INDICE
1.-Indice y bibliografia_________________________________________________________ 1
2.-Introduccion ______________________________________________________________ 2
3.-Soluciones de los problemas propuestos ________________________________________ 3 32
BIBLIOGRAFIA
INTRODUCCION:
PROBLEMA (1):
Un banco nacional ha establecido estndares de la calidad para sus sucursales y ha asignado
una porcin del presupuesto de salarios en esta base. Una medida del nivel del servicio es el
tiempo requerido para completar todos los trmites de abrir una cuenta de cheques. Un tiempo de
ms de 12 minutos e considerado un mal servicio y el tiempo tiene una desviacin estndar
conocida de 4.2 minutos.
Disear un plan de muestreo para variables, para una muestra de n=36 observaciones que
permitir a la matriz muestrear a las sucursales para que el riesgo de rechazar la queja de una
sucursal (que promedia 12 minutos o menos) se limita a 1%(cuando el tiempo medio real es de 12
minutos).
RESOLUCION:
DATOS:
= 12
n = 36
xx 12
= 4,2
xx = + Z/2(/
= 0,01
xx = 12 +2,33(4,2/
xx =13,631
0.01
xx 13,63
0.49
-3 -2 -1
2 3
2.33
PROBLEMA (2) :
Anlisis de grficos
9.1 Histogramas
9.2 Diagrama de Pareto
9.3 Diagramas de dispersin
9.4 Boxplots
9.5 Diagrama de Tallo y Hoja
9.6 Grafico de Probabilidad Normal
RESOLUCION:
HISTOGRAMAS: Es una instantnea del proceso o una imagen de un proceso en un momento
dado, se usan para los siguientes propsitos:
a) Evaluar o revisar los procesos
b) Indicar la necesidad de tomar acciones correctivas
c) Medir los efectos de dichas acciones correctivas
d) Comparar el rendimiento de cada maquina
DIAGRAMA DE PARTEO: Este mtodo nos ayuda a analizar los problemas de calidad existentes
en el proceso y tambin es un instrumento de comunicacin que permite decidir cual de los
problemas resolver primero. Es una grfica para organizar datos de forma que estos queden en
orden descendente, de izquierda a derecha y separados por barras. Permite, pues, asignar un
orden de prioridades. El diagrama permite mostrar grficamente el principio de Pareto (pocos
vitales, muchos triviales), es decir, que hay muchos problemas sin importancia frente a unos pocos
graves. Mediante la grfica colocamos los "pocos vitales" a la izquierda y los "muchos triviales" a
la derecha. El diagrama facilita el estudio comparativo de numerosos procesos dentro de las
industrias o empresas comerciales, as como fenmenos sociales o naturales, como se puede ver
en el ejemplo de la grfica al principio del artculo. Hay que tener en cuenta que tanto la
distribucin de los efectos como sus posibles causas no es un proceso lineal sino que el 20% de
las causas totales hace que sean originados el 80% de los Efectos.
BOXPLOTS: Esta presentacin visual, asocia las cinco medidas que suelen trabajarse de forma
individual.
Presenta
al
mismo
tiempo,
informacin
sobre
la tendencia
central, dispersin y simetra de los datos de estudio. Adems, permite identificar con claridad y de
forma individual, observaciones que se alejan de manera poco usual del resto de los datos. A
estas observaciones se les conoce como valores atpicos. Por su facilidad de construccin e
interpretacin, permite tambin comparar a la vez varios grupos de datos sin perder informacin ni
saturarse de ella. Esto ha sido particularmente importante a la hora de escoger esta
representacin para mostrar la opinin de los estudiantes respecto a la actuacin docente a travs
de las diversas preguntas del instrumento utilizado.
Las partes del Boxplot se identifican como sigue:
1.-Lmite superior: Es el extremo superior del bigote. Las opiniones por encima de este lmite se
consideran atpicas. Para ms detalles consulte sobre la construccin de los lmites y los valores
atpicos.
2.-Tercer cuartil (Q3): Por debajo de este valor se encentran como mximo el 75% de las
opiniones de los estudiantes.
3.-Mediana: Coincide con el segundo cuartil. Divide a la distribucin en dos partes iguales. De este
modo, 50% de las observaciones estn por debajo de la mediana y 50% est por encima.
4.-Primer cuartil (Q1): Por debajo de este valor se encuentra como mximo el 25% de las
opiniones de los estudiantes
5.-Lmite inferior: Es el extremo inferior del bigote. Las opiniones por debajo de este valor se
consideran atpicas. Para ms detalles consulte sobre la construccin de los lmites y los valores
atpicos.
6.-Valores atpicos: Opiniones que estn apartadas del cuerpo principal de datos. Pueden
representar efectos de causas extraas, opiniones extremas o en el caso de la tabulacin manual,
errores de medicin o registro.
Se colocan en la grfica con asteriscos (*) o puntos (.) segn se alejan menos o ms del
conjunto de datos. Se utiliza un superndice numrico para indicar el nmero de veces que
aparece ese dato como atpico. NOTA: Esta presentacin en lnea del Boxplot est en primera
versin y aun en proceso de mejora. Se sealan los datos atpicos con una circunferencia (o) en el
caso de ser nica la observacin. En caso contrario, usted slo ver un tringulo ($). Si esto
sucede, debe remitirse al reporte numrico para verificar la cantidad de observaciones atpicas por
pregunta.
PROBLEMA (3):
Supngase que los dimetros de los tornillos fabricados por una compaa estn distribuidos
normalmente con una media 0.25 pulgadas y = 0.02 pulgadas. Se considera defectuosos un
tornillo si su dimetro es 0.20 pulgadas o 0.28 pulgadas.
Hallar el porcentaje de tornillos defectuosos producidos por la compaa.
RESOLUCION:
PROBABILIDAD DE TORNILLOS BUENOS O NO DEFECTUOSOS:
P [0.20 X 0.28]
P [ (0.20-0.25)/0.02 (X-)/ (0.28-0.25)/0.02 ]
P [-2.5 Z 1.5]
P [ -2.5 Z 0] + P [ 0 Z 1.5 ]
0.4938 + 0.4332
0.9270
PROBABILIDADES DE TORNILLOS DEFECTUOSOS:
P [Xc] = 1- 0.9270 = 0.073 7.3 %
RSPTA: LA PROBABILIDAD DE QUE SE PRODUSCAN TORNILLOS DEFECTUOSOS POR LA
CIA ES UN 7.3%.
PROBLEMA (4):
Sea X la vida de un foco elctrico de marca A, y la de marca B, siendo X e E independientes. Se
sabe que X tiene una distribucin normal con media x =1000 horas y varianza 2x=2500 horas2, y
que Y tiene una distribucin normal con una media y =900 horas y varianza 2y=2400 horas2. Sea
D=(X-Y).
11a.- Cul es la distribucin de la diferencia: D(X-Y)?
11b.- analizar la distribucin de D.
SOLUCION:
DATOS
MARCA A
x =1000 horas
2x=2500 horas2
n=100
=0.05
MARCA B
y =900
2y=2400 horas2
X2=0 + z *
a) d= x- y
d=1000-900
d=100
b) H0 : x- y =0
Hi: x- y =0
c) Z=?
AREA=0.475
Z=1.96
d) =
Z=1.96
2 x 2 y
+
n
n
=7
2500 2400
+
100 100
e) X1=0 - z *
X1 =0-1.96*7
X1 =-13.72
X2=0+1.96*7
X2=+13.7
f)
COMPARACIN
d= x- y
d=1000-900
d=100
d
Vs X2
100
7
X2=7
d=10
0
PROBLEMA (5):
Los propietarios de una huerta de naranjas y una planta empacadora han acordado un
Plan de Muestreo en un embarque, con una muestra de 300 naranjas, el cual se aceptara
si se encuentran daadas 6 naranjas o menos, cumple el plan las especificaciones de
limitar a 20% o menos el riesgo de la huerta, consistente en rechazar lotes que sean
buenos conteniendo solo el 2% de naranjas daadas y limita el riesgo de la planta a 25% o
menos de aceptar embarques malos con el 4% de naranjas daadas?
SOLUCION
n=300 naranjas
c 6 --- x 6
= np = 300 * 0.02 = 6
P [ x 6 | = 6 ] = 0.606
=1-0.606
= 0.394
= np = 300 * 0.04 = 12
P [ x 6 | = 12 ] = 0.0458
= 0.0458
RESPUESTA
Para el mismo problema Cul seria el efecto de cambiar el valor de aceptacin a c5?
SOLUCION
c 5 --- x 5
= np = 300 * 0.02 = 6
P [ x 5 | = 6 ] = 0.4457
= 1 - 0.4457
= 0.5543
= np = 300 * 0.04 = 12
P [ x 5 | = 12 ] = 0.0203
=0.0203
RESPUESTA
La satisfaccin causada por los limites de riesgo serian los mismo con un c6 o c5.
PROBLEMA (6):
a) LCMS: Limite de la calidad media de salida. Se considera que existe algn tipo de relacin entre la
proporcin de defectos previos a la inspeccin y la que hay despus de la inspeccin.
b) NCA: Nivel de calidad aceptable; es un nivel aceptable, terico y arbitrario. El NCA es definido
bsicamente en trminos de la maquina proporcin aceptable de deficiencias encontradas de la
inspeccin.
e) CC: Curva Caractersticas; en ella se tiene una representacin visual del riesgo atribuido al
productor y al consumidor. Descubre la nocin de que la inspeccin (ya sea al cien por ciento o
por muestreo) no garantiza que todos los defectos sern contados. La CC es un grafico
estadstico de la proporcin de defectos de un lote, comparada con la probabilidad de que el plan
f) 1 del productor: Es un riesgo en trminos del productor, est relacionado con los productos que
sern rechazados.
g) 1 del productor: Es un riesgo e trminos del productor, est relacionado con el nmero de
productos defectuosos que sern aceptados.
h) 2 del cliente: Es un riesgo en trminos del consumidor, est relacionado con los productos que
sern rechazados.
i) 2 del cliente: Es un riesgo e trminos del consumidor, est relacionado con el nmero de
productos defectuosos que sern aceptados.
PROBLEMA (7):
Una fundidora de metales produce lingotes de titanio cuyos pesos estn normalmente
distribuidos con =9 libras. Los lingotes embarcados que promedian menos de 200 libras
son considerados de baja calidad, y la empresa debe disminuir tales embarques. Disese
un Plan de Muestreo para muestra de n=28 que limite el riesgo de rechazar lotes que
promedian 200 libras a 4%.
SOLUCION
= 9 libras
n =28
=200
--->
9
=
=1.70 libras
n 28
Hallamos el limite:
=0.05
z =1
c = - z
c = 200 - 1(1.70)
c = 198.3
RESPUESTA
Al tomar una muestra aleatoria de 28; si su peso especifico es > 198.3 libras aceptamos el
embarque, de lo contrario lo rechazamos.
Problema (8):
Una curva de calidad promedio de productos salientes (CPS) muestra la calidad promedio
esperada en todos lotes salientes despus de que los lotes rechazados de la muestra han
sido 100% inspeccionados y todos los defectos eliminados. Los lotes entrantes con un
pequeo % de defecto pasaran con una calidad resultante alta de salida. Aquellos con un
% de defectos ligeramente alto resultaran con peor calidad de salida, debido a que los
lotes que tienen una gran proporcin de defectos terminaran siendo 100% inspeccionados
y solo pasaran los artculos aceptables
a. Afirmativo
b. Negativo
c. Incompleto
PROBLEMA (9):
Muchos procesos de los sistemas de produccin, bienes y servicios, en general, tienen sus
limites de tolerancia naturalmente amplios dentro de los cuales caen la mayora de las
observaciones (eventos, actividades, acciones, dinmica de produccin, de presupuestos,
de negocios, de finanzas, de gestin, etc). Sin embargo, como se establece el teorema del
limite central, las medias de las muestras y las proporciones de las muestras exhiben
mucho menos variacin que los valores individuales.
SOLUCION:
Esto porque segn el teorema del lmite central si se tiene un grupo numeroso de variables
independientes y estas son aleatorias, y adems que todas ellas sigan un mismo modelo
de distribucin; la suma de ellas es decir las medias y varianzas van a seguir una
distribucin normal. Todo esto repercute en la amplia variacin entre valores individuales
(aleatoriedad) y en la poca variacin de las medias muestrales.
PROBLEMA (10):
SOLUCION
c 3 -----> P [ x 3 ]
P [ x 3 | ] donde = np
P [ x 3 | = 1 ] = P [ x 0 | = 1] + P[ x 1 | = 1 ] + P[ x 2 | = 1] + P[ x | = 1 ]
P [ x 3 | = 1] = 0.981
=1 - P[ x 3 | = 1]
=1-0.981
=0.019
P[ x 3 | = 5 ] = P[ x 0 | = 5 ] + P[ x 1 | = 5 ] + P[ x 2 | = 5] + P[ x | = 5 ]
P[x3|=5]=0.0067+0.0337+0.0842+0.1404
P[x3|=5]=0.265
=0.265
PROBLEMA (11):
SOLUCION
EL PRODUCTOR:
n= 110
= 0.05
NAC=1.5%
EL CLIENTE:
n= 110
=0.10
PTDL= 5%
PARA EL PRODUCTOR:
HALLAMOS: p [x3; 1]
Para 1= 1.65
,= 1-0.91415 = 0.0859
Por lo Tanto: ,>
0.0859> 0.05
PARA EL CLIENTE:
HALLAMOS: p [x3; 2]
Para 2= 5.5
,= 0.2017
Por lo Tanto:
CONCLUSION:
,>;
0.2017>0.10
EL PRODUCTOR:
n= 214
= 0.05
NAC=1.5%
EL CLIENTE:
n= 214
=0.10
PTDL= 5%
PARA EL PRODUCTOR:
HALLAMOS: p [x6; 1]
Para 1= 3.21
0.0453< 0.05
PARA EL CLIENTE:
HALLAMOS: p [x6; 2]
Para 2= 10.7
,= 0.0918
Por lo Tanto:
CONCLUSION:
,<;
0.0918<0.10
n= 214
c6
=0.0453
NAC= 1.5%
n= 214
= 0.0918
PTDL= 5%
P( DEFE
CTUOSO
S)
0
0.001
0
0.2
14
P
(ACEPTAB
ILIDAD)
1
0.9999999
97
0.002
0.003
0.004
0.005
0.006
0.007
0.008
0.009
0.01
0.011
0.012
0.013
0.014
0.015
0.016
0.017
0.018
0.019
0.02
0.021
0.022
0.023
0.024
0.025
0.4
28
0.6
42
0.8
56
1.0
7
1.2
84
1.4
98
1.7
12
1.9
26
2.1
4
2.3
54
2.5
68
2.7
82
2.9
96
3.2
1
3.4
24
3.6
38
3.8
52
4.0
66
4.2
8
4.4
94
4.7
08
4.9
22
5.1
36
5.3
5
0.026
0.027
0.028
0.029
0.03
0.031
0.032
0.033
0.034
0.035
0.036
0.037
0.038
0.039
0.04
0.041
0.042
0.043
0.044
0.045
0.046
0.047
0.048
0.049
5.5
64
5.7
78
5.9
92
6.2
06
6.4
2
6.6
34
6.8
48
7.0
62
7.2
76
7.4
9
7.7
04
7.9
18
8.1
32
8.3
46
8.5
6
8.7
74
8.9
88
9.2
02
9.4
16
9.6
3
9.8
44
10.
058
10.
272
10.
466
0.05
0.051
10.
7
10.
914
CURVA CO
1.2
1
0.8
p( aceptabilidad)
0.6
0.4
0.2
0
0
0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
p( defectuosos)
PROBLEMA (12):
SOLUCION
EL PRODUCTOR:
n= 200
= 0.05
NAC=1%
EL CLIENTE:
n= 200
=0.10
PTDL= 5%
PARA EL PRODUCTOR:
HALLAMOS: p [x3; 1]
Para 1= 2
,= 1-0.8571 = 0.1429
0.1429> 0.05
PARA EL CLIENTE:
HALLAMOS: p [x3; 2]
Para 2= 10
,= 0.0103
Por lo Tanto:
CONCLUSION:
,<;
0.0103<0.10
EL PRODUCTOR:
n= 300
= 0.05
NAC=1%
EL CLIENTE:
n= 300
=0.10
PTDL= 5%
PARA EL PRODUCTOR:
HALLAMOS: p [x6; 1]
Para 1= 3.21
,= 1-0.9664 = 0.0336
0.0336< 0.05
PARA EL CLIENTE:
HALLAMOS: p [x6; 2]
Para 2= 15
,= 0.00763
Por lo Tanto:
CONCLUSION:
,<;
n= 300
c6
=0.0336
NAC= 1.5%
n= 300
= 0.00763
PTDL= 5%
P( DEFEC
TUOSOS)
0
0.01
0.011
0.012
0.013
0.014
0.015
0.016
0.017
0
3
3.3
3.6
3.9
4.2
4.5
4.8
5.1
0.00763<0.10
0.018
0.019
0.02
0.021
0.022
0.023
0.024
0.025
0.026
0.027
0.028
0.029
0.03
0.031
0.032
0.033
0.034
0.035
0.036
0.037
0.038
0.039
0.04
0.041
0.042
0.043
0.044
0.045
0.046
0.047
0.048
0.049
5.4
5.7
6
6.3
6.6
6.9
7.2
7.5
7.8
8.1
8.4
8.7
9
9.3
9.6
9.9
10.
2
10.
5
10.
8
11.
1
11.
4
11.
7
12
12.
3
12.
6
12.
9
13.
2
13.
5
13.
8
14.
1
14.
4
14.
7
0.05
0.051
15
15.
3
CURVA CO
1.2
1
0.8
p( aceptabilidad)
0.6
0.4
0.2
0
0
0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
p( defectuosos)
PROBLEMA (13):
El promedio de clientes que entran a una tienda por da era de 175. Se hace una campaa
publicitaria durante 7 semanas. Durante la campaa, el promedio de clientes aumento a
181 por dia con una varianza de 441, aument en forma significativa el nmero de
clientes que entran a la tiemda gracias a la campaa publicitaria?, (=0,01).
SOLUCION
1)
Ho:
H1:
2)
Nivel
de
confianza (1)
99%
=0.9
9
Nivel
de
significancia
1%=
()
0.01
3)
4) Estadstica de la prueba:
= 2.0
5) Contraste calculado y tabulado: Como 2.0 es menor de 2.33 aceptamos la hiptesis nula.
2.
PROBLEMA (14):
Un ingeniero industrial calcula la diferencia que hubo entre las ganancias netas de
impuestos de 100 grandes Sociedades Annimas, elegidas aleatoriamente, durante el
tercer trimestre del 2010 y el mismo periodo del 2008 y determina que el aumento
promedio de la utilidad neta para esta muestra en particular fue del 18% con un desvo
estndar del 20%. Si estamos razonablemente seguros de que el verdadero aumento
promedio en utilidades netas del periodo, para todas las grandes sociedades fue superior
al 13% pero inferior al 23%, qu coeficiente de confianza utiliz este profesional?
SOLUCION
Datos:
=0.18
=0.20
Z=
X
n
Entonces:
0.130.18< X <0.230.18
0.130.18
X
0.230.18
100<
n<
100
0.20
0.20
P(2.5<Z <2.5)=1
Buscando en tablas de Z de distribucin normal tpica de dos colas tenemos que para
valores Z de 2.5 se da un nivel de confianza del 99% es decir
1 =99
PROBLEMA (15):
Desviaciones = 2
= 5 onzas
= 1- P [-2 x2]
=1-2(P [0 Z 0.4])
=1-2(0.1554)
=1-0.3408 =0.6892
= 69%
PROBLEMA (16):
SOLUCION
Dado que cada hora de inspeccin y control cuesta solo $20 y reduce los costos de
productos defectuosos en $30/h, sense tantas horas como se necesite para eliminar el
costo de $400 o ($400)/($30/h)=13.3 horas.
PROBLEMA (17):
Una muestra aleatoria de 400 artculos se toma de un proceso de produccin para probar
la hiptesis de que el proceso tiene 10% de defectuosos. Se encontraron 80 defectuosos.
n= 400 articulos
p = 0.1 %
q = 0.9 %
p=
pq
0.10.9
=
=0.015
n
400
80
p= 100
p=0.2
q=0.8
p=
pq
0.20.8
=
=0.02
n
400
Problema (18):
SOLUCION
= 1 = 2 quejas en 30 dias
P [x=0] = (20)*(e-2) / 0!
P [x=0] = 0.135
Entonces:
PROBLEMA (19):
Los componentes defectuosos est saliendo de una lnea de ensamble a una taza
promedio de 3.5 por minuto, Cul es la probabilidad de que ms de 5 defectuosos lleguen
en un minuto?
SOLUCION
= 3.5 defectuosos
P [x>5] = 1 - P [x5]
Dichos datos tambin pueden ser obtenidos mediantes las tablas de poisson
P [x5] = 0.8577
P [x>5] = 0.1423
PROBLEMA (20):
Northeast Paper Co., empaca un gran volumen de hojas bajo una marca para una cadena
de alimentos. Ocasionalmente los empaques son defectuosos debido a los cortes finales,
el color est manchado, o no apropiadamente sellados. La compaa de papel y la cadena
de alimentos han acordado adoptar un plan de muestreo para que el riesgo de Northeast
Paper Co., este limitado al 25 de rechazar lotes que sean buenos con 0.5% de defectuosos
(p=0.005) y el riesgo de la cadena no sea mayor de 5% de aceptar lotes malos con 4% de
defectuosos.
SOLUCION
a)
P0
0.01
n
200
P0 n
2
0.02
200
0.03
200
0.04
200
0.05
200
10
0.06
200
12
0.07
200
14
0.08
200
16
0.09
200
18
0.10
200
20
P
0.85712
35
0.43347
01
0.15120
39
0.04238
01
0.01030
61
0.00229
18
0.00047
42
9.314*1
0-5
1.756*1
0-5
3.204*1
0-6
Para calcular P usamos la ley de Poisson dado que el nmero de muestreo es con
sustitucin siendo n>30 observaciones. A continuacin se presenta la curva caracterstica
CC.
CO
0.9
0.8
0.7
0.6
probabilidad de aceptacin (Pa)
0.5
0.4
0.3
0.2
0.1
0
porcentaje de defectuosos
b) riesgo para la compaa papelera (riesgo del productor) es de 1=2% 1=98% a uj NAC =0.05
1=np
0.005
200
P[x3/
1]
0.98101
18
Riesgo
calculado=
0.02
El riesgo calculado es igual al riesgo terico entonces el plan esta a favor del productor,
hay una mayor probabilidad de aceptar lotes buenos. En resumen se cumple la condicin
con una probabilidad de aceptacin del 98%.
2=np
0.04
200
P[x3/
2]
0.0423
1=95%
1=5% a un
Riesgo
calculado=0.0
423801
PROBLEMA (21):
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
DA
TO
S
14
14
13
15
13
13
12
15
13
11
14
13
14
14
16
13
13
11
15
14
14
14
14
15
13
14
14
14
13
14
12
15
14
14
15
12
DES
VIACI
ON
MEDI
A
1%
4.2
13.
638
888
9
0.0
380
555
6
SE ACEPTA CON
MEDIA DE 13.68
LA
Problema (22):
Determnese el valor de P0 de modo que haya una probabilidad de 90% de que sea
detenido un proceso que est produciendo un 10% de piezas defectuosas, en promedio
SOLUCION
Datos:
p = 0.10
q = (1 p) = 0.90
n = 36
= np = 3.6
npq
= 1.8
Resolviendo:
P [ z > n P0 Z /2 () ] = 0.10
P = 0.10
z = 1.28
1.28 = n P0 Z/2 ()
1.28 + 2.95 = 36 P0
4.23 = 36 P0
4.23 = 36 P0
Entonces :
P0 = 0.12