Anda di halaman 1dari 58

ESTADISTICA PARA ASEGURAMIENTO DE

CALIDAD

La estadstica es una herramienta y como


tal su utilidad depende de su uso juicioso.

La estadstica es un medio de comunicacin


entre los diferentes departamentos de una
empresa y basicamente es una herramienta
para la toma de decisiones; una herramienta
que nos describe los resultados o nos estima
el riesgo de un curso de accin.

La informacin en el control estadstico de la calidad, se obtiene


de muestras y de acuerdo al resultado se toman decisiones.
Una muestra es un juego de resultados tomado de un lote o
poblacin..
Un lote o poblacin es la coleccin completa de artculos,
medidas u otros nmeros del tipo en el cual estamos
interesados en un momento dado.
Cuando se muestrea se pueden hacer dos tipos de errores:
La muestra puede ser peor que el lote. Error tipo I o riesgo
alfa (), ambin comnmente se le llama Riego del productor
(RP).
La muestra puede ser mejor que el lote. Error tipo II o riesgo
beta (), tambin comnmente se le llama Riego del consumidor
(RC).

Para que una muestra sea representativa del lote del cual se
toma hay dos factores que son de suma importancia:

.- La muestra debe tomarse aleatoriamente. Cada


artculo o pieza de la poblacin o lote debe tener la misma
oportunidad de formar parte de la muestra. Tomando las
muestras aleatoriamente minimizamos nuestros prejuicios
en la seleccin.
.- Entre ms grande la muestra aleatoria, mayor es
la confianza que podemos tener en que sea una muestra
representativa del lote o poblacin.

Atributos
Estadstica
Variables
Atributos (Variable discreta)... Son datos o medidas que
slo pueden tener determinados valores dentro del dominio.
Normalmente se obtienen por conteos (nmero de unidades
disconformes)

Variables (Variable continua)... Son datos que pueden


adquirir cualquier valor dentro del dominio. Normalmente se
obtienen por medicin.

HERRAMIENTAS ESTADISTICAS PARA EL


ASEGURAMIENTO DE LA CALIDAD

Histogramas y otras tcnicas para


resumir datos.
Tcnicas estadsticas de control.
Tcnicas estadsticas de aceptacin
Tcnicas de anlisis
Otras

Histogramas y otras tcnicas para


resumir datos
La condensacin o resumen de datos puede tomar varias
formas: tabular, grafica e ndices nmericos. Algunas veces
una forma es suficiente para obtener para obtener un
resumen completo y til. En otros casos, dos o an las tres
formas pueden ser necesarias para clarificar la informacin.
Las tablas de frecuencias, histogramas (graficas de Pareto) e
ndices nmericos se emplean para resumir y visualizar la
informacin disponible y para hacer inferencias acerca de la
poblacin.

1.- Resumen tabular de datos o distribucin de frecuencias.


Una distribucin de frecuencias es una tabulacin de los
datos arreglados de acuerdo a su magnitud.
Dimetros de ejes de acero producidos en un torno automtico
Muestra

Mediciones

1-10

2.510

2.517

2.522

2.522

2.510

2.511

2.519

2.532

2.543

2.525

11-20

2.527

2.536

2.506

2.541

2.512

2.515

2.521

2.536

2.529

2.524

21-30

2.529

2.523

2.523

2.523

2.519

2.528

2.543

2.538

2.518

2.534

31-40

2.520

2.514

2.512

2.534

2.526

2.530

2.532

2.526

2.523

2.520

41-50

2.535

2.523

2.526

2.525

2.532

2.522

2.502

2.530

2.522

2.514

51-60

2.533

2.510

2.542

2.524

2.530

2.521

2.522

2.535

2.540

2.528

61-70

2.525

2.515

2.520

2.519

2.526

2.527

2.522

2.542

2.540

2.528

71-80

2.531

2.545

2.524

2.522

2.520

2.519

2.519

2.529

2.522

2.513

81-90

2.518

2.527

2.511

2.519

2.531

2.527

2.529

2.528

2.519

2.521

Construccin de una tabla de frecuencias.


Paso 1. Determine el intervalo.
Tabla para calculo del intervalo

Muest ra
1-10
11-20
21-30
31-40
41-50
51-60
61-70
71-80
81-90

2.510
2.527
2.529
2.520
2.535
2.533
2.525
2.531
2.518

2.517
2.536
2.523
2.514
2.523
2.510
2.515
2.545
2.527

2.522
2.506
2.523
2.512
2.526
2.542
2.520
2.524
2.511

2.522
2.541
2.523
2.534
2.525
2.524
2.519
2.522
2.519

Mediciones
2.510 2.511 2.519
2.512 2.515 2.521
2.519 2.528 2.543
2.526 2.530 2.532
2.532 2.522 2.502
2.530 2.521 2.522
2.526 2.527 2.522
2.520 2.519 2.519
2.531 2.527 2.529

R = Valor Mx. - Valor Mn. = 2.545 - 2.502 = 0.043

2.532
2.536
2.538
2.526
2.530
2.535
2.542
2.529
2.528

2.543
2.529
2.518
2.523
2.522
2.540
2.540
2.522
2.519

2.525
2.524
2.534
2.520
2.514
2.528
2.528
2.513
2.521

Valores
. Mx
Min.
2.543
2.510
2.541
2.506
2.543
2.518
2.534
2.512
2.535
2.502
2.542
2.510
2.542
2.515
2.545
2.513
2.531
2.511
Valores
Mx. Mn.
2.545 2.502

Paso 2. Determine el nmero e intervalo de clases. En


general se recomienda entre 7 y 14 (celdas) si se tienen
menos de 250 observaciones y entre 13 y 20 si se tienen
ms de 250 observaciones.
Una vez decidido el nmero de clases, divida el intervalo de
los datos (R) entre el nmero de clases (NC) para obtener el
intervalo de clases (I C).
Supongamos que queremos 9 clases, el intervalo de
clases ser:
I C= R/NC = 0.043/9 = 0.00477 @ 0.005

Paso 3. Determine los lmites de cada clase. Determine los lmites de


los intervalos de manera que incluyan los valores mnimos y mximos.
Estos lmites usualmente deben tener una figura significativa ms que
las observaciones de manera que ninguna observacin pueda caer en
los lmites.
Para hacer esto al valor mnimo de las observaciones (2.502)
restele un medio del intervalo de clases (0.005/2=0.0025) lo que da un
valor inicial de la primera clase (2.502-0.0025 = 2.4995 @ 2.500)
lo que dara un valor medio de la primera clase de 2.5025, que se
redondea a 2.503 y se establecen los lmites definitivos. Los lmites
de la primera clase sern 2.503 0.0025 = 2.5005 - 2.5055.
Para establecer los lmites de la segunda clase sume al valor
central de la primera clase el intervalo de clase lo que da el valor
central de la segunda clase (2.503 + 0.005 = 2.508) y con este valor
calcule los lmites y as sucesivamente.

Paso 4. Prepare una tabla con un formato como se da continuacin y


registre los datos.

Clase
1
2
3
4
5
6
7
8
9

Intervalo de
clase
2.5005-2.5055
2.5055-2.5105
2.5105-2.5155
2.5155-2.5205
2.5205-2.5255
2.5255-2.5305
2.5305-2.5355
2.5355-2.5405
2.5405-2.5455
TOTAL

Media de
la clase
2.503
2.508
2.513
2.518
2.523
2.528
2.533
2.538
2.543

Conteo
/
////
/////
/////
/////
/////
/////
/////
/////

////
///// ////
///// ///// ///// //
///// ///// ////
/////
/

Frecuencia
1
4
9
14
22
19
10
5
6
90

2.- Histograma
E.I.
24
22

n = 90
x = 2.5247
s = 0.00906

E.S.

18
16
14
12
10
8
6
4
2

2.538
2.523
2.548

2.513
2.518
2.523
2.528
2.533

0
2.498
2.503
2.508

Frecuencia

20

Dimetro (mm)

3.-INDICES NUMERICOS PARA REPRESENTAR LAS


DISTRIBUCIONES
Cuando se manejan datos por variables es conveniente
considerarlos en conjunto en lugar de tratarlos individualmente.
Para poder ver los datos como un conjunto, determinamos
primero cual
es el centro de los datos, y luego estudiamos como cada dato de
informacin se concentra alrededor del centro.
Una medida corriente para expresar el centro es la
media o expectativa, llamada tambin promedio.
La media est dada por:

_
1

x
,
=
i
x
n i=1

La variancia y la desviacin estndar estn entre las medidas


que se usan para expresar el grado de concentracin de los
datos alrededor del centro o media. La variancia est dada por:

2
n
1
s2
Xi X
n1 i1
2
X

2
X

n
s s2
n 1

Clculo de la media y desviacin estndar a partir de una tabla


de frecuencia.

Paso 1. Prepare un formato de clculo como el siguiente.


Clase
1
2
3
4
5
6
7
8
9

Intervalo de
clase
2.5005-2.5055
2.5055-2.5105
2.5105-2.5155
2.5155-2.5205
2.5205-2.5255
2.5255-2.5305
2.5305-2.5355
2.5355-2.5405
2.5405-2.5455
TOTAL

Media de
la clase
2.503
2.508
2.513
2.518
2.523
2.528
2.533
2.538
2.543

Frecuencia
f
1
4
9
14
22
19
10
5
6
90

df

d 2f

Paso 2. Asigne a el punto medio a la clase media o a la clase que


Tiene la mayor frecuencia el valor 0 (d=0). Escriba 0 en la columna
d y escriba -1, -2, ... haca los menores valores observados y 1, 2, ...
Haca los mayores valores observados. La relacin entre x y d se
expresa por la siguiente ecuacin:
d=

(x - a)
h

donde a es el punto medio de la clase donde d=0 (a=2.523) y h es el


intervalo de clase (h=0.005).

Paso 3. Registre los productos df y d2f en sus respectivas columnas.


Haga la suma de cada columna y regstrelas en sus espacios
correspondientes

Clase
1
2
3
4
5
6
7
8
9

Intervalo de
c lase
2.5005-2.5055
2.5055-2.5105
2.5105-2.5155
2.5155-2.5205
2.5205-2.5255
2.5255-2.5305
2.5305-2.5355
2.5355-2.5405
2.5405-2.5455
TOTAL

Media de
la clase
2.503
2.508
2.513
2.518
2.523
2.528
2.533
2.538
2.543

Frecuencia
f
1
4
9
14
22
19
10
5
6
90

df

d 2f

-4
-3
-2
-1
0
1
2
3
4

-4
-12
-18
-14
0
19
20
15
24
30

16
36
36
14
0
19
40
45
96
302

Paso 4.

Calcule

_
x

y s usando las

siguientes ecuaciones:

_
= 2.523 + 0.005
x = a + h ( df/f)
(30/90) = 2.52467
s=h

d 2 f - ((
df) 2 / f)
= 0.005
f - 1
(302 - (30
90 - 1

2 /90))

= 0.00906

CALCULO DE LA DESVIACION ESTANDAR POR EL


METODO DEL INTERVALO
En el trabajo de control de calidad en muchas
ocasiones se estima la desviacin estndar por el mtodo
del intervalo (Rango) en lugar de calcularlo a partir del total
de datos. Formula:
_
R
s= d
2
n (tamao del subgrupo) d2 n (tamao del subgrupo)
2
1.13
7
3
1.69
8
4
2.06
9
5
2.33
10
6
2.53

d2
2.70
2.85
2.97
3.08

Tipos de histograma y su interpretacin.


Entre los tipos de histogrmas encontramos:
Normal o general
Tipo peineta
Con sesgo positivo (o negativo)
Tipo precipicio (o recorte) positivo (o negativo)
Tipo planicie
Tipo doble pico (bimodal)
Tipo pico aislado (titubeo)

3.345

3.245

3.145

3.045

2.945

2.845

2.745

2.645

2.545

Frecuencia

Histograma tipo peineta


30

25

20

15

10

3.345

3.245

3.145

3.045

2.945

2.845

2.745

2.645

2.545

Frecuencia

Histograma con sesgo


30

25

20

15

10

3.345

3.245

3.145

3.045

2.945

2.845

2.745

2.645

2.545

Frecuencia

Histograma con recorte


35

30

25

20

15

10

3.345

3.245

3.145

3.045

2.945

2.845

2.745

2.645

2.545

2.445

2.345

Frecuencia

Histograma bimodal
35

30

25

20

15

10

Estratificacin de histogramas.
Cuando los datos observados se dividen en
dos o ms subpoblaciones segn sus caractersticas
o la condicin que existia al momento de colectar
los datos, esas subpoblaciones, se llaman estratos, y
la divisin de los datos en estratos se llama
estratificacin.
Cuando los datos se estratifican de acuerdo a
los factores que se cree pueden causar la variacin,
las causas de la variacin se hacen ms fcilmente
detectables.
Por lo general la estratificacin se hace segn
los materiales, las maquinas, las condiciones de
operacin, los operarios, etc..

DIAGRAMAS DE PARETO
(Lorentz)

Se utilizan para ordenar y priorizar situaciones en


funcin de su frecuencia e importancia.
Los diagramas de Pareto son sumamente tiles en el
anlisis de datos cualitativos. Por ejemplo:
a) causas de ausentismo,
b) tipos de defectos,
c) causas de accidentes,
d) factores importantes en un resultado, etc.

Los anlisis de Pareto son importantes porque


ayudan a identificar los pocos vitales, dejando a
un lado los muchos triviales.
Las prdidas econmicas mas grandes se
deben a unos pocas causas que producen unos
pocos defectos vitales. Si se identifican las
causas de estos pocos defectos vitales, se podrn
eliminar casi todas las prdidas.
El uso del diagrama de Pareto permite
solucionar este tipo de problema con eficiencia.

Como elaborar un diagrama de Pareto?


Decida qu problemas se van a investigar y como
recolectar los datos.
Disee una tabla para conteo de datos, con espacio
suficiente para registrar los totales.
Aplique la tabla y calcule totales.
Elabore una tabla de datos para el diagrama de pareto
que incluya la lista de tems, los totales individuales, los
totales acumulados, la composicin porcentual y los
porcentages acumulados.
Organice los datos por orden de cantidad y llene la
tabla de datos.

El tem otros debe ubicarse en el ltimo rengln


independientemente de su magnitud.
Dibuje los ejes verticales y un eje horizontal. El eje
vertical izquierdo debe tener una escala de 0 hasta el
total general. El eje derecho debe tener una escala de 0
a 100 % y el eje horizontal
debe estar dividido en
un nmero de intervalos iguales al nmero de tems
clasificados.
Construya un diagrama de barras.
Dibuje la curva acumulada (curva de Pareto).
Escriba en el diagrama cualquier informacin
necesaria.

Ejemplo: En un proceso de fabricacin se


encontraron los siguientes defectos:
Tipo de defecto
A.-Fractura
B.-Rayado
C.-Mancha
D.-Tensin
E.-Rajadura
F.-Burbuja
G.-Otros
Total

Conteo
///// /////
///// /////
///// /
///// /////
////
///// /////
///// /////

Total
10
///// ....//
42
6
///// ///// ...//// 104
4
///// /////
20
////
14
200

Tabla 1.- Tabla de conteo de datos para undiagrama de


Pareto.
Tipo de
Nmero
defecto de defectos
D.-Tensin
104
B.-Rayado
42
F.-Burbuja
20
A.-Fractura
10
C.-Mancha
6
E.-Rajadura
4
G.-Otros
14
Total
200

Total Composicin
acumulado porcentual
104
146
166
176
182
186
200
---

52
21
10
5
3
2
7
100

Porcentaje
acumulado
5
73
83
88
91
93
100
---

Tabla 2.- Datos para un diagrama de Pareto


Tipo de Nmero de Total
Composicin Porcentaje
defecto
defectos acumulado porcentual acumulado
D.-Tensin 104
104
52
52
B.-Rayado 42
146
21
7
F.-Burbuja 20
166
10
83
A.-Fractura 10
176
5
88
C.-Mancha 6
182
3
91
E.-Rajadura 4
186
2
93
G.-Otros
14
200
7
100
Total
200
--100
---

Cual defecto se debe atacar primero? Usualmente se


ataca el que cueste ms y no necesariamente el ms
frecuente. Para decidir cual atacar se puede usar el
ndice de prioridad de Pareto (I.P.).
I.P. =F((Costo anual)x(probabilidad de xito)/(Tiempo de
eliminacin)x (Inversin)) X 100

Tabla 3.- Clculo del I.P..


Causa

Frecuencia Costo* Tiempo Inversin* Prob. I.P.


anual eliminacin
de xito
D.-Tensin
104
350
0.8
50
0.70
613
B.-Rayado
42
450
1
100
0.85
383
F.-Burbuja
20
3000
5
1500
0.65
26
A.-Fractura
10
450
1.5
150
0.50
100
C.-Mancha
6
200
2
500
0.80
16
E.-Rajadura
4
130
1.5
100
0.70
61
G.-Otros
14
600
3.5
80
0.30
64
* por mil

Diagramas de Pareto de Fenmenos y de Causas


Existen dos tipos de diagramas de Pareto:

1.- Diagramas de Pareto de fenmenos.


En este diagrama se relacionan los resultados indeseable y
se utilizan para averiguar cual es el principal problema.
2.-Diagramas de Pareto de causas.
En este diagrama se relacionan los resultados indeseables y
se utilizan para averiguar cuales son las principales causas.

Diagramas de Pareto de fenmenos:


Calidad
Costos
Seguridad
Entrega

Defectos, quejas, retrabajo, devoluciones,


garantas, demandas, etc.
Prdidas, gastos, etc.
Accidentes, interrupciones, errores, etc.
Inventarios, demoras en entrega, demora
en pagos, etc.

Diagramas de Pareto de causas:


Operario
Mquina
Materia prima
Mtodo operacional

Turno, grupo, edad, sexo, etc.


Mquina, herramienta, modelo,
instrumentos, etc.
Productos, planta, lote, clase, turno, etc.
Condiciones, ordenes, mtodos, ajuste,
etc.

Elaboracin de los diagramas de Pareto.

.- Pruebe varias clasificaciones y construya


muchas clases de diagramas.
.- No es conveniente que la clasificacin
otros represente un porcentaje de los ms altos.
.- Es mejor si los datos se pueden representar
por costos.

Uso de los diagramas de Pareto.

.- Si un tem se puede solucionar fcilmente, debe


afrontarse de inmediato aunque sea de relativamente
poca importancia.
.- No deje de hacer diagramas de Pareto de causas
despus de haber identificado los problemas por
medio de diagramas de fenmenos.

DIAGRAMAS
CAUSA-EFECTO
La NIJ (Normas Industriales Japonesas)
definen los diagramas de causa-efecto como un
diagrama que muestra la relacin entre una
caracterstica de calidad y los factores.
Elaborar un diagrama til no es una tarea fcil.
Se afirma que quines tienen xito en la
solucin de problemas son aquellos que tienen
xito en hacer diagramas causa-efecto tiles.

Estructura de los diagramas causa-efecto


Hueso grande
Hueso mediano
Columna

Hueso pequeo

Caracterstica

vertebral
Hueso grande : Causas
primaria
Hueso mediano: Causas
secundarias
Hueso pequeo: Causas
terciarias

Factores
(causas)

Caracterstica
(efecto)

Distribuciones Importantes:
Distribucin hipergeomtrica o ley de probabilidad.
Nmero fijo de ensayos (n)
Poblacin finita (N)
Nmero de disconformes conocido (D)
(
h(x/N,D,n) =

D N-D
)(
)
x n-x
N
( )
n

h(x c/N,D,n) =

x=0

D N-D
)(
)
x n-x
N
( )
n

= n(D/N)

2 =

nD(N-n) (N-D)
N 2 (N-1)

DISTRIBUCION BINOMIAL O BINOMICA


Esta distribucin se aplica a situaciones que se refieren a
ensayos repetidos (experimento binomial) que cumplan con
las siguientes propiedades;
Existen dos posibles resultados en cada ensayo (denominados
xito y fracaso).
La probabilidad de xito en cada ensayo es la misma e igual a
p y, la de fracaso, q, donde p + q=1.

Hay n ensayos, donde n es constante.


Los n ensayos son estadsticamente independientes y
repetidos.

La funcin de probabilidad binomial tiene la forma:


p(x) =

n

x

p x (1 - p) n-x =

n!
x!(n-x)!

p x (1 - p) n-x

x=0,1,...n

Los parmetros de la distribucin binomial son n y p,


donde n es un nmero entero positivo, y 0< p <1. La
media y la variancia de la distribucin binomial son:
= np
y
2 = np(1-p)=npq

La funcin de distribucin acumulada toma la forma:


p(x c/n,p) =

c n
p x (1 - p) n-x
x
x=0

Se usa en el control estadstico de la calidad cuando el tamao


del lote o poblacin es relativamente grande con respecto al
tamao de la muestra (n/N 0.10) o cuando la produccin es
continua.
La forma sigue el principio de que:
p(x) > p(x - 1) para x < (n + 1)p
p(x) < p(x - 1) para x > (n = 1)p
sin embargo, si (n + 1)p = m, es un nmero entero, entonces
p(m) = p(m-1)

En el control de calidad, a menudo nos encontramos con la


X
variable aleatoria
p=
n

donde X tiene una distribucin binomial con parmetros n


y p. Si X es por ejemplo el nmero de artculos
disconformes, este cociente es llamado la fraccin
disconforme de la muestra o fraccin defectuosa de la
muestra. La distribucin de probabilidad de p puede
obtenerse de la distribucin binomial, ya que
p(p a) = p

=p(X

na) =

[na ]

p X (1 -P) n-X

x=0

donde [na] es el mayor entero menor o igual que na. La


media de pes p y la variancia esta dada por:
2 p(1 -P)
p =
n

DISTRIBUCION MULTINOMIAL
Se aplica a multivariables, es decir situaciones donde
podemos tener resultados clasificados en k clases.
Eventos (ensayos) independientes
Resultados de cada ensayo clasificado en una de k clases;
Probabilidad de cada ensayo para resultado de cada una de
las k clases es p1, p2,...pk es constante
Nmero de ensayos sin prefijar (n)
n!
x1 x2
xk
P(X 1 =x 1 , X 2 =x 2 , ...,X k +x k) =
p
p
...p
x 1 !x 2 !...x k ! 1 2
k
para x 1 + x 2 + ...+ x k = n

1 + p 2 + ... + p

= E(X i ) = np i
2 = V(X i )= np i (1- p i )

k =1

DISTRIBUCION DE POISSON
La distribucin de Poisson es una de las distribuciones
discretas ms tiles en el control estadstico de la calidad ya
que se usa como una aproximacin a la distribucin binomial.
Si x es el nmero de ocurrencias de un evento aleatorio
en un intervalo de tiempo o espacio (rea de oportunidad de
ocurrencia), la probabilidad de que x ocurra esta dado:
p(x) =

e - x
x!

x=0,1,...

La es el nico parmetro de esta distribucin y es > 0. La


media y la variancia de la distribucin de Poisson son:
= = np = c
2 = = np = c

Usando np la probabilidad de que x ocurra se puede


escribir:
p(x/c=np) =

(np) x e -np
x!

Una aplicacin clsica de la distribucin de Poisson en el


control estadstico de calidad es la modelacin del nmero
de disconformidades en una unidad de producto o
muestra.
La funcin de distribucin acumulada toma la forma:
a e - x
p(x a) =
x!
x=0

La distribucin de Poisson es una distribucin por mrito


propio y modela los llamados experimentos de Poisson que
cumplen con las siguientes condiciones.

Los eventos ocurren de manera independiente, es


decir, la ocurrencia de un evento en un intervalo de tiempo
o espacio no afecta la probabilidad de una segunda
ocurrencia del evento en el mismo u otro intervalo.
Tericamente es posible que el evento pueda ocurrir
infinitas veces en el intervalo.
La probabilidad de que ocurra un evento en un
intervalo es proporcional a la longitud del intervalo
(probabilidad constante)

Distribucin Normal.
Sin lugar a dudas, la distribucin ms ampliamente
usada para modelar la distribucin de una variable aleatoria,
es la distribucin normal.

Las caractersticas que hacen importante a la curva normal


es el hecho de que puede describirse en trminos de
probabilidad por dos nmeros o medidas numricas; la
media y una medida de dispersin (varianza). La forma de
la curva depende de la varianza (parmetro de forma). Una
variable X con distribucin normal tiene una funcin de
densidad probabilistica:
f(x) =

-(x ) 2
1
exp
2 2
2

para - x

con parmetros donde - < m < , y > 0. Tambin:


E(X) = y V(X) =

Area bajo una cu rva normal

Debido a que mas del 0.9973 de la probabilidad de una


distribucin normal cae en el intervalo de ( -3 , +3 ), 6
se le llama a menudo a este intervalo amplitud de la distribucin
normal.
La fda de una distribucin normal est dada por:
x

F(X) =

1
exp
2

-(x ) 2

dt
2 2

Si se define una variable normal aleatoria con m =0 y s2=1


llamada variable aleatoria normal estandar y denotada por Z,
se puede simplificar los clculos de probabilidad. La FDA de
una variable aleatoria normal estandar es denotada por :

(z) = p(Z

z)

Teorema del Limite Central.


No importa cual sea la distribucin de una poblacin,
la distribucin de los promedios de muestras tomadas
aleatoriamente de la poblacin se aproxima a la distribucin
normal a medida que el tamao de la muestra aumenta.
El teorema del limite central nos permite hacer las siguientes
aseveraciones matemticas acerca de la s muestras y su relacin
con la poblacin.
1.- La media de las medias de todas las muestras posibles del
mismo tamao tomadas de la misma poblacin es igual a la
media de la poblacin.
_
=
x

2.- La desviacin estandar de todas las medias de las


muestras es igual a la desviacin estandar de la poblacin
dividida por la raz cuadrada del tamao de la muestra.

_
=
x
n

Distribuciones atpicas.
Cuando una variable aleatoria normal presenta una
distribucin atpica, su anlisis puede dar informacin para
mejorar el proceso o la calidad sin recurrir a anlisis
estadsticos profundos.
El punto importante a recordar cuando se analizan
distribuciones de frecuencia es: Si la distribucin no es
normal hay que buscar una causa asignable.

La distribucin normal como aproximacin a la binomial


y Poisson
Distribucin

Media

Normal
Binomial
Poisson

np =np

Desv.
Estndar

np(1-p)

Si n es grande y p 0.5 de manera np > 10 la distribucin


binomial puede aproximarse con la distribucin normal con
media np y variancia np(1-p).
p(x=a) =

(a

+ 0.5) - np
np (1 - p)

(a

- 0.5) - np
np (1 - p)

Donde denota la funcin de distribucin acumulada de la


distribucin normal.

Se pueden hacer otros planteamientos probabilisticos tales


como:
p(a x b) =

(b

+ 0.5) - np
np (1 - p)

(a

- 0.5) - np
np (1 - p)

no obstante que p debe ser alrededor de 0.5, la aproximacin se


puede usar sin prdida excesiva de exactitud con 0.1 p 0.9.
La distribucin normal con media = 2 = puede usarse
para aproximar la distribucin de Poisson si la de la
distribucin es grande, alrededor de 10 o mayor.
p(a x b) =

(b + 0.5)

(a - 0.5) -