INDICE

Control estadístico de calidad

Pág.
Indice 1
Objetivos 2
2.0 Cálculo de probabilidades 3
2.1 Concepto de probabilidades 3
2.1.1. Regla de adición de probabilidades 4
2.1.2. Regla de producto de probabilidades 6
2.1.3. Aplicación de ambas reglas 7
2.1.4. Probabilidad con y sin reposición 9
2.2.0 Distribución Normal 12
2.2.1 Expresión de Gauss 12
2.2.2 Estimación de parámetros 15
2.2.4 Relación entre parámetros y tolerancia 21
2.3 Distribución Binomial 22
2.3.1 Ley Binomial 22

1
Objetivo : Conocer y aplicar las reglas y leyes que rigen el cálculo de probabilidades

Objetivo : Conocer y aplicar reglas, para el cálculo de probabilidades

Objetivo : Comprender y aplicar la distribución normal

Objetivo : Comprender y aplicar la distribución binomial

Objetivo : Comprender y aplicar la distribución normal

2
UNIDAD 2.0: CALCULO DE PROBABILIDADES

2.1: Concepto de probabilidad

Si tomamos varios sucesos y analizamos la probabilidad de que ocurra un suceso

determinado. Entonces estamos calculando probabilidad de ese suceso.

Analicemos la probabilidad, pero desde un punto de vista absolutamente práctico.

Supongamos un eje graduado desde 0% a l00%; lo llamaremos escala de probabilidades.

Tomemos dos sucesos y trataremos de calcular sus probabilidades de ocurrencia.

Certeza Absoluta

100% - Que un hombre muera algún día

83, 3% No cuatro al tirar un dado

Escala 70% No figura de un naipe de 40
De cartas
Probabilidades 50% Cara al tirar una moneda

32,,4% Primera docena en la ruleta

7,8% Salga K en un naipe de 52 cartas

0% - Que salga 7 al tirar un dado normal

Imposibilidad
Absoluta

El primer suceso que muera un hombre algún día. Evidentemente esta probabilidad es
100%, es decir certeza absoluta. El segundo suceso: que salga 7 al tirar un dado.

Un dado normal tiene seis caras marcadas de 1 a 6 es absolutamente imposible que quede el
siete en su cara superior. Por lo tanto su probabilidad es cero.

Cualquier otro suceso quedaría ubicado entre estos extremos. Ningún suceso puede tener
una probabilidad superior a 100% ni inferior a 0%.

El tercer suceso: que salga cara al tirar una moneda al aire ser 50%. (una en dos) y así se
dan los otros puntos intermedios de probabilidades como lo es el ejemplo cuarto: que salga
K en un naipe de 52 cartas, es 7,8%, en efecto un naipe está compuesto por 52 cartas y
dentro de ellas sólo 4 están marcadas con la letra K con lo que resulta cuatro en cincuenta

3
y dos, es decir, 7,8 % y así se pueden calcular todos los puntos dados en la escala de
probabilidad.

En base a los ejemplos dados se puede expresar la probabilidad como:

Probabilidad = Casos favorables al suceso

Total de Casos

P = K/ N

El suceso puede ser negación o afirmación de algo.

La probabilidad puede ser expresada en tres formas distintas: porcentual, fraccionario o
decimal. La forma porcentual es la más usada para informar resultados y durante el cálculo
se usan valores fraccionarios o decimal. Evidentemente las tres indican lo mismo.

El ejemplo de que salga primero un doce en la ruleta se puede escribir:

P = 12 = 0,324 = 32,4%
37

Por definición se deduce que:

0  p  1 00%

0  P 1

Digamos por último que todos los ejemplos dados son sucesos simples, es decir que se
impone una única condición. Para calcular la probabilidad de sucesos compuestos
debemos recurrir a las reglas de adición y multiplicación de probabilidades.

2.1.1 Regla de la Adición de Probabilidades

Consideremos el siguiente ejemplo

Calcular la probabilidad de que quede el 4 o el 5 en la cara superior de un dado al tirarlo

libremente
Es evidente que si al tirar el dado saliera el 4 no podría salir el 5 y viceversa. Es decir estos
sucesos son dependientes entre si, o bien, se eliminan el uno al otro. En efecto si sale uno
no ocurre el otro. En estos casos se aplica la regla de la adición de probabilidades que dice:

"La Probabilidad de que ocurra un suceso compuesto de dos o más sucesos que se excluyen
entre si, es igual a la suma de las probabilidades de cada uno de estos sucesos”.

El enunciado del problema pide la probabilidad de uno o de otro suceso. Por ello también
es llamada regla o –o.

4
En nuestro ejemplo obtener 4 o 5 la probabilidad sería:

P4 = 1 = 0,167 = 16,7%
6

p5 = 1 = 0,167 = 16,7%
6

p4 o5 = p 4 + p5 = 2 = 33,3%
6

Otro ejemplo : Un lote de piezas contiene 5% de las mismas es defectuosa. Al sacar una
pieza, calcule la probabilidad de que sea defectuosa o que sea buena.

Probabilidad defectuosa = 5%

Probabilidad de buena = 95%

Entonces pd + pb = pd o b

pd o b = 0,05 + 0,95 = 100%

Este resultado es el esperado, pues entre buenos y los defectuosos tenemos la totalidad de
los casos o sea, certeza absoluta, el 100%..

Observemos que en estos casos (sucesos que se excluyen entre si) la probabilidad total es
mayor ( a lo sumo igual) que la mayor probabilidad de los sucesos que intervienen.

p T  pi

Ejemplo: Se reúnen 25 hombres de diferentes nacionalidades como se detallan

Argentinos 6 hombres
Brasileros 3 hombres
Españoles 5 hombres
Estadounidenses 1 hombre
Ingleses 4 hombres
Mejicanos 2 hombres
Peruanos 1 hombres
N=25
De estos 25 hombres se debe elegir uno, suponiendo que todos están en igualdad de
condiciones, calcule:

5
 a) que el electo sea europeo
b) que hable castellano
c) que sea norteamericano
d) que hable inglés
e) que sea sudamericano

Soluci6n:

a) Satisface la elección si es español o inglés (regla o - o).

Pe = 5 = 0,20
25

pi = 4 = 0,16
25

p eoi = 0,20 + 0,16 = 0,36 = 36%

b) Si es Argentino o español o, mejicano o peruano habla castellano.

P a + pe + p m + pp =
6 + 5 + 2 + 4 = 0,68
25 25 25 25
c) Que el electo sea norteamericano. Debe ser estadounidense o mejicano.

pn + pm = 1+ 2 = 0,12
25 25

d) Que hable inglés, o sea, estadounidense o inglés

pn + pi = 1 + 4 = 0,20
25 25

e) Que sea sudamericano, puede ser argentino o peruano o brasilero.

pa + pp + pb =6+4+3 = 0,52
25 25 25

2.1.2 Regla del Producto de Probabilidades

Consideremos el siguiente ejemplo: Se tiran dos dados normales, uno rojo y otro azul. Cuál
es la probabilidad de obtener 4 en el dado rojo y 5 en el dado azul?

Este es un caso diferente a los anteriores, si sale 4 en el rojo nada impide que salga el 5 en
el azul. Son acontecimientos independientes entre si, no se eliminan uno al otro. Para estos
casos aplicamos la regla del producto o regla y-y que dice:

6
"La probabilidad de que ocurra un suceso compuesto de dos o más sucesos que no se
excluyen entre si, es igual al producto de las probabilidades que tiene cada uno de estos
sucesos".

El enunciado del problema pide la probabilidad de un suceso compuesto y de otro. Es decir

4 y 5. Es la regla y – y.

P4 = 1 = 0,167 = 16,7%
6

p5 = 1 = 0.167 = 16,7/Y.
6

p4 y 5 = P4 x P5 = 1 x 1 = 1 = 2,78%
6 6 36

Ejemplo Un tirador (A) acierta en el blanco el 80% de sus tiros. Otro tirador (B) acierta el
60% de sus tiros. Si ambos disparan simultáneamente sobre el mismo blanco, calcule la
probabilidad de que ambos acierten en el blanco simultáneamente.

Deberán acertar el tirador A y el tirador B. Regla y-y.

pA = 80% = 0,8

pB = 60% = o,6

pT = pA x pB = 0,8 y 0,6 = 0,48 = 48%

En estos casos la probabilidad total es menor que la menor probabilidad de los sucesos que
intervienen.

pT  p i

2.l.3 Aplicación de ambas reglas.

Para resolver los problemas de cálculo de probabilidad, se debe leer cuidadosamente el

enunciado del problema, entender lo que se quiere calcular y recordar que se deben cubrir
todas las posibilidades.

7
 El cálculo de probabilidad suministra informaci6n “a priori" de un hecho determinado y no
tiene valor una vez ocurrido el hecho.

Ejemplo: Se tiran dos dados normales. Calcule la probabilidad de obtener un cuatro y un

cinco.
Parece el mismo problema que hemos resuelto antes. Sin embargo no es así. Para facilitar
la comprensi6n supongamos un dado rojo y otro azul. Puede ocurrir que obtengamos 4 en
el rojo y 5 en el azul, o 5 en el rojo y 4 en el azul, que es lo que el enunciado pide.

Si sale 4 en el rojo nada impide que salga 5 en el azul. Le corresponde la regla y-y. Lo
mismo ocurre para 4 en el azul y 5 en el rojo.

Si sale 4 en el rojo no puede salir 5 en el rojo.

Si sale 5 en el azul no puede salir 4 en el azul. Por lo tanto le corresponde la suma de las
probabilidades de cada uno de estos sucesos compuestos.

P4 = 1 = 0,167
6

P5 = 1 = 0,167
6

P4 o 5 = 1 x 1 = 0,0278
6 6
P5 o4 = 1 x 1 = 0,0278
6 6

PT = P4 o 5 P5 o 4 = 0,0278 + 0,0278 = 5,56%

Ejemplo: Se tiran los dados normales. Calcule la probabilidad de obtener 9 como la suma
en sus caras superiores.

P T = P 3 y 6 + P4 y 5 + P5 y 4 + P6 y 3

El subíndice identifica a los 2 dados.

Cada una de estas probabilidades corresponden a sucesos compuestos y son todos iguales
entre si y valen:

P 3y6 = P3 x P 6 = 1
36

Por lo tanto PT = 4 = 1 = 11,1%

36 9

8
Ejemplo: Se sabe que en un lote contiene 5%, de unidades defectuosas. Si se toma una
muestra de 2 unidades calcule la probabilidad de hallar una buena y la otra defectuosa.

Supongamos que tomamos con la mano izquierda la primera y con la derecha la segunda.
Se pueden obtener los siguientes resultados, buena y defectuosa o defectuosa y buena.

La probabilidad pedida es:

PT = ( Pb x Pd + (P d x Pb)

y como Pd = 5%

y Pb = 95%

resulta P T = 2 x 0,05 x 0,95 0,095 9,5%

En forma general tomando una muestra de un lote que contiene p%. defectuosas, la
probabilidad de encontrar k defectuosos en las n unidades de la muestra se puede calcular
por la ley binomial.

2.1.4 Probabilidad con y sin reposición

En los ejemplos anteriores no hablamos del tamaño del lote ni que se hacía con las unidades
que se retiraban.

Existen dos posibilidades:

a) Devolver las unidades antes de tomar las unidades siguientes

b) No reponer las unidades extraídas.

Analicemos la diferencia que existe en base a ejercicios.

Ejemplo: Calcule la probabilidad de encontrar una unidad defectuosa y otra buena, si se

toman dos unidades de un lote de 20 cuya fracción defectuosa es 5%.

5% de 20 es uno. Es decir 19 son buenas una es defectuosa.

La probabilidad de unidades buenas es:

Pb = 19 = 95%
20

y la de unidades defectuosa

9
 Pd = 1 = 5%
20

Todo este cálculo es válido para la primera unidad tomada.

Para los siguientes es válido si se reponen las unidades extraídas; en este caso tendríamos
probabilidad con reposición, la cual resulta para nuestro ejemplo:

PT = 2 x 0,05 x 0,95 = 9,5 %.

Ahora calculemos la probabilidad sin reposición. Puede ocurrir que la unidad extraída sea:

1) buena – defectuosa o

2) defectuosa - buena

Para el caso (1) puesto que no reponemos las unidades extraídas, resulta:

P1 = 19 x 1 = 0,05%
20 19

Para el caso (2) sería:

P2 = 1 x 19 = 0,05
20 19

PT = P1 + P2 = 0,1 = 10%

Como hemos visto los resultados varían cuando se considera con o sin reposición.
Propongámonos hacer el mismo cálculo haciendo el lote ahora igual a 200 Unidades.

Es fácil comprobar que la probabilidad con reposición es la misma que hemos calculado
antes; pero calculemos la probabilidad sin reposición.

Ejemplo: El 5% de 200 es 10, esto quiere decir que en el lote existen 10 unidades
defectuosas y 190 buenas. Entonces la probabilidad de buena - defectuosa es:

P1 = 190 x 10 = 4,77%
200 199

y la probabilidad de defectuosa - buena es:

P2 = 10 x 190 = 4,77%
200 199

Con lo cual la probabilidad total es:

PT = P1 + P2 = 9,54%

10
Este resultado no difiere mucho del resultado con reposición.

Después de estos ejemplos podemos concluir que la probabilidad con reposición es

independiente del tamaño del lote que la probabilidad sin reposición es prácticamente igual
a la probabilidad con reposición, si se cumple que el tamaño de la muestra es mucho menor
que el tamaño del lote.

2.2 DISTRIBUCION NORMAL

2.2.1 La expresión de Gauss

En la práctica lo que se hace es fijar una distribución hipotética y, mediante métodos de

ensayos estadísticos, comprobar por medio de muestras si existen diferencias significativas
entre la distribución experimental y la distribución hipotética.

Es decir, que se establece una ley, lo cual no significa que los fenómenos son
efectivamente como la ley dice, sino que no hay razones para suponer que no
responden a la ley establecida. Cuando encontramos que existen diferencias significativas"
entre la realidad y la ley formulada, desechamos la ley y la reemplazamos por otra. La
realidad puede diferir bastante, pero de acuerdo a los métodos de comprobación
disponibles, todo se comporta como si respondiera a dicha ley.

Por las características propias de los procesos industriales, la mayoría de ellos responden a
la curva de Gauss, que es una distribución teórica, razón por la cual trataremos de estudiarla
parcialmente, con el objeto de poder resolver los problemas que encontramos en Control
de Calidad.

La curva de Gauss, queda definida por la expresión:

1
2
 X  X 2
1
Y e 2
 2

Donde:

Y= Es la función de la distribución
= 3.1416
e= 2,7172 base de los logaritmos naturales
X= Es la variable en cuesti6n
X = Media aritmética
 = Raíz cuadrada de la varianza

11
Si observamos la expresión de Gauss, vemos que la curva tiene un sólo mínimo, el cual
corresponde a la abscisa x = x . Además la curva se halla en su totalidad en el semi
plano correspondiente a las ordenadas positivas, y se hace asíntota al eje de las abscisas en
ambos extremos.

El diagrama resulta simétrico a un eje perpendicular al de las abscisas que pasa por
x= x
y Y

Punto de
inflexión

X=X

Tal como dijimos en la unidad anterior, la probabilidad de un valor en particular de la

variable es muy pequeña; es un diferencial de probabilidad (dP = ydx) (hablábamos de
valores continuos) y por lo tanto la suma total de estas, probabilidades diferenciales es la
certeza.

Es decir, la superficie total encerrada por la curva y el eje de las abscisas, es unitaria,
cualesquiera sean los valores de x y  la superficie total bajo la curva, es siempre uno.

Por otra parte, digamos que la curva tiene dos puntos de inflexión equidistantes de la
abscisa x  x y que esa distancia medida sobre el eje de las x es justamente un .

El área total limitada por la curva y el eje X es uno; de aquí que el área bajo la curva entre
dos valores de variable X, representa la probabilidad de que se encuentre entre estos dos
valores de la variable X.

Cuando la variable X viene expresada en unidades de desviación,

(x  x)
z


La ecuación queda sustituida por la forma tipificada

1/2 . Z 2
Y = 1 e 
 2

En este caso se dice que Z se distribuye normalmente con media cero y varianza uno.

12
Un gráfico de esta curva normal tipificada se muestra a continuación.

-3 -2 -1 0 1 2 3 Z

En este gráfico se han indicado las áreas incluidas entre Z:= -1 y +l; Z= -2 y +2; Z= -3
y +3, que son respectivamente, el 68,27%; 95,15% y 99,73% del área total bajo la curva
que vale 100.

Los valores de área bajo la curva se encuentran tabulados y se adjuntan en el anexo, la

tabla correspondiente.

Ejemplo: En un examen final de matemática la media fue 72 y la desviación típica 15.

Determinar los valores tipificados de los estudiantes que obtuvieron: 60, 93 y 72 puntos.

(x  x)
z


a) Z = 60 - 72 = 12 = 0,80
15 15

b) Z = 93 - 72 = 21 = 1,40
15 15

c) Z = 72 - 72 = 0
15

En los valores de Z encontrados en el ejemplo anterior encontrar el área bajo la curva

normal en, cada uno de los casos. Utilizando la tabla de áreas bajo la curva anexa
En dicha tabla se va hacia abajo en la columna encabezada por Z hasta alcanzar el valor
0,8. Entonces por esa fila hacia la derecha hasta intersectar la columna cero se lee el
resultado 0,2881 que es el área pedida y representa la probabilidad de que Z este
comprendida entre 0 y 0,8. Por ser la curva de Gauss un área simétrica se obtienen los
mismos valores de área a la izquierda o derecha para un mismo valor absoluto de Z.
Conceptualmente se trata de obtener el 50% del área a la izquierda de la media y el 50 %.
del área a la derecha de la media. (valores por debajo y por sobre la media)

13
No tiene significado el obtener valores de áreas negativas.

Para Z = l,40 le correspondería un área igual 0,4192 o 41,92%

Para Z = 0 el área también será cero.

2.2. 2 Estimación de parámetros

Una propiedad importante de la curva de Gauss, es que queda perfectamente definida

cuando se conocen x y 

La influencia de cada uno de estos parámetros se puede apreciar en los siguientes, donde se
han representado dos familias de curvas , una para x constante y x variable.
1
X1= X2 = X3
1 2  3
2

X1

1 2 3

X1  X X 2 3

1= 2 = 3

X1 X2 X3

De los gráficos se deduce que cuanto menor sea  menos dispersos estarán los valores y
viceversa, mientras que x nos define la posición de la distribución del total de
observaciones o universo o población.

14
De lo dicho, resulta importante conocer la x y  del universo que estamos analizando,
pero la única manera de solucionar el problema es estimarlo a partir de muestras, los
valores más probables de los verdaderos parámetros del universo.

Los parámetros del universo son siempre desconocidos, pero estimables.

La mejor estimación de la media del universo, para problemas de control de calidad, es

suficiente con calcular el promedio de las observaciones, es decir, la media de la muestra.

La mediana es también una buena estimación de la media del universo, pero su entorno de
variación, para muestras de igual tamaño es mayor que el de la media de las observaciones.

La media y la mediana de las observaciones, tiene mayor probabilidad de ser la media del
universo, cuanto mayor sea el tamaño de la muestra.

Para encontrar la mejor estimación de  se debe distinguir, cuando tomamos muestras, dos
dispersiones: la dispersión de las observaciones alrededor de la media de la muestra y la
dispersión de las medias de las muestras alrededor de la media del universo. Considerando
las dos dispersiones mencionadas, resulta que  es sólo la dispersión interior de la muestra.
La expresión de  sería:

(x  x) 2
  n

Se ve que las desviaciones (Xi - X ) se toman respecto de la media de la muestra ( X ) y

no respecto de la media del universo.

Para estimar correctamente es necesario, hacer uso de las propiedades de la varianza, con lo
que resultaría que a la varianza de la muestra ( 2) habrá que sumar la varianza de las
medias uso de las propiedades de la varianza, con lo que resultaría que a la varianza de la
muestra  x . Esta varianza de las medias guarda la siguiente relación con la varianza
2

del universo.

 x2  2
n

donde: n es el tamaño de la muestra.

La mejor estimación de la varianza del universo sería:

15
  (x  x)
2

 =
*
n 1

A pesar de ello, nosotros seguiremos usando  como estimado de  del universo por una
razón de unificación y con el objeto de poder usar tablas más difundidas.

La relación entre  y  del universo sería:

n 1
 
n

y no se justifica corregir las tablas. Cuando el número de observaciones es suficientemente

grande  muestral y  universo .

2.2.3 Cálculo de Areas

La distribución de Gauss es una distribución de probabilidades y hemos visto que el área

encerrada por la curva y el eje de las X, es la imagen gráfica de dicha probabilidad.

Supongamos que la distribución de frecuencias de una variable X, responde a la

distribución de Gauss, y que sus parámetros son conocidos (x y). Si queremos
calcular la probabilidad de una clase limitada por los valores x 1 y x 2 de la variable,
tendremos que sumar las probabilidades diferenciales (dP) de todos los valores de x,
comprendidos entre los dados, es decir, debemos calcular:

x2 x2
 dP =  ydx
x1 x1
donde y, es la œunción de distribución. La integral propuesta representa la superficie
achurada de la gráfica.

X1 X2 X

16
Para cada par de valores de x y  debemos resolver la integral siguiente:

x2 ( X  X )2


x1
1
 2
e 2 2
dx

Si se desea calcular la superficie del área comprendida entre x1 y x2.

Este es un trabajo laborioso, pues la integral no se puede resolver por métodos comunes.
Por esta razón, se introduce un cambio de variable que independiza el cálculo del área de
los valores de la media y desviación normal, es decir, que se hace una normalización de la
expresión de Gauss.

La nueva variable se define como:

z ( x x )
 por lo tanto dz  dx


reemplazando en la integral resulta:

z2
z2


z1
1
 2
e 2
dz

donde z1 y z2 es la resultante de reemplazar x1 y x2 en la fórmula normalizada o tipificada.

Aprovechando la simetría de la curva de Gauss, respecto de la media se han tabulado los

valores de la integral con las variables normalizadas.


 z2
A 1
2 e 2 dz

En la tabla anexa, "Area bajo la curva para una distribución normal, se encuentran
tabulados los distintos valores de Z, y áreas correspondientes.

Ejemplo: Luego de un gran número de observaciones, se ha llegado a la conclusión de que

el peso de ciertas piezas responden a una distribución de Gauss y que sus parámetros valen:

X = 200 g
 = 1g

Se desea saber:

a) Cual es la frecuencia de piezas cuyos pesos están comprendidos entre 200 y 201 gramos.

17
 Para resolver este tipo de problema, es conveniente que el alumno realice un pequeño
diagrama con valores de forma tal, que visualice que es lo que se propone calcular:

200 201

El cálculo pedido corresponde al área achurada, reemplazando los valores obtenemos:

z xx
 = 200 201
1 1

Se entra con este valor (z = 1) en la tabla anexa, de la cual se obtiene directamente el

valor del área, pues en dicha tabla figuran las superficies a contar desde la media, y que
corresponde a nuestro caso.

Según la tabla para z = 1 el área es 34,1%. Entonces el 34% de las piezas pesan entre 200
y 201 g.
Ejemplo: Encontrar el área bajo la curva normal en cada uno de los siguientes casos.
Utilizar la tabla área bajo la curva.

a) Entre Z = 0 y Z = 1,2

0 1,2

El resultado 0,3849 es el área pedida y representa la probabilidad de que z esté

comprendida entre 0 y 1,2

b) Entre Z = -0,68 y Z = 0

- 0,68 0
18
Por simetría, área pedida = área entre Z = 0 y Z = 0,68.
Se procede igual que en el punto a).

El resultado 0,2518 es el área pedida y representa la probabilidad de que Z esté entre - 0,68
y 0.

c) Entre Z = -0,46 Y Z = 2,21

- 0,46 0 2,21

Area pedida = (Area entre Z = -0,46 y Z =0) + ( área entre Z = 0 Y Z = 2,21)

= (Area entre Z = 0,46 y Z =0) + ( área entre Z = 0 Y Z = 2,21)

= 0,1771 + 0,4864 = 0,6636

d) Entre Z = 0,81 y Z = 1,94

0,81 1,94

Area pedida = ( área entre z = 0 y Z = 1,94 ) - (Area entre Z = 0 y Z = 0,81)

= 0,4738 - 0,2910 = 0,1828

e) A la izquierda de Z = - 0,6

- 0,6 0

Area pedida = ( área a la izquierda de Z = 0 ) – ( área entre Z = - 0,6 y Z = 0 )

= ( área a la izquierda de Z = 0 ) – ( área entre Z = 0 y Z = 0,6 )

19
 = ( 0,5 - 0,2258 ) = 0,2742

f) A la derecha de Z = -1,28

- 1,28 0

Area pedida = ( área entre de Z = -1,28 y Z = 0 ) + ( área a la derecha de Z = 0)

= 0,3997 + 0,5 = 0,8997

g) A la derecha de Z = 2,05 y a la izquierda de Z = -1,44

Area pedida = área total

= (área entre Z = -1,44 y Z = 0 + área entre Z = 0 y Z = 2,05)
= 1 – (0,4251 + 0,4798 )
= 0,0951

- 1,44 0 2,05

20
2.2.4 Relación entre parámetros y tolerancia

En la mayoría de los ejemplos industriales se imponen condiciones para una característica

de calidad que debe cumplir. Este es el caso de la tolerancia.
Tolerancia corresponde al entorno de valores que a esa característica de calidad se le
permite adoptar y seguir siendo considerada buena. Es decir se fijan límites para su
aceptación y si se encuentra fuera de dichos límites, se considera defectuosa.

La distancia entre los límites es la tolerancia, (2  )

Se habla de valor nominal (M), al valor central de la tolerancia.

Discrepancia será la mitad de la tolerancia y se indicará con letra griega 

Ejemplo : El entorno permitido para volúmenes de llenado en una bebida de 250cc + 2,5
cc.

El valor nominal (M) = 250 cc

La discrepancia (  ) = 2,5 cc
La tolerancia (2  ) = 5,0 cc

Límite superior = 252,5 cc

Límite inferior = 247,5 cc

Aclarados estos conceptos, podemos analizar la relación entre parámetros y tolerancia.

Los parámetros para un proceso pueden ser cualesquiera, y otro tanto ocurre con los valores
prescriptos (valor nominal y discrepancia), que no guardan entre si ninguna relación a
priori. Las relaciones que buscamos, son aquellos que deberían guardar entre si para no
producir unidades defectuosas.

Analizaremos por separado exactitud y precisión: para un proceso.

Exactitud: Su parámetro medidor es la media de la población. Consideremos dispersión

constante. Que relación debe existir entre la media de la población y los valores dados,
para que el desecho sea mínimo?. X = M, entonces se cumple la condición de mínimo de
defectuoso, pues sí la media se aleja del valor nominal, aumentará la cantidad de unidades
fuera de los límites.

Precisión: Su parámetro medidor es la desviación normal de la población (  ).

Consideremos que la exactitud cumple la condición de mínimo desecho. Entonces que
relación debe existir entre  y los valores dados para que el desecho sea el mínimo?.

Si  = o desecho nulo. Pero esto es una utopía. En la realidad jamás se logrará en

una producción 100% de unidades buenas. Si ,  es distinto de cero, algo de desecho
habrá .

21
La solución es adoptar un valor de  , pequeño para que el desecho sea despreciable. Se
aconseja hacer   3 , con lo cual la fracción de unidades fuera de tolerancia será del
orden del 0,2%.

2.3 DISTRIBUCION BINOMIAL

2.3.1 Ley Binomial

Esta ley es apropiada para el cálculo de probabilidades con reposición y tiene utilidad en el
campo del control de calidad.

Para tratar la deducción de la ley binomial llamemos p a la fracción defectuosa y con q a la

fracción buena del lote. Puesto que en el lote sólo existen piezas defectuosas o buenas,
indudablemente es:

p + q = 1

También resulta claro que la probabilidad de tomar una pieza defectuosa será

Pd = p

y la de tomar una buena será:

pb = p

Para hacer más sencilla la explicación tomemos un ejemplo; supongámos que queremos
saber probabilidad de encontrar 2 unidades defectuosas en una muestra compuesta de 5
unidades, tomada de un lote cuya fracción defectuosa es p.

Al tomar 5 unidades puede ocurrir varios resultados, pero sólo tomaremos en cuenta
aquellos en los cuales aparecen 2 unidades defectuosas y 3 buenas. Podría ocurrir que la
secuencia diera el siguiente resultado.

La primera unidad :defectuosa

y la segunda unidad :defectuosa
y la tercera unidad :buena
y la cuarta unidad :buena
y la quinta unidad :buena

Se puede simbolizar, la secuencia por: d d b b b

Ahora calculemos la probabilidad de este hecho. Se trata de sucesos que no se excluyen

entre si, corresponde aplicar la regla del producto de probabilidad (regla y - y).

22
 psecuencia = P x P x q x q x q = P2 x q3
Pero como esta secuencia no es la única, también puede darse alguna de las secuencias
siguientes, las cuales son todas diferentes entre si:

ddbbb bddbb bbddb bbbdd

dbdbb bdbdb bbdbd
dbbdb bdbbd
dbbbd

Observemos que si ocurre una de las sucesiones dadas (por ejemplo ddbbb) no puede
ocurrir otra (por ejemplo bbbdd), lo cual nos indica que las distintas sucesiones se eliminan
entre si, es decir, que debemos sumar las probabilidades de todo los ordenamientos (regla
o- o).

La probabilidad en cada una de las sucesiones es igual, por lo tanto la probabilidad total
corresponderá a la probabilidad de una sucesión multiplicada por el número de
ordenamientos o sucesiones . Así como en nuestro ejemplo existen 10 sucesiones u
ordenamientos distintos, la probabilidad total será :

pT = 10 p sucesiones = pk

pk = 10 p2 q3

Siguiendo el mismo razonamiento podemos obtener la expresión de la ley binomial.

Calculemos la probabilidad de un ordenamiento compuesto por n unidades de las cuales k

son defectuosas; será:

n unidades
p sucesión = p p p p p.........q q q....q = pk qn-k
k defectuosa (n-k) buenas

n
La cantidad de ordenamientos distintos viene dada por el número combinatorio k
cuya expresión es:

n n! 1  2  3  .....n
k = 
k! (n  k )! 1  2  3  ...k  1  2  3  ...( n  k )

Entonces la probabilidad discreta total de encontrar k defectuosos en una muestra de

tamaño n es la ley binomial y su expresión es:

23
 n
Pk = k pk qn-k

De acuerdo con la expresión lograda verifiquemos el resultado de nuestro ejemplo

teníamos n = 5 y k = 2.

Por lo tanto:

5!
p 2 q (5 2)
Pk = 2! (5  2)!

1  2  3  4  5 2 3
Pk = p q  10 p 2 q 3
1 2 1 2  3

que es el mismo resultado logrado antes, observe que:

n
pk = k pk . q (n-k)
n
es el término de orden k del desarrollo del binomio de Newton. ( q + p ) cuya expresión
es conocida como la distribución binomial. En efecto:

n! n!
(q + p ) n = qn + n p q (n-1) + p 2 q n2 + ........+  ...... 
(n  2)!2! k! (n  k )!

n! n2
+ (n  2)!2! p q 2  np n 1 q  p n

El Primer término del segundo miembro es la probabilidad de encontrar cero defectuosos

(k=0), el segundo término es la probabilidad de encontrar un defectuoso (k=l), el tercero
corresponde a la de encontrar dos defectuosos (k=2) y así sucesivamente hasta que el
último término es la probabilidad de encontrar n defectuosos

Si sumamos todos estos términos, la probabilidad resultante debe ser igual a 1, puesto que
estamos sumando las probabilidades de todos los casos posibles (desde cero defectuosos).

En efecto si observamos que:

q=1-p

El primer miembro de la igualdad resulta:

24
(q + p) n =  (1 – p) + p  n
= (1-p+p )n = 1

Ejemplo: calcule la probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una

moneda.
(6 2)
6! 2
1 1 15
P2c = 
2!4! 2 2 64

Cual es la probabilidad de obtener al menos 4 caras en 6 lanzamientos de una moneda.

Ptotal = p4 + p5 + p6 obtener 4, 5 o 6 caras

15 6 1 11
Ptotal =   
64 64 64 32

2. 4 Distribuci6n de Poisson.

Es distribución de probabilidad discreta. La ley binomial tendrá gran aplicación en

Control de Calidad. Sin embargo, para tamaños de muestra relativamente
grandes y fracciones defectuosas pequeñas (caso más frecuente en control de calidad)
resulta que la aplicación de dicha ley resulta muy laboriosa para el cálculo de
probabilidades. No resulta práctico tabular las probabilidades a obtener en distintos casos,
pues tendríamos que realizar para cada valor de K una tabla de dos entradas (una para p y
otra para n). Estos inconvenientes nos llevan a introducir algunas simplificaciones,
naturalmente, los resultados que obtengamos serán aproximados, tanto más cuanto nos
acerquemos a la hipótesis sentadas al introducir las simplificaciones.

La aproximación a la cual hacemos referencia es la Ley de Poisson.

Hemos visto que en la ley binomial, la probabilidad de encontrar k defectuosos en una
muestra de n unidades tomadas de un lote cuya fracción defectuosa es p, esta dada por:

n!
pk  p k q n k
k! (n  k )!

Si hacemos el cuociente entre pk y pk-1 nos quedaría:

25
 1 k
1 
pk n n
 np
p k 1 q

Ahora supondremos que n tiende a un valor muy grande (   ) que p tiende a un valor
muy chico (p  0 ) y que el producto np permanece constante.

Estas son las hipótesis que tomamos como punto de partida para obtener la ley de Poisson,
con las cuales en la expresión anterior ocurre que:

k 1
0 0 q  (1  p )  1
n n

quedando entonces:

pk np

p k 1 k

np
p k 1
Por lo tanto pk = k

De aquí deducimos que la probabilidad de obtener k = 1 es np veces la probabilidad de

obtener k = 0

P1 = np p0

Pero la probabilidad de obtener k = 0 es p0 = qn = (1-p) n

Que también se puede escribir como:

(n  np ) n
P0 =
nn

Si np = constante y n   será: el limite de n cuando tiende a  y como resultado se

tendrá e –np

Quedando p0 = e –np
np
p k 1
Recordando que pk = k

(np ) k  np
Podemos escribir pk = k!
e que corresponde a la Ley de Poisson.

26
27
28
29