Anda di halaman 1dari 17

TABLA DE LA DISTRIBUCION tStudent

c = t1−α , r P[T ≤ c] = 1 − α , y donde T tiene


La tabla da áreas 1   y valores , donde,
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

Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas


normalmente, con media μ y varianza σ2. Sea

la media muestral. Entonces

sigue una distribución normal de media 0 y varianza 1.

Sin embargo, dado que la desviación estándar no siempre es conocida de


antemano, Gosset estudió un cociente relacionado,

donde
es la varianza muestral y demostró que la función de densidad
de T es

donde ν es igual a n − 1.

La distribución de T se llama ahora la distribución-t de Student.

El parámetro ν representa el número de grados de libertad. La distribución depende


de ν, pero no de μ oσ, lo cual es muy importante en la práctica.

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

Se deriva de la distribución t de manera matemática, podemos obtener un


entendimiento intuitivo de la relación que existe entre la distribución t y la
distribución normal. Ambas son simétricas en general la distribución t es mas
plana que la distribución normal y hay una distribución t diferente para
cada tamaño posible de muestra, incluso con esto, conforme al tamaño de
muestra se hace mas grande, la forma de la distribución t pierde su
horizontalidad y se vuelve aproximadamente igual a la distribución normal.
De hecho para tamaños de muestra mayores de 30, la distribución t se
asemeja tanto a la normal que utilizaremos a esta ultima para aproximar a
la distribución t.

GRADOS LIBERAD

Podemos definirlos como el número de valores que podemos escoger


libremente.

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

I= 4000 2.262 (63.29)


Ls= 4000 + 143.16 = 4143.16

Li= 4000 – 143.16= 3856.84

(3856.84, 4143.16)

Grαfica de distribuciσn
T , df=9
0.4

0.3
Densidad

0.2

0.1

0.025 0.025
0.0
-2.26 0 2.26
X

El ciclo medio de la vida operativa de la aplicación va de los 3850 a 4143 hr

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 %

b) 90 % para la estimación de la media de la población

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)

}}

Gráfica de distribución
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)
Gráficadedistribución
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

S2 = (39 - 45.6)2 + (39 – 45.6)2 + (40 – 45.6)2 + (42 – 45.6)2 +

(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)

Una línea límite de control inferior (LCF)

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.

a) Una grafica x barra

b) Ungrafico de control R

c) Limite inferior de control y limite superior de control

d) Elaborar elñ grafico de control

Muestra 1 Muestra 2 Muestra 3 Muestra Muestra 5 Muestra 6


4
5.13 4.96 5.21 5.02 5.12 4.98
4.92 4.98 4.87 5.09 5.08 5.02
5.01 4.95 5.02 4.99 5.09 4.97
4.88 4.96 5.08 5.02 5.13 4.99
5.05 5.01 5.12 5.03 5.06 4.98
4.97 4.89 5.04 5.01 5.13 4.99

Muestra 7 Muestra 8 Muestra 9 Muestra Muestra Muestra


10 11 12
4.99 4.96 4.96 5.04 4.91 4.97
5 5.01 5 5.11 4.93 4.91
5 5.02 4.91 5.14 5.04 5.02
5.02 5.05 4.87 4.96 5 4.93
5.01 5.04 4.96 4.99 4.90 4.95
5.01 5.02 5.01 5.03 4.82 4.96

Muestra Muestra Muestra Muestra Muestra Muestra


13 14 15 16 17 18
5.09 4.96 4.99 5.01 5.05 4.96
4.96 4.99 4.97 5.04 4.97 4.93
5.05 4.82 5.01 5.09 5.04 4.97
5.12 5.03 4.99 5.07 5.03 4.97
5.06 5 4.96 5.12 5.09 4.98
5.01 4.96 5.02 5.13 5.01 4.92

Muestra Muestra
19 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

LCL=5.00175 - .483(.136) = -4.936062


Gráfica Xbarra-S de C1
1
5.10
Media de la muestra UCL=5.0852

5.05

__
5.00 X=5.0019

4.95

LCL=4.9186
4.90
1 3 5 7 9 11 13 15 17 19 21 23
Muestra

0.15 1
Desv.Est. de la muestra

UCL=0.1219
0.10

_
S=0.0584
0.05

0.00 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23
Muestra
GRAFICO R
Límite superior

Límite inferior

LCL= 0*.136=0

ULC= 2.004(.136)= .272544

Gráfica Xbarra-R de C1
1
5.10
UCL=5.0852
Media de la muestra

5.05

_
_
5.00 X=5.0019

4.95

LCL=4.9186
4.90
1 3 5 7 9 11 13 15 17 19 21 23
Muestra

UCL=0.3054
Rango de la muestra

0.3

0.2
_
R=0.1444
0.1

0.0 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23
Muestra