UTN

Facultad Regional Neuquen

Ingeniería Química

CONTROL ESTADISTICO DE PROCESOS

Equipo de Cátedra …………….
Prof. Ing. Mariela Díaz ……………….
Ayte: Ing. Matías Romero Sánchez…………….

Año: 2018
 UTN
Facultad Regional Neuquen
Ingeniería Química

CONTROL ESTADISTICO DE PROCESOS

Prof. Ing. Mariela Díaz

- Unidad 1 -
Distribuciones de Probabilidad
Año: 2018
Distribución

Binomial
 II.- Distribuciones de Probabilidad

 Control de calidad
 se dan variables dicotómicas .

• SI/NO
• Pasa/ No Pasa
• Conformidad/No Conformidad
• Defectuoso / No Defectuoso
• Cumple/NO Cumple con las Especificaciones

Ejemplos:
Producción de latas: abolladas/No abolladas
defectuosas/No Defectuosas
Un artículo cumple con especificaciones o No,
Una pieza resiste cierta fuerza o no,
 II.- Distribuciones de Probabilidad

La distribución binomial

• La distribución Binomial X~B (n, p) es la función de probabilidades de X

x=0, 1, 2,….n
 n  x n x p: probabilidad de éxito
f ( x, n, p)    p q q= 1-p
 x
 n n!
  
 x  x!(n  x!)
 II.- Distribuciones de Probabilidad

Distribución binomial

Media o Esperanza E ( X )    np
Varianza V ( X )    np
2

Desvío Estándar   np
 II.- Distribuciones de Probabilidad

Gráficos
Función densidad de probabilidades Función Acumulada de probabilidades

 n  x n x
f ( x, n, p)    p q
 x

f(x)

X
 II.- Distribuciones de Probabilidad

Gráficos
 n  x n x
f ( x, n, p)    p q
 x

f(x)

Para n fija, la distribución se hace mas

simétrica cuando p Para p fija, la distribución se hace
se incrementa de 0 a 0,5 mas simétrica cuando n se
o desciende de 1 a 0,5 incrementa
 II.- Distribuciones de Probabilidad

Ejemplo 1
En un proceso de fabricación, donde se produce una gran cantidad de artículos, se sabe que en
promedio 2% de ellos están defectuoso.
Los artículos son empacados en cajas de 10, y se requiere saber cuál es la probabilidad de que no
haya ningún artículo defectuoso en cada caja.

Solución
La v.a. X = es el número de artículos defectuosos por caja,  P (X=0)???

n
X~B (n,p) la función de probabilidades de X f ( x, n, p)    p x q n  x
 x

n= 10,  10 
p=0,02 X~B (10; 0,02) f(x;10;0,02)    (0,02)x (0,08)10x
x

 10  10!
P(X  0) f(0;10;0,02)    (0,02)0 (0,08)100  (0,02)0 (0,08)100  0,9810  0,82
0 0!(10 - 0)!

P(X  0) 0,82 Se espera que el 82% de las cajas no tengan ningún artículo defectuoso,
mientras que el restante 18% al menos un artículo defectuoso
 II.- Distribuciones de Probabilidad

Continuación Ejemplo :

Si se quiere saber cuál es la probabilidad de que cada caja tenga exactamente un

artículo defectuoso, P(X=1), entonces

 10   10 
f(x;10;0,02)    (0,02)x (0,08)10x P(X  1) f(1;10;0,02)    (0,02)1 (0,08)101 
x 1

10!
 (0,02)1 (0,08)101  (10)(0,02)(0,98)9  0,167
1!(10 - 1)!

Entonces, se espera que 16,7% de las cajas tenga exactamente un artículo defectuoso.
 Uso de sistemas computacionales: Minitab.

Calc > Distribuciones de probabilidad > Binomial

 Uso de sistemas computacionales: Minitab.

P (X=0)
P (X=1)
 Uso de sistemas computacionales: Minitab.

P (X=0)
 II.- Distribuciones de Probabilidad
Continuación Ejemplo :

Si se quiere saber cuál es la probabilidad de que cada caja tenga menos de 3 artículos
defectuosos, entonces
P(X< 3)=? P(X< 3)= P(X=0) + P(X=1) + P(X=2)

x
 n  i n i
n= 10,
X~B (10; 0,02)
Función Acumulada F ( x, n, p)  P( X  xi )     p q
p=0,02 de probabilidades i 0  x 
i= 0,1,2,…x

P(X< 3)= P(X=0) + P(X=1) + P(X=2)

2
 10 
F(2;10;0,02)  P(X  2)    (0,02)i (0,98)10i 
i 0  x 

 10   10   10 
F(2;10;0,02)  P(X  2)   (0,02) 0 (0,98)100   (0,02)1 (0,98)101   (0,02)2 (0,98)102
0 1 2
0,817 0,167 0,015
Entonces, se espera que el 99,9% de las cajas
P(X< 3)= P(X2= P(X=0) + P(X=1) + P(X=2)= 0,999
tenga menos de 3 artículos defectuosos.
 Uso de sistemas computacionales: Minitab.

P(X< 3)=? P(X< 3)= P(X=0) + P(X=1) + P(X=2) = P (X  2)

Minitab: Calc > Distribución de Probabilidades > Binomial

 Uso de sistemas computacionales: Minitab.

n= 10,
p=0,02
X~B (10; 0,02)

P(X< 3)=? P(X< 3)= P(X=0) + P(X=1) + P(X=2) = P (X  2)

 n= 10,
p=0,02
X~B (10; 0,02)

P(X< 3)=? P(X< 3)= P(X=0) + P(X=1) + P(X=2) = P (X  2)

 Uso de sistemas computacionales: Minitab.

n= 10,
p=0,02
X~B (10; 0,02)

P(X< 3)=? P(X< 3)= P(X=0) + P(X=1) + P(X=2) = P (X  2)

P (X  2) = 0,9991

P(X<3) 0= P (X  2) = 0,9991
Distribución
de
Poisson

20
 II.- Distribuciones de Probabilidad

II. A) 2.- Distribución de Poisson

• en Control de Calidad, situaciones frecuentes de evaluar

variables tales como:

– Nº de defectos por artículo,

– Nº de defectos por m2 de tela,
– Nº de defectos por unidad de área,
– Nº de impurezas en un líquido,
– Nº de errores de un trabajador.
 II.- Distribuciones de Probabilidad

Distribución de Poisson
• Variable aleatoria: X = Nº de éxitos que se desea que ocurran por unidad
(por unidad de área, por unidad de volumen, por unidad de tiempo, etc.).

• Distribución de Poisson, cuya función de distribución de probabilidades está dada por:

: parámetro de Poisson

• Media o esperanza E(X) y varianza V(X) de la distribución de Poisson:

Es la probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de
ellos es . Media E(X) = μ = λ
2
Varianza V(X) = σ = λ.
 = media o promedio de éxitos por unidad de tiempo, área o producto, es decir número promedio de veces que
ocurre del éxito dentro de una unidad física (area, tiempo, longitud, volumen, etc.)
 II.- Distribuciones de Probabilidad

Distribución de Poisson

Función densidad de probabilidades Función Acumulada de probabilidades

k
F (k )  P( X  k )   p ( x)
x 0
 II.- Distribuciones de Probabilidad

Distribución de Poisson

• Es una distribución sesgada

• Conforme aumenta  el gráfico se

hace cada vez más simétrico
 II.- Distribuciones de Probabilidad

Ejemplo:

Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue

una distribución Poisson con una media de 2,3 imperfecciones por milímetro.

a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.

b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.

c) Determine la probabilidad de al menos una imperfección en 2mm de alambre

Solución a)

a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.

 = 2,3 (e 2,3 ).(2,3) x

f ( x;2,3) 
x!

(e 2,3 ).(2,3) 2
Para x=2 f (2;2,3)   0,265
2!

La probabilidad de que haya 2 imperfecciones en un mm de alambre es de 0,265

Solución b)

b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.

Sea que X denote el número de imperfecciones en 5 milímetro de alambre.

Entonces, X tiene una distribución Poisson con

 = E(x) = 5mmx2,3 imperfecciones/mm = 11,5 imperfecciones.

Por lo tanto,
(e 11,5 ).(11,5) x
 = 11,5 f ( x;11,5) 
x!

(e 11,5 ).(11,5)10
Para x=10 f (10;11,5)   0,113
10!

La probabilidad de que haya 10 imperfecciones en 5 mm de alambre es de 0,113

Solución c)

c) Determine la probabilidad de al menos una imperfección en 2mm de alambre

Sea que X denote el número de imperfecciones en 2 milímetros de alambre.

Entonces, X tiene una distribución Poisson con

 = E(x) = (2mm)x(2,3 imperfecciones/mm) = 4,6 imperfecciones.

Por lo tanto,

 = 4,6 (e 4,6 ).(4,6) x

f ( x;4,6) 
x!
P(X  1 = 1 – P(X=0) = ?

(e 4,6 ).(4,6)0
P ( X  0)  ( f (0;4,6)   ( e  4, 6 )
0!

P( X  1)  1  P( X  0)  1  (e 4,6 )  0,9899

La probabilidad de que al menos 1 imperfección en 2 mm de alambre es de 0,9899

 Uso de sistemas computacionales: Minitab.

a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.

Calc > Distribución de Probabilidades > Poisson
 Uso de sistemas computacionales: Minitab.

b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre. P(X=10) =?

Sea que X denote el número de imperfecciones en 5 milímetro de alambre.
 = 5mmx2,3 imperfecciones/mm = 11,5 imperfecciones.

Calc > Distribución de Probabilidades > Poisson

 Uso de sistemas computacionales: Minitab.

c) Determine la probabilidad de al menos una imperfección en 2mm de alambre P(X  1 = 1 – P(X=0) = ?

Sea que X denote el número de imperfecciones en 2 milímetros de alambre.
 = 5mmx2,3 imperfecciones/mm = 4,6 imperfecciones.

Calc > Distribución de Probabilidades > Poisson

P(X  1 = 1 –0,0100518 =

P(X  1 = 0,9899
 II.- Distribuciones de Probabilidad
Ejemplo
Una compañía vende productos en metros y se ha caracterizado por tener una tasa promedio
de 4 defectos por cada 200 metros.
Si se compran 80 metros, ¿cuál es la probabilidad de que haya:
a) dos defectos?
b) más de cuatro defectos?

SOLUCION

a) Dos defectos en 80 m?
Sea X el número de defectos en 80 metros, entonces el valor de  es (4/200)*80 = 1,6 defectos.
P(x=2) =??

=1,6 (e 1,6 ).(1,6) 2

P0 ( 2;1,6)  f (2;1,6)   0,2584
2!

La probabilidad de que haya dos defectos es 0, 2584.

Se espera que el 25,84% de probabilidad de encontrar 2 defectos en los 80 metros de tela

 II.- Distribuciones de Probabilidad

SOLUCION

b) Más de cuatro defectos?

P(x>4) = 1- P(x4)=

P(x>4) = 1- [P0(0; 1,6)+ P0(1; 1,6) + P0(2; 1,6) + P0(3; 1,6) + P0(4; 1,6)] =

Función Acumulada de probabilidades

4
F (4)  P( X  4)   p( x) Para el cálculo,
usar Excel, Minitab,
x 0 Tabla de Poisson acumulada con
=1,6 defectos
P(x4)= 0,976

P(x>4) = 1- P(x4) = 1- 0,976 = 0,024

La probabilidad de que haya más de cuatro defectos es 0,024.

 Uso de sistemas computacionales: Minitab.

a) Dos defectos en 80 m? Sea X el número de defectos en 80 metros, =1,6

P(x=2) =?

P(x=2) = 0,2584
 Uso de sistemas computacionales: Minitab.

b) Más de cuatro defectos? Sea X el número de defectos en 80 metros, =1,6

P(X>4) =?
Como Minitab calcula P (X xi ) P(X>4) = 1 - P(X4) =?

P(X4)

P(X4) =0,9763

P(X>4) = 1- P(X4) = 0,0237

 Uso de sistemas computacionales: Minitab.

b) Más de cuatro defectos? Gráficamente P(X>4) = P(5) = ?

Grafica> Grafica de Distribución de Probabilidades

 Uso de sistemas computacionales: Minitab.
Continuación……
b) Más de cuatro defectos? Gráficamente
P(X>4) = 1 - P(X4) =?

P(X4) = 0,9763

P(X>4) = 1- P(X4) = 0,0237

 Uso de sistemas computacionales: Minitab.
Continuación……
b) Más de cuatro defectos? Gráficamente, también se puede resolver de la siguiente manera:

P(X>4) = P(5) = ?

P(X>4) = P(5) = 0,02368

Distribución

Normal
 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

• Si X es una variable aleatoria normal, entonces su función de

densidad de probabilidades está dada por

donde μ es su media, y σ su desviación estándar.

 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

Características de N(,)
• Tiene forma de campana, es asintótica al eje de las abscisas (para x =  )

• Simétrica con respecto a la media () donde coinciden la mediana (Mn) y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores   
 1 
Maximo   , 
  2 

Puntos
de
inflexión

 
 +
-  +
 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

Función de distribución acumulada F(x)
Podemos obtener la función de distribución F(x) integrando la función de densidad de
probabilidad:

( x  μ) 2 x ( x μ) 2
1 


1  -∞ < x < ∞
f ( x)  e 2σ 2 F ( x)  e 2σ 2
dx
σ 2π σ 2π 

F(x) = P (X  x)
 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

De modo que la probabilidad de una variable aleatoria normal X en un intervalo a  x  b es:

b ( x  μ) 2
1 
P(a  X  b)  F (b)  F (a) 
σ 2π
a
e 2σ 2
dx

X=a X=b
 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

• Si X es una v.a. X ~ N (  ,  ) entonces se cumple que:

1) P(μ − σ < X < μ + σ) = 0.6827

2) P(μ − 2σ < X < μ + 2σ) = 0.9545

3) P(μ − 3σ < X < μ + 3σ) = 0.9973

Entre   de la media  se ubica en 68.27% del área;

 Entre   3σ se encuentra 99.73% de la distribución.

Esta última es la razón de cómo se obtienen los

límites reales de un proceso
 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

Estandarización
Dado que tanto  como  pueden asumir infinitos valores lo que hace impracticable
tabular las probabilidades para todas las posibles distribuciones normales, se utiliza
la distribución normal estandarizada.

Se define la variable: z =
x -

Es una traslación , y un cambio de
escala de la variable original.

la función de densidad es:

 II.- Distribuciones de Probabilidad

II. B) 1.- Distribución Normal

Estandarización

su función de distribución acumulada es:

la representación gráfica de esta función:

a la variable Z se la denomina variable estandarizada de X, y a la curva

de su función de densidad curva normal estandarizada
 II.- Distribuciones de Probabilidad

Para calcular probabilidades, una vez transformada, la variable a valores de z, se busca en

una tabla el área correspondiente.
Margen superior: segundo
decimal de z
Tabla de distribución Normal

Margen
izquierdo :
Los enteros
de Z y su
primer
decimal.

Cuerpo de la tabla
P(Z<3,67)= 0,00017
 II.- Distribuciones de Probabilidad

Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

Cómo la curva es simétrica

P (-2.03 < z < 0) = P (0 < z < 2.03)

?
z
-3 -2 -1 0 1 2 3
50
Uso de sistemas computacionales: Minitab.
 Ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.47882

La misma área hay entre 0 y -

2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3

52
Uso de sistemas computacionales: Minitab.
 II.- Distribuciones de Probabilidad
Ejemplo 6
Luego de un gran número de determinaciones se ha comprobado que la temperatura de
desconexión de ciertos termostatos responde a una distribución normal con µ=80ºC y
σ=2ºC.
a) Calcular la proporción que corta entre 80 y 82ºC.
b) Si la especificación es de 81±3ºC. Cuál es la proporción de termostatos defectuosos?

Solución
a) X = temperatura de desconexión del termostato X ~N(80, 2)
P (80  X  82)  ?
x1   80  80
x1= 80 x Z1   0
Estandarización Z   2
x2= 82  x   82  80
Z2  2  1
 2
P(80  X  82)  P(0  Z  1)  P( Z  1)  P( Z  0)  0,84134  0,5  0,34134

Respuesta: La proporción que corta entre 80 y 82ºC es 0,34134

 Uso de sistemas computacionales: Minitab.

a) Calcular la proporción que corta entre 80 y 82ºC.

 II.- Distribuciones de Probabilidad

Continuación Ejemplo 6

b) p = proporción de termostatos defectuosos =??

x1  
79  80
EI =81-3 =79 = x1 Z1    1
 2
Estandarización x   84  80
ES=81+3 = 84 = x2 Z2  2  2
 2

p =P(Z<-1)+P(Z>2)

P(Z<-1)= P(Z>1)= 0,15866

P(Z>2) = 0,02275

p =P(Z<-1)+P(Z>2)= 0,15866+ 0,02275=0,1814 Z1= -1 Z2= 2

Respuesta: p = proporción de termostatos defectuosos es 0,1814

60
 Uso de sistemas computacionales: Minitab.

b) Si la especificación es de 81±3ºC. ¿Cuál es la proporción de termostatos defectuosos?

EI =81-3 =79 = x1 La proporción de termostatos defectuosos es P(X<79)+ P(X>84)

ES=81+3 = 84 = x2

P(X<79)+ P(X>84) = 0,308538+0,02274= 0,3313

P(X<79) = 0,308538

P(X<79)+ P(X>84) = 1-P(79  X  84)

P(X>84)=0,02275

P(X<79)+ P(X>84) = 1- 0,6687 = 0,3313

 II.- Distribuciones de Probabilidad

Ejemplo 7
El año pasado, el valor medio del peso de una marca de cereal, fue 0,297 kg, con una desviación estándar de
0,024 kg.
Suponiendo que la distribución es normal,
a) Determinar el porcentaje de los datos que cae debajo del límite inferior de la especificación, de 0,274 kg.
(nota: como la media y la desviación estándar se determinaron en una cantidad grande pruebas durante el
año, se considera que son estimaciones válidas de los valores poblacionales)
b) Determinar el porcentaje de los datos que caen arriba de 0,347 kg.

X: peso de una bolsa de cereal, X ~ N (   0,297,   0,024)

a) P(X<0,274) =?
Estandarización X 
Z 


X1   0,274  0,297
Z1    0,96
 0,024
P(X<0,274) =P(Z< -096)=?

P(Z< -096) = 0,1685 El 16,85% de las bolsas pesan menos que 0,274 kg
 Uso de sistemas computacionales: Minitab.

a) Determinar el porcentaje de los datos que cae debajo del límite inferior de la especificación, de 0,274 kg.
 Uso de sistemas computacionales: Minitab.

b) Determinar el porcentaje de los datos que caen arriba de 0,347 kg.

 Uso de sistemas computacionales: Minitab.

EI = 0,274 N = 0,3105 ES = 0,347

 II.- Distribuciones de Probabilidad

Ejemplo 7
La dimensión de una pieza se distribuye norma con = 82.0mm y = 0,5. Se desea calcular el porcentaje de
piezas que cumplen con especificaciones 821.

Ejemplo del Gutiérrez Pulido, H. De La Vara Salazar, R. Control Estadístico de la Calidad y Seis Sigma . Ed. Mc
Graw Hill 2º Edición 2009 .Capitulo 3: Introducción de la probabilidad. (pag 53)
 II.- Distribuciones de Probabilidad

Teorema central del límite

• Sea x1, x2,..., xn una muestra aleatoria de cualquier población y

sea X la media muestral; entonces, independientemente de
cómo sea la distribución de la población de donde se extrajo la
muestra, la distribución de X se aproxima a la normal conforme
n crece.

– Cuando la distribución de donde proviene la muestra no sea radicalmente

distinta a la normal, entonces la aproximación empieza a ser buena para
tamaños de muestra mayores o iguales que n = 4.

– En caso de que sea muy diferente se requieren tamaños de muestra

mayores.
 Algunas aproximaciones útiles

=np
Binomial Poisson
p  0,1 X~P0 ()
X~Bi(n,p) np  10

 15
0,1 p 0,9
np>10 =  ,  
=np ,   np(1  p)

Normal
X~N(,)
III.- Aproximaciones útiles
III.- Aproximaciones útiles
III.- Aproximaciones útiles
III.- Aproximaciones útiles
Verificación
de la
Normalidad
 IV.- Verificación de la Normalidad

Verificación de la Normalidad

• Un supuesto, en muchos procedimientos que se describen, es

que ciertos datos proceden de una distribución normal.

• Pruebas para verificar la normalidad:

– Pruebas gráficas
• Histograma, asimetría y curtosis
• Graficas de probabilidad normal

– Pruebas de bondad de ajuste (pruebas estadísticas)(*)

• 2 (Chi cuadrada)
Kolgomorov-Smirnov
• Anderson-Darling

(*) Lo veremos en la unidad 3. Inferencia estadística sobre calidad de procesos

 IV.- Verificación de la Normalidad

Pruebas gráficas
• Histograma
– Si es unimodal, simétrico y baja gradualmente a los lados, existe pobilibilidad definida
de que sea normal.
– Es un examen visual

• Coeficiente de Asimetría o Sesgo, a3

a3 < 0 Asimétrico a la izquierda

n
n ( xi  X )
3

sesgo (a 3 )  i 1
a3 = 0 Simétrico
(n  1)( n  2) S 3

a3 > 0 Asimétrico a la derecha

 IV.- Verificación de la Normalidad

Pruebas gráficas

• Curtosis
n
n(n  1) ( xi  X )
4

3(n  1)
Curtosis (a 4 )  i 1

(n  1)( n  2)( n  3) S 4 (n  2)( n  3

a4 <0 Distribución Platicúrtica

a4 = 0 Distribución Mesocúrtica (DIST NORMAL)

a4 >0 Distribución Leptocurtica

Pruebas gráficas – Gráfica de normalidad

 Las gráficas de probabilidad normal se utilizan como un

medio informal de evaluar la normalidad de un conjunto
de datos.

 Se representan, en un mismo gráfico, los datos empíricos

observados, frente a los datos que se obtendrían en una
distribución normal teórica:

o La recta representa la distribución normal.

o Los puntos representa la distribución empírica de una

muestra de datos.

o Los puntos cuanto más cerca de la recta, indica que la

distribución empírica de los datos es más probable que
se comporte como una distribución normal.

 Es frecuente observar una mayor variabilidad

(separación) en los extremos.
Pruebas gráficas – Gráfica de normalidad

 Las gráficas de probabilidad normal, también

llamada “prueba del lápiz grueso”.

 Imaginar un “lápiz grueso” colocado sobre una

línea ajustada:

• Si éste cubre todos los puntos de los datos de

la grafica, probablemente los datos son
normales

• Si los puntos están los suficientemente

distantes de la línea ajustada como para verse
más allá de los bordes del lápiz grueso,
probablemente se trata de datos no normales.
Pruebas gráficas – Gráfica de normalidad

AD - El estadístico de Anderson Darling está en

función de las distancias entre los puntos y la
recta es mejor un valor menor

Valor P indica la probabilidad de equivocarnos al

rechazar el supuesto de normalidad cierto

Si Valor P < 0,05  los datos NO son Normales

Si Valor P > 0,05  los datos SON NORMALES

En la gráfica se observa que la gran mayoría de puntos están

dentro del intervalo de confianza y el Valor P = 0,927 > 0,05
 indica que los datos siguen una distribución normal

Si la mayoría de los datos se encuentran dentro de la zona de intervalo de confianza y el Valor-P > 0,05  los datos empíricos
observados verifica la Normalidad
 IV.- Verificación de la Normalidad

Graficas de probabilidad
Ejemplo 1

El peso que deben contener ciertas bolsas de detergente es de 750 g, con una
tolerancia de ± 5 g.
Se desea verificar si es razonable suponer que la distribución del peso es normal.
Para ello, se toma una muestra aleatoria de 25 productos, se pesan y se obtienen los
siguientes datos:
 Uso de sistemas computacionales: Minitab.

Gráfica > Gráfica de la probabilidad

 IV.- Verificación de la Normalidad

N = 750 g, EI = 745 g, ES = 745 g

En la gráfica se observa que la gran mayoría de puntos están

dentro del intervalo de confianza y el Valor P = 0,927 > 0,05 
indica que los datos siguen una distribución normal
 IV.- Verificación de la Normalidad
Pruebas gráficas
-Ejemplo-
Ejemplo: Pesos de ejes de Acero (kg)
2,531 2,533 2,532 2,532 2,536 Histograma, asimetría y curtosis
2,536 2,537 2,534 2,534 2,537
2,542 2,542 2,538 2,539 2,538
2,543 2,543 2,552 2,544 2,538
2,545 2,545 2,552 2,546 2,542
2,546 2,547 2,552 2,549 2,543
2,546 2,551 2,552 2,550 2,544
2,550 2,551 2,553 2,550 2,545
2,551 2,553 2,554 2,552 2,545
2,551 2,554 2,555 2,552 2,546
2,553 2,554 2,556 2,553 2,546
2,553 2,556 2,556 2,553 2,547
2,559 2,558 2,556 2,554 2,549
2,559 2,558 2,556 2,556 2,550
2,560 2,561 2,559 2,556 2,551
2,561 2,561 2,560 2,557 2,551
2,564 2,563 2,560 2,558 2,551
2,568 2,566 2,560 2,560 2,551
2,568 2,567 2,564 2,562 2,553 Media [Link] Q1 Mediana Q3 Asimetría Kurtosis n
2,572 2,569 2,564 2,565 2,553
2,574 2,570 2,565 2,569 2,575 2,553 0,0105 2,546 2,553 2,56 0,0051 -0,437 110
2,575 2,571 2,567 2,574 2,570
 IV.- Verificación de la Normalidad

Ejemplo: Pesos de ejes de Acero (kg)

Gráfica de probabilidad normal
2,531 2,533 2,532 2,532 2,536
2,536 2,537 2,534 2,534 2,537
2,542 2,542 2,538 2,539 2,538
2,543 2,543 2,552 2,544 2,538
2,545 2,545 2,552 2,546 2,542
2,546 2,547 2,552 2,549 2,543
2,546 2,551 2,552 2,550 2,544
2,550 2,551 2,553 2,550 2,545
2,551 2,553 2,554 2,552 2,545
2,551 2,554 2,555 2,552 2,546
2,553 2,554 2,556 2,553 2,546
2,553 2,556 2,556 2,553 2,547
2,559 2,558 2,556 2,554 2,549
2,559 2,558 2,556 2,556 2,550
2,560 2,561 2,559 2,556 2,551
2,561 2,561 2,560 2,557 2,551
2,564 2,563 2,560 2,558 2,551
2,568 2,566 2,560 2,560 2,551
2,568 2,567 2,564 2,562 2,553
2,572 2,569 2,564 2,565 2,553 En la gráfica se observa que la gran mayoría de puntos están
2,574 2,570 2,565 2,569 2,575 dentro del intervalo de confianza y el Valor P = 0,371 > 0,05
2,575 2,571 2,567 2,574 2,570  indica que los datos siguen una distribución normal
 TRABAJO PRACTICO Nº 3.
Fundamentos de Probabilidad
Referencias bibliográficas
 Gutiérrez Pulido, H. De La Vara Salazar, R. Control Estadístico de la Calidad y Seis Sigma .
Ed. Mc Graw Hill 2º Edición 2009 .Capitulo 3: Introducción de la probabilidad.

 Montgomery, Douglas c. Control estadístico de calidad . Limusa Wiley, 3º Edición 2004.

Capitulo 2: Modelado de la calidad de proceso