tStudent
c t1 , r
La tabla da áreas 1 y valores , donde, P[T c] 1 , y donde T tiene distribución t-
Student con r grados de libertad..
1
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576
donde
es la varianza muestral y demostró que la función de densidad de T es
El uso de la distribución t para hacer estimaciones se requiere siempre que el tamaño de la muestra sea
de 30 o meno y a la desviación estándar de la población no se conoce. Además, al utilizar la
distribución t, supongamos que la población es normal o es aproximadamente normal.
CARACTERISTICAS
GRADOS LIBERAD
Utilizaremos los grados libertad cuando elegimos una distribución t para estimar una media de
población, y utilizaremos n-1 grados de libertad, tomando a n igual al tamaño de la muestra.
Ejemplo # 1
El ciclo medio de vida operativa de una muestra aleatoria de 10 focos es de 4000 horas con la
desviación estándar de la muestra de 200 horas. Se supone que el ciclo de vida operativo de
los focos en gl tienen una distribución aproximadamente normal. Estimamos el ciclo medio de
vida operativa de la población de focos aplicando un 95% de confianza.
n= 10
gl= 10 - 1= 9
S= 200
(3856.84, 4143.16)
Grαfica de distribuciσn
T , d f= 9
0.4
0.3
Densidad
0.2
0.1
0.025 0.025
0.0
-2.26 0 2.26
X
Ejemplo # 2
La desviación estándar de la muestra del ciclo de la vida de una marca especifica del cinescopio
es igual a 500. En general se supone que el ciclo de vida de los cinescopios tienen una
distribución aproximadamente normal. En el caso de la muestra de 15 cinescopios, en el ciclo
de vida útil es de 8900 hrs. Determine los intervalos de confianza.
a) 95 %
a) n= 15
S= 500
gl= 15 – 1 =14
(8622.92, 9177.08)
b) n= 15
S= 500
gl= 15 – 1 =14
(8672.46, 9127.54)
}}
G r á fi c a d e d i s t r i b u c i ón
T. df=14
0.4
0.3
Densidad
0.2
0.1
0,025 0,025
0.0
-2,14 0 2,14
X
Ejemplo # 3
Una muestra aleatoria de 10 focos del ciclo medio de vida es de 4600 hrs con una desviación
estándar muestra de 250hrs.
El ciclo medio de vida y la desviación estándar de una muestra del tamaño de 8 focos de otra
marca son 4000 hrs y desviación estándar muestra 200hrs. Se supone que el ciclo de vida de
ambas marcas tiene una distribución normal.
Construya el intervalo de confianza del 90% para estimar la diferencia entre el ciclo medio de
vida entre las dos marcas de focos.
Gráfica de distribución
T. df=16
0.4
0.3
S= 250hrs
Densidad
0.2
0.1
0,025 0,025
0.0
-2,12 0 2,12
X
gl= 10 + 8 – 2 = 16
1 - .90= .10
(409,790)
Gráfica de distribución
T, df=16
0.4
0.3
Densidad
0.2
0.1
0,025 0,025
0.0
-2,12 0 2,12
X
Ejemplo # 4
Suponga que los datos siguientes se relacionaron al azar de una población de valores
normalmente distribuidos, realice un intervalo de confianza de 95% para calcular la media
poblacional.
40 51 43 48 44 57 54 39 42 48 45 39 43
n= 13
(43 – 45.6)2 + (44 – 45.6)2 + (48 – 45.6)2 + (43 – 45.6)2 + (48 – 45.6)2 + (45 –
45.6)2 + (51 – 45.6)2 + (54 – 45.6)2 + (54 – 45.6)2
12
= 45.61 + 3.42103
=49.03103
Li =45.61 – 3.42103
= 42.18897
La esencia del control estadístico de proceso consiste en identificar un parámetro que sea fácil
de medir cuyo valor es importante para la calidad del resultado del proceso (el diámetro de los
ejes), representarlo gráficamente de tal manera que podamos reconocer las variaciones aleatorias
y decidir cuándo hacer ajustes a un proceso.
En la mayoría de las situaciones, suponer una distribución normal con u y a conocidas no es algo
que resulte razonable, por consiguiente la desecharemos más adelante. Sin embargo, esta
suposición facilita el análisis de las ideas básicas de los diagramas de control
Una línea límite de control superior (LCS)
El número tres que aparece en los límites de control superior e inferior se utiliza por
Convención. ¿De dónde viene? Recuerde el teorema de Chebyshev. Así pues, si un proceso está
bajo control, esencialmente todas las observaciones caerán dentro de los límites de control. Y si,
por el contrario, las observaciones caen fuera de los límites de control, entonces sugieren que el
proceso está descontrolado, y exigen una mayor investigación para ver si se puede encontrar una
causa especial que explique por qué caen fuera de los límites. Con esto en mente.
En la que
•X= gran media
• Ex = suma de todas las observaciones
• Ex = suma de las medias de muestra
• n = número de observaciones de cada muestra
• k = número de muestras tomadas
Grafico
Una planta manufacturera produce cojinetes de un diámetro especifico de 5mm. Cada 10mm se
muestrean 6 cojinetes, se miden y registran sus diámetros, se unieron 20 de estas muestras de 6
cojinetes y se pide construir.
Muestra 19 Muestra 20
4.90 5.04
4.85 5.03
5.02 4.97
5.01 4.99
4.88 5.05
4.86 5.06
= 4.961
= 29.52
= 5.023
R=.25+.12+.34+.1+.07+.05+.03+.09+.14+.18+.22+.11+.16+.21+.06+.
12+.12+.09+.17+.09
20
=
UCL= 5.00175 + .483(.136) =5.067438
Gráfica Xbarra-S de C1
1
5.10
U C L=5.0852
M edia de la muestr a
5.05
_
_
5.00 X=5.0019
4.95
LC L=4.9186
4.90
1 3 5 7 9 11 13 15 17 19 21 23
M uestr a
0.15 1
Desv.Est. de la muestr a
U C L=0.1219
0.10
_
S =0.0584
0.05
0.00 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
M uestr a
GRAFICO R
Límite superior
Límite inferior
LCL= 0*.136=0
Gráfica Xbarra-R de C1
1
5.10
U C L=5.0852
M edia de la muestr a
5.05
_
_
5.00 X=5.0019
4.95
LC L=4.9186
4.90
1 3 5 7 9 11 13 15 17 19 21 23
Muestr a
0.3 U C L=0.3054
Rango de la muestr a
0.2
_
R=0.1444
0.1
0.0 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
Muestr a