Desarrollo:
Simularemos ahora el comportamiento de un equipo producido industrialmente (por ejemplo el motor de un automóvil) ante dos alternativas posibles, que
El contraste de hipótesis buscará
determinar las ocurrencias en la detección de falsas alarmas con
H0(hipótesis nula) y verdaderas ante H1(hipótesis
alternativa). Las mismas supondremos responden a una distribución
normal s (0,4.43), analizándose también
para diferentes desplazamientos de su media, indicando que a medida que
esta aumente mayor será el alejamiento al target buscado. Dichos
tiempos en las unidades que correspondan se obtendrán a partir de
una Distribución Binomial Negativa. Los valores se han obtenido
con el programa Mathematica (fichero); además podemos decir que
estos representan datos en un Gráfico de Shewhart, si deseáramos
trabajar con Gráficos Cusum podríamos simular números
aleatorios binomiales y así obtener los ARL correspondientes o trabajar
con nomograma (Goel&Wu). Posteriormente se mencionarán más en detalle.
Tabla de Cálculos
Shewhart Chart | Cusum chart | |||||||||||||
alarmas | r=1 | r=2 | r=3 | r=4 | r=5 | r=1 | r=2 | r=3 | r=4 | r=5 | ||||
Ho
Q.01
|
sig(0,4.43)*
ARL=Mean |
1005
10^5 |
14855
210^5 |
43605
310^5 |
82325
410^5 |
127911
5*10^5 |
Los datos correspondientes se obtienen a partir del programa "Cusum.exe" |
|||||||
mu=1*
ARL=aprox Mean |
14552
3159,5 |
20977
6319 |
26563
9478 |
31744
12638 |
36672
15797.5 |
|||||||||
H1Q.99 | mu=2*
ARL=aprox Mean |
586
127.86 |
845
255.7 |
1071
383.6 |
1280
511.4 |
1480
639.322 |
||||||||
mu=3*
ARL=aprox Mean
|
56
12.785 |
82
25.57 |
104
38.35 |
124
51.14 |
144
63.92 |
Esto se leería de esta manera:
El 1% de los equipos detectarían una falsa alarma antes de recorrer 1005 unidades de tiempo, 14854 con 2 alarmas y así sucesivamente.
El 99 % de los equipos se detendrían a la primera alarma antes
de recorrer 14552 millas cuando realmente funcionan mal.
2.jun.1999
Pulsar tecla de vuelta
Glosario de Carlos von der Becke.