 | 0905 | 905 | 0.9087 | 9087 (") Las califcaciones promedios las podemos encontrar directamente en la tabla de Weibull; para ello buscamos en la escala horizontal los valores asociados a 7 que es el total de muestras sometidas a pruebas Procedemos a diagramar en la hoja Weibull los valores encontrados: en la escala horizontal la caracteristica de interés (ciclos) y en la vertical los porcentajes (CPx100). Ver figura siguiente: 8000 ; 39Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez La grafica indica que cerca del 80% de la poblacién fallara en menos de 52.000 ciclos. Con Weibull podemos extrapolar para por ejemplo, pronosticar la vida de los mangos. Supongamos que se especificd una vida minima de fatiga de 8000 ciclos; aparentemente todas cumplieron con la especificacion, no obstante, extrapolando en la hoja, vemos que predice que cerca del 5% de la poblacién de mangos fallara en menos de 8000 ciclos; esto a todas luces no es alentador; Weibull acta en este caso como una sefial de alarma destacando un problema potencial © Poriiltimo, debemos tomar en cuenta que para diagramar en Weibull se requieren al menos 7 puntos. (2.3.4) DISTRIBUCIONES DE PROBABILIDADES DISCRETAS Como ya estudiamos en la seccién (2.3.2), cuando se usan valores especificos como los nimeros enteros (0, 1, 2,3...) la distribucién de probabilidad es discreta. En esta seccién estudiaremos las distribuciones de uso frecuente en control de calidad: binomial, hipergeométrica, Poisson y geomética. EXPERIMENTO BERNOULLI En calidad es frecuente que se den variables del tipo Pasa/No Pasa; por ejemplo: ~ Se cumple o no con las especificaciones ~ Resiste cierta fuerza o no ~ Una lampara enciende o no Un experimento aleatorio donde los posibles resultados son éxito o fracaso se denomina: “Experimento Bernoulli”. Un experimento aleatorio que consiste en una secuencia de “n’ ensayos Bernoulli y en donde ademas se cumple que (1) Los ensayos son independientes (2) La probabilidad de éxito en cada ensayo (p) permanece constante se denomina: Experimento Binomia'’. A- DISTRIBUCION BINOMIAL Distribucién Forma Funcién de probabilidad ‘Comentarios sobre la aplicaciéa Binomial* : plicable al definir la probailidd Maa de rocurtencias en n intents dun C evento que tiene una probabilidad constante de ocurrencia en cata lento independiente. r= Niimero de ocurrencias p= Probabilidad de ocurrencia _ n= No. de pruebas/No. en la muestra = No. de ocurrencias/Cantidad de no conformes en la muestra p = Probabilidad de ocurrencia/Proporcién de no conformes en la poblacién = proporcién de conformes (1-p) en la poblacién 40Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez DISTRIBUCION BINOMIAL (n, p): es /a que proporciona la probabilidad de observar x éxitos en una secuencia de n experimentos Bernoulli independientes con una probabilidad constante p de éxito. Consideraciones: + En la mayor parte de los casos de control de calidad no interesa toda la distribucién, sino s6lo uno o dos términos de! desarrollo binomial; la funcién de probabilidad binomial (f6rmula anterior) se utiliza para calcular un término. * Aplicaciones de la distribuci6n: ~ Se usa para el caso infinito (aunque bajo ciertas condiciones puede aproximarse a la distribucion hipergeométtica). ~ Se requiere que haya dos y sélo dos resultados posibles (unidad conforme o no conforme), y que no cambie la probabilidad de cada resultado. ~ Requiere que los intentos sean independientes; es decir, si se presenta una unidad no conforme, la probabilidad de que la siguiente sea no conforme no aumenta ni disminuye. + En la practica, la presuncién de una probabilidad constante de ocutrencia es considerada razonable cuando el tamajio de la poblacién es de al menos 10 veces el tamafio de la muestra. + Se utiliza una tabla donde se presentan valores para ‘n’ y ‘p’ y con éstos encontramos los valores de ‘r’ y sus respectivas probabilidades. + Cuando p = q la distribucién es simétrica > p # qlla distribucién es asimétrica + La forma de la distribucién siempre es funcién del tamafio de muestra n, y de la proporcién de no conformes p. El cambio de alguno de estos valores causa una distribucién diferente, + Estudiemos la distribucién binomial con un ejemplo: Un lote de 100 unidades de producto se presenta a un vendedor cuya calidad pasada ha tenido 5% de defectos. Se selecciona una muestra aleatoria de 6 unidades del lote cEncuentre las posibles probabilidades de piezas con defectos? No. de ocurrencias o ensayos con éxito (0-6) n= No. de pruebas (muestras) = 6 p = probabilidad de ocurrencia (no conformidades) = 0.05 > —p=1-0.05 = 0.95 r Y= r Y= r Y= 0) | 0.057095] & | qe @.osyrCa9He* | (~) | = ,@.05)"0.95) 0 0.7351 2 0.3060 4 0.0001 5 0.0000 1 0.2321 3 0.0021 rs 7.0000 << De manera que por ejemplo la probabilidad de encontrar 2 defectos en la muestra es de .306 >> Utiizando la tabla Binomial para n = 6 y p = 0.05 obtenemos directamente los siguientes valores (comparar con los calculados con la formula) 0>.7951 15.2821 25.0305 35.0021 40,0001 50,0000 Algunos ejemplos tipicos de la distribucién son los siguientes: Un proceso produce 5% de piezas defectuosas. Sea X el nlimero de piezas defectuosas en las siguientes 20 piezas producidas. 4Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez 2. En la prueba final de articulos electrénicos se tiene un historial de que 1% tiene alguna falla que es necesario reparar antes de liberario. Sea X la cantidad de articulos con fallas en los siguientes 50 inspeccionados. 3. Enuna zona costera se ha determinado que el porcentaje de incidencia del célera es de 20%. Sea X las muestras positivas en los siguientes 15 muestreos. B- DISTRIBUCION HIPERGEOMETRICA DEFINICION: es /a que da la probabilidad de obtener X éxitos en n experimentos Bernoulli, donde la probabilidad de éxito cambia de un experimento al siguiente. * Aplicacién: + Cuando el tamafio del lote (poblacién finita) es pequefio con respecto al tamajio de la muestra (ésta se toma sin sustitucién). + Cuando no se puede utilizar la presuncidn de Poisson o la Binomial. + Consta de 3 combinaciones: 1. Combinaciones Totales: c 2. Combinaciones No Conformes: C2 3. Combinaciones Conformes: C*=? + Suforma es: pick P= art Donde: P(d) = Probabilidad de ‘a’ unidades no conformes en una muestra de tamafia ‘n’ cr inacién de todas las unidades. a \n de unidades no conformes. cM n de unidades conformes. N No. de unidades en el lote (poblacién). n No. de unidades en la muestra. D lo. de unidades no conformes en el lote. d lo. de unidades no conformes en la muestra. N-D =No. de unidades conformes en el lote. nd =No. de unidades conformes en la muestra. La férmula para resolver combinaciones viene dada por: ces Por definicién: mat Ej. Un lote de 9 termostatos esta en una caja que contienen 3 unidades no conformes {Cudl es la probabilidad de sacar 1 unidad no conforme, en una muestra aleatoria de 4? Lote: Muestra: N= poblacién = 9 n= tamafio muestra = 4 D=No conformes = 3 d= No conformes = 1 N-D=9-3=6 n-d=4-1=3 El cdlculo para la 1ra muestra seria: 42Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez 476 Si efectuamos los célculos para P(0), P(2) y P(3) (sélo hay 3 unidades no conformes) obtenemos: P(0)=0.119 P(2)=0.357 P(3) = 0.048 La suma de todas las probabilidades = 1 (de acuerdo a las propiedades de las distribuciones de probabilidades discretas): P(T) = P(0)+P(1)+P(2)+P(3) = 0.119+0.476+0.357+0.048 = 1.00 Utiizando la tabla suministrada de probabilidades acumuladas de la distribucién Hipergeométrica (en donde D =r; d =x) con los valores siguientes: N=9 r=3 n=4 x=1 dex (No conformes) | P(x) acumuladas’ 0 1190) 1 5952 9523 3 9999) De manera que los valores pueden considerarse similares ya que sélo difieren por el nimero de cifras decimales utlizados. C- DISTRIBUCION DE POISSON En control de calidad es frecuente evaluar vatiables tales como: ~ No. de defectos por articulos ~ No. de defectos por m? ~ No. de defectos por unidad de area ~ No. de impurezas en un liquido ~ No. de errores de un trabajador Lo anterior puede resumirse de la siguiente manera: > No. De eventos por unidad (area-volumen-tiempo- etc.) Este tipo de variables tiene frecuentemente una distribucién de Poisson cuya funcién viene dada por: Distribucién Forma Funcién de probabilidad ‘Comentarios sobre la aplicacién Poisson® wy Igual que la binomial, mas (on) e" partcularmente aplicable cundo bay ‘muchas oportunidades de ocurenia seo Biyichod de un evento pero una baja ‘imero de ocurrencias | robabilidad (menos de 10) encada Probabilidad de ocurrencia | intento. 43Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez = No, de ocurrencias 0 No. de eventos de determinada clasificacién que se presenta en una muestra {articulos defectuosos 0 no conformidades, ete.). tuenta promedio 0 No. promedio de eventos de determinada clasificacién que hay en una muestra. 2,718281 + Pata la distribucién de Poisson se cuentan con dos tablas donde se presentan las probabilidades acumulativas o sin acumular (ambas son suministradas como anexo). ‘+ La tabla contiene en sentido horizontal la probabilidad de ‘r 0 menos ocurrencias del evento que tiene un numero promedio de ocurrencias igual a ‘np’ (algunos lo llaman A) en la primera columna (ver figura). ‘+ Estudiemos la distribucién de Poisson con un ejemplo: Un vendedor cuya calidad pasada ha sido aproximadamente 2% de defectos, presenta un lote de 300 unidades de producto. Se selecciona del lote una muestra aleatoria de 40 unidades ;Cudl es la probabilidad de piezas con defectos? Soluci Para encontrar los valores de “r' en la tabla, necesitamos calcular primero a “np* No. de intentos o pruebas = 40 np = 40 x 0.02 = 0.800 robabilidad de ocurrencia = 0.02 ~ Buscamos en la tabla de la distribucién de Poisson que presenta la probabilidad de encontrar ‘r’ (No. de defectos) en una muestra de 'r’ unidades. ~ Para el valor calculado de np = 0.800. Buscamos en la tabla y encontramas ‘r' hasta un maximo de 5 defectos (el sexto igual a 1.000 no se considera); Con los datos obtenidos construimos la siguiente tabla: T(@#de | Probabilidad ] — Probabiidades eventos) | acumulativasr | __individuales r 449 80g 53 997 999 7.000 of slea|no) lo - En la otra tabla suministrada de la distribucién de Poisson, los valores de probabilidades individuales son directamente obtenidos sin tener que efectuar los célculos anteriores (debido a que se utiizan 4 cifras decimales, aparece valor para r = 6). - Segiin la tabla anterior: © Laprobabilidad de encontrar 2 defectos = 0.144 (14.4%). © Laprobabilidad de encontrar 4 defectos = 0.8 (80%). CONSIDERACIONES SOBRE POISSON: 44Guise estado para nda de Conttl de Calidad ehaborado por el Prof Gastén Pérez + Poisson es una aproximacién de distribuciones mas exactas como por ejemplo la binomial; puede utilizarse como una distribucidn exacta cuando un evento tiene muchas oportunidades de ocurtir. Es util para calcular las probabilidades asociadas con los procedimientos de muestreo. Se aplica cuando el tamafio de la muestra es de al menos 16 (ej. = 40); el tamaiio de la poblacién es de al menos 10 veces el tamafio de la muestra (40 x 10 = 400) y la probabilidad de ocurrencia ‘p’ en cada intento menor a 0.1 (ej. 0.02). Casi siempre se cumplen estas condiciones. + Poisson es la base de las graficas de Control de atributos y el muestreo de aceptacién. D- DISTRIBUCION GEOMETRICA DEFINICION: es la que proporciona la probabilidad de requerir X repeticiones independientes de un experimento Bernoulli para observar el primer éxito. 45