INDICE

Prólogo....................................................................................................... Resumen………………………………………………………………………. Abstract...................................................................................................... 10 11 12 I. Planteamiento inicial de la investigación……………………………..… 1.1. Identificación del problema……………………………………………… 1.2. Formulación del problema………………………………………………… 1.2.1. Problema general… …………………………………………………… 1.2.2. Problemas específicos………………………………………………… 1.3. Objetivos de la investigación. ……………………………………... 13 14 14 14 14 15 15 15 15 15 16 16 15 16 17 17 17 17 17 II. Marco Teórico....................................................................................... 2.1. Antecedentes del Estudio ………………………………………………. 2.2. Bases Epistémicas…………………………………………………………
1

1.3.1. Objetivo general………………………………………………………… 1.3.2. Objetivos específicos………………………………………………….. 1.4. Justificación………………………………………………………………. a) Su naturaleza……………………………………………………….. b) Impacto económico…………………………………………………. c) Su aporte científico…………………………………………………. d) Su aporte tecnológico………………………………………………. 1.5. Limitaciones y facilidades………………………………………………… 1.5.1. Limitaciones………………………………………………………………. 1.5.2. Facilidades……………………………………………………………… 1.6. Hipótesis…………………………………………………………………….. 1.6.1. Hipótesis general……………………………………………………….. 1.6.2. Hipótesis específicas……………………………………………………

18 18

2.2.1. Orígenes y evolución de la calidad…………………………………… 2.2.2. Tendencia actual………………………………………………………. 2.3. Bases Científicas………………………………………………………… 2.4. Conceptos y Constructos……………………………………………….. 2.4.1. Conceptos Generales…………………………………………………. 2.4.1.1. Medidores de energía eléctrica………………………………………. 2.4.1.2. Clasificación de los medidores de energía…………………………. a) Medidores electromecánicos……………………………………….. b) Medidores electromecánicos con registrador electrónico………. c) Medidores totalmente electrónicos………………………………… c.1) Medidores de demanda………………………………………….. c.2) Medidores multitarifa. …………………………………………….. 2.4.1.3. Calibración…………………………………………………………….. 2.4.1.4. Tipos de ensayos…………………………………………………… 2.4.1.5. Entidades calibradoras……………………………………………… 2.4.1.6. Funciones Densidades …………………………………………….… 2.4.1.7. Distribuciones Discretas……………………………………………… a) Variables Aleatorias………………………………………………… a.1) Variable Aleatoria Discreta.……………………………………… b) Densidades de Probabilidad Discreta…………………………….. b.1) Densidad Discreta………………………………………………… b.2) Condiciones necesarias y suficientes para que una función sea una Densidad Discreta………………………. b.3) Distribución Acumulativa Discreta.……………………………. c) Distribución Geométrica……………………………………………. c.1) Propiedades Geométricas……………………………………… c.2) Aplicación……………………………………………………….. d) Distribución Binomial………………………………………………..
2

18 18 19 20 21 22 22 22 22 22 22 22 23 23 23 24 24 24 24 24 24 25 25 25 25 25 25

d.1) Propiedades……………………………………………………….. d.2) Aplicación…………………………………………………………. e) Distribución Binomial negativa…………………………………….. e.1) Propiedades Binomiales negativas…………………………….. e.2) Aplicación………………………………………………………..… f) Distribución Hipergeométrica………………………………………. f.1) Propiedades Hipergeométrica……………………………………. f.2) Aplicación…………………………………………………………… g) Distribución de Poisson…………………………………………….. g.1) Aplicación………………………………………………….............. 2.4.1.8. Distribuciones Continuas…………………………………………… a) Variable Aleatoria Continúa…………………………………………. b) Densidad Continúa…………………………………………………… c) Distribución Acumulativa Continúa………………………………… d) Distribución Gamma…………………………………………………. e) Distribución Exponencial……………………………………………. e.1) Aplicación…………………………………………………………… f) Distribución Ji Cuadrada…………………………………………… g) Distribución Normal………………………………………………... g.1) Aplicación…………………………………………………………… h) Distribución de Weibull……………………………………………… h.1) Aplicación…………………………………………………………... h.2) Confiabilidad………………………………………………………. 2.4.1.9. Muestreo para Aceptación por Atributos……………………………. 2.4.1.10. Muestreo para Aceptación por Variables………………………….. 2.4.2. Conceptos Específicos…………………………………………………. 2.4.2.1. Glosario de Términos………………………………………………….

26 27 27 27 28 28 28 29 29 29 30 30 32 32 32 32 333 33 33 34 34 34 35 35 36 37 44

3

2.4.2.2. Glosario de Constructos……………………………………………….

45 46 52

2.5. Desarrollo de la Tesis……………………………………………………. 2.5.1. Determinación de la Función Densidad……………….……………… a) Por Atributos………………………………………………………….. b) Por Variables………………………………………………………… 2.5.2. Instrumentos y regímenes protocolares…………………................. 2.5.3. Validación de instrumentos…………………………………………….. 2.5.4. Desarrollo para la obtención de los indicadores…..……………….. de las funciones densidades, según plan de muestreo. A. Para las funciones densidades por atributos…………………….. A.1. Plan de muestreo simple para lotes de………………………… medidores de energía eléctrica de 50 a 100 unidades. A.1.1.Secuencia para el desarrollo de plan de……………………… muestreo utilizando la función de distribución Binomial. a) Nomograma de Larson……………………………………………… b) Parámetros según normas…………………………………………. c) Posibles planes de muestreo………………………………………. d) Fórmula de Distribución Binomial y Probabilidad………………. de aceptación. e) Simulación plan de muestreo……………………………………… e.1) Simulación…………………………………………………………. e.2) Valores obtenidos experimentales…………………… de α y β 69 69 66 68 68 68 66 66 66 55 55 57 59 61 62 66

e.3) Gráfica de las curvas operativas CO de los……………………
4

muestreo utilizando la función de distribución Poisson. 76 77 78 A. a) Valores referenciales. muestreo utilizando la función de distribución Poisson a) Valores referenciales……………………………………………….. d) Simulación plan de muestreo……………………………………… d.4) Selección del plan de muestreo optimo. Secuencia para el desarrollo de plan de…………………….4) Selección del plan de muestreo optimo. d.2) Valores obtenidos experimentales…………………… de α y β 79 79 86 87 79 79 79 79 d. b) Parámetros según normas………………………………………….1. d.3. con………………….. 5 89 89 89 .………………………… d) Simulación plan de muestreo………………………………………. 88 A. con…………………. c) Fórmula de distribución hipergeométrica. los indicadores.. Secuencia para el desarrollo de plan de……………………. los planes de muestreo simulados.1) Simulación………………………………………………………….1.planes de muestreo simulados. e. c) Fórmula de distribución Poisson y probabilidad………………….………………………………………………. d...3) Gráfica de las curvas operativas CO de………………………. de aceptación. los indicadores.2. b) Parámetros según normas………………………………………….1) Simulación………………………………………………………….

de α y 89 89 89 96 97 d. medidores de energía eléctrica de 100 a 1000 unidades.2) Valores obtenidos β experimentales……………………. b) Parámetros según normas………………………………………… c) Posibles planes de muestreo……………………………………… d) Plan máx. 6 . Funciones densidades de escogencia. d.2.. Desarrollo de plan de muestreo simple……………………… utilizando software stagraphips.5 Comparación de planes de muestreo de las………………….d. A... e) Fórmula de distribución Binomial y probabilidad……………. A.1.1) Simulación………………………………………………………….3) Gráfica de las curvas operativas CO …………………………… de los planes de muestreo simulados. a) Nomograma de Larson…………………………………………….2) Valores obtenidos experimentales……………………. A. muestreo utilizando la función de distribución Binomial. los planes de muestreo simulados. f) Simulación plan de muestreo……………………………………… f. de α y β 98 99 102 103 103 103 103 103 103 103 104 104 114 f. y plan mín.3) Gráfica de las curvas operativas CO de……………………….1.4.………………………………………………. A. f. Secuencia para el desarrollo de plan de…………………….… de aceptación. Plan de muestreo simple para lote de…………………………..1.4) Selección del plan de muestreo optimo………………………… con los indicadores.2.

de α y 115 117 118 118 118 118 119 119 119 129 130 f. f. Desarrollo de plan de muestreo ……………………………… simple utilizando Software statgraphipcs para lotes (100 a 1000 medidores de energía eléctrica) A. Para lotes de 100 a 500 medidores………………………… de energía eléctrica.…………………………………. 132 A. f..4) Selección del plan de muestreo optimo.3.3. a) Valores referenciales.2.2.3) Gráfica de las curvas operativas CO …………………………… de los planes de muestreo simulados.………………………………………………. e) Plan máx.2.1) Simulación…………………………………………………………. A. c) Posibles planes de muestreo d) Fórmula de distribución Poisson.. b) Parámetros según normas…………………………………………... Secuencia para el desarrollo de plan………………………… de muestreo simple utilizando la función de distribución Poisson.. ………………………… con los indicadores.……………………………………………….2.4) Selección del plan de muestreo optimo………………………… con los indicadores. y plan mín. A. Para lotes de 100 a 500 medidores………………………… de energía eléctrica. Muestreo doble para lote de medidores………………………. f) Simulación plan de muestreo……………………………………….3.3.2. A.f.1..2. 7 133 133 . f.2) Valores obtenidos β experimentales…………………….

1. d.1.1..……………………… de muestreo doble utilizando la función de distribución Binomial. A. Secuencia para el desarrollo del plan. d.. a) Valores de referencia muestreo simple…………………………. A.3.. d4) Selección del plan de muestreo optimo…………………………. probabilidad de aceptación.2. A.1) Simulación…………………………………………………………..1. a) Valores de referencia muestreo simple…………………………… b) Indicadores del patrón……………………………………………….2) Valores obtenidos experimentales…………………….1) Simulación…………………………………………………………. de los planes de muestreo simulados. d. Para lotes de 500 a 1000 medidores……………………….2) Valores obtenidos experimentales…………………… de α y β 136 139 139 139 139 139 139 139 140 140 147 148 d. d) Simulación del plan de muestreo doble…………………………… d. de α y β 149 150 150 150 150 150 8 .3) Gráfica de las curvas operativas CO ………………………….de energía eléctrica de 100 a 1000 unidades..3. b) Indicadores del patrón……………………………………………… c) Fórmula de distribución Binomial y………………………………… probabilidad de aceptación. con los indicadores. de energía eléctrica. Para lotes de 101 a 500 medidores………………………… de energía eléctrica. d) Simulación del plan de muestreo doble…………………………. c) Fórmula de distribución Binomial y ……………………………….3.

2) Valores obtenidos experimentales…………………… de α y β 167 167 174 175 167 167 167 167 167 166 d. A.2. c) Fórmula de distribución Poisson y………………………………… probabilidad de aceptación.3) Gráfica de las curvas operativas CO……………………………. de muestreo doble utilizando la función de distribución Poisson. con los indicadores… 150 163 164 A. a) Valores de referencia muestreo simple…………………………… b) Indicadores del patrón……………………………………………….4) Selección del plan de muestreo………………………………….3.3. A. d) Simulación del plan de muestreo doble…………………………… 9 176 177 177 177 .4) Selección del plan de muestreo optimo. d) Simulación del plan de muestreo doble…………………………… d.Para lotes de 500 a 1000 medidores…….1) Simulación………………………………………………………….………………… de energía eléctrica a) Valores de referencia muestreo simple…………………………… b) Indicadores del patrón……………………………………………….…….. d.2. Para lotes de 101 a 500 medidores………………………… de energía eléctrica. Secuencia para el desarrollo del plan………………….2. optimo. d. c) Fórmula de distribución Poisson y………………………………… probabilidad de aceptación.3.2.d. de los planes de muestreo simulados.3) Gráfica de las curvas operativas CO …………………………… de los planes de muestreo simulados d.1. con los indicadores.

B.2) Valores obtenidos experimentales…………………….d. de α y β 177 177 177 195 196 d. Plan de muestreo para lote de medidores……………………. 2. Materiales…………………………………………………………… 10 209 209 212 212 . 199 200 200 206 206 206 B.……………………. de muestreo utilizando la función densidad normal B. Secuencia para el desarrollo de plan……………………….4) Selección del plan de muestreo optimo. de la muestra en base a la función densidad por atributos y/o variables.1. B..1.. Para las funciones densidades por variables…………………….1. de energía eléctrica de 50 a 100 unidades. ……………………… con los indicadores.1.6 Estudio de campo………………………………………………… A..3. Para lotes de medidores de…………………………………… eléctrica de 50 a 100 unidades.. d. Desarrollo plan de muestreo utilizando………………………. software statgraphics B..3. de energía eléctrica 100 a 1000 unidades..5 Tablas para la validación y……………………………………… prueba de la función densidad. Equipos y materiales para la determinación…………………….5. 2.2.3) Gráfica de las curvas operativas CO …………………………… de los planes de muestreo simulados. B. Secuencia para el desarrollo de plan………………………….5.1. de muestreo utilizando la función densidad normal. B..1. Plan de muestreo para lote de medidores..2.1) Simulación…………………………………………………………. A. d.

B. Materiales…………………………………………………………… B. 3.1.A. Muestra numérica………………………………………………..2. Población……………………………………………………………… 11 216 217 217 218 221 222 222 222 222 . 3. a) Valores de placa……………………………………………………… b) Protocolo 1: Ensayo de Aislamiento……………………………….1. Tipos de medidores…………………………………………………….. Función densidad………………………………………………………. Equipos……………………………………………………………… C. 3.6.……. Operacionalización de variables…………………………………………..1..2.. protocolos de prueba aplicados a la muestra en base a la función densidad por atributos y/o variables.6. de energía eléctrica activa estáticos de clase 1 y de inducción de clase 2. ……………………………………..4. Procedimiento Experimental.5.Población y muestra………………………………………………………. Metodología…………………………………………………………………. Relación entre las variables de la investigación variables……………. Para la aplicación y emisión de los……………………………….3. 3. 3. 3. Etapas de la investigación………………………………………………. 3..2.6. D.1 Protocolos de prueba para medidores…………………………. Equipos…………………………………………………………… B. D. Obtención de datos…………………………………………………. 3. d) Protocolo 3: Ensayo de Arranque……………………………….3.2. e) Protocolo 4-9: Límites de Error…………………………………… f) Protocolo 10: Comprobación de la Constante…………………… 212 212 213 214 214 214 215 215 215 215 III..6. Diseño de la investigación………………………………………………… 3. c) Protocolo 2: Ensayo de Marcha en Vacío……………………….... a.. Tipo de investigación………………………………………………………..

Técnicas e instrumentos de recolección de datos…………………….1.2.7. De ejecución…………………………………………………………… A. De los materiales………………………………………………………… 3.8.8.3.1...1.7.1. Generales……………………………………………………………… 3.1. De los métodos………………………………………………………. Muestra……………………………………………………………….. Específicos……………………………………………………………. Discusión de resultados………………………………………………….8. B.. 5. validación de las funciones densidades..8.…. Resultados parciales ……………………………………………………… 4. Conclusiones………………………………………………………………. Procedimiento estadístico y análisis de datos…………………………. 4. Discusión del problema…………………………………………………. 3.b. 3.1.7. 224 224 225 225 225 227 227 227 227 227 227 IV. 223 223 224 3. Particulares…………………………………………………………….. Técnica de contrastación para la…………………………………..1..8.1. Resultados………………………………………………………………….1.. C. Técnica de tabulación de resultados ……………………………… de las evaluaciones tipos de medidores. Resultados finales ………………………………………………………… 227 227 227 V.2. 3.1. Técnica de tabulación de resultados ……………………………… de las evaluaciones de las Funciones Densidades. 3.2. 5.. 229 227 228 12 . Discusión de los resultados……………………………………………… V I. 3.

……. 257 258 13 .. Anexo 6…………………………………………………………………….....……… 233 233 X. Observaciones……………………………………………………………... 233 235 240 244 245 XI. Apéndice 2………………………………………………………………...229 VII.. Apéndice…………………………………………………………………… Apéndice 1……………………………………………………………. Referenciales……………………………………………………………… 10. Anexo 5……………………………………………………………………..1... Anexo 4…………………………………………………………………….. Apéndice 3………………………………………………………………… Apéndice 4………………………………………………………………… Apéndice 5………………………………………………………………… Apéndice 6………………………………………………………………… Apéndice 7………………………………………………………………. Anexo 7……………………………………………………………………… 259 260 261 XII. Referencia Bibliográfica………………………………………….. Anexo 2…………………………………………………………………. 231 VIII. Recomendaciones………………………………………………. Anexo 1………………………………………………………………... Anexos………………………………………………………………………. 246 247 248 249 250 Anexo 3……………………………………………………………………...

10. Bibliografía………………………………………………………………… 262 263 264 265 266 268 268 269 14 .2.

realizar estas tareas en forma convencional en una población de medidores resulta individualmente tedioso. Dicho método planteado en la presente tesis.estadística. 15 . Resulta cuando la cantidad de medidores es muy grande.estadístico para obtener la muestra de los lotes de medidores obedeciendo a ciertos criterios basados en el modelamiento que representa en características y operación del lote de medidores.PROLOGO La calibración de medidores en el Perú. En ese contexto se plantea un método probabilístico . Según el resultado obtenido se tomará una decisión de aceptación o rechazo. que represente a la totalidad del lote sin necesidad de hacer la prueba a la totalidad de la población. es realizada por las empresas acreditadas por el Servicio Nacional de Acreditación (SNA) del INDECOPI. Desde luego es oportuno señalar que un punto de partida para discutir la investigación nace desde la perspectiva de un análisis por atributos y por variables en la inspección de los procesos de contrastación y/o calibración de los medidores. El muestreo se hace trascendente toda vez que si se hiciera una contrastación y/o calibración para una cantidad muy grande los tiempos empleados son también grandes y ello encarecería los procesos de trato que estos productos requieren (medidor de energía eléctrica). realizan la calibración y contrastación de medidores aplicando técnicas de medidas y protocolos probabilísticos basadas en la teoría del error y la incertidumbre de la medición. Las entidades acreditas por el SNA. de las que se seleccionan aquellas que se adecuan y representen el comportamiento de los medidores. está basado en una herramienta probabilística . sin embargo estas nos servirán como información convencional para comparar con los resultados obtenidos de nuestra función densidad probabilística de nuestro estudio. La gama de funciones densidades probabilísticas existentes tienen un universo de funciones densidades continuas y funciones densidades discretas. como es la función densidad para aplicar a la población objetivo y obtener la muestra representativa de la misma.

RESUMEN En el presente proyecto de tesis titulado: FUNCIÓN DENSIDAD PARA LA DETERMINACIÓN DE LA MUESTRA EN LA ACEPTACIÓN DE MEDIDORES DEENERGÍA. aplicando métodos probabilísticos y estadísticos. a partir de la función densidad asociada al comportamiento de los medidores. 16 . siendo dicha muestra sometida a regímenes protocolares de pruebas a fin de establecer la VALIDACION para la aceptación o no aceptación del lote de medidores. se estudia la determinación de la muestra probabilística de grandes cantidades de medidores que vienen de fábrica. permitirá devenir en un veredicto de aceptación o no aceptación del lote de medidores. La función densidad adecuada será elegida de una gama de funciones densidades probabilísticas que cumplan con el modelamiento de los medidores de energía en operación y comportamiento. el primero se refiere al uso de la función densidad que nos determina la probabilidad de aceptar o no aceptar un lote específico. la que será sometida a los instrumentos protocolares considerando las variables e indicadores de la investigación teniendo como referencia de comparación a los medidores patrones como la información-testigo cuyos resultados obtenidos de la población de medidores a través de su muestra. Y las que serán utilizadas para la determinación probabilística de la muestra del lote de medidores. Estos métodos estadísticos nos darán la cantidad de medidores a tomar para que represente la totalidad del lote. y el segundo hace referencia cuando en la aplicación y emisión de los protocolos de prueba de medidores está implícito la evaluación de resultados de los parámetros en base al error e incertidumbre en la medición.

from the function density associated with the behavior of the meters. it will allow to develop into a verdict of acceptance or not acceptance of the lot of meters. PLANTEAMIENTO INICIAL DE LA INVESTIGACION 17 . which will be submitted to the instruments protocolconsidering the variables and indicators of the investigation having as reference of comparison to the measuring bosses as the information . applying methods probabilistic and statistical. the first one refers to the use of the function density that us determines the probability of agreeing or not accepting a specific lot. The function suitable density will be chosen of a range of functions densities probabilistic that expire with the modelamiento of the meters of energy in operation and behavior. being said sample submitted to rate protocol of tests in order to establish the VALIDATION for the acceptance or not acceptance of the lot of meters.witness which results obtained of the population of meters across his sample. the determination of the sample is studied probabilistic of big quantities of meters that come from factory. and the second one refers when in the application and emission of the protocols of test of meters there is implicit the evaluation of results of the parameters on the basis of the mistake and uncertainty in the measurement. These statistical methods will give the quantity of meters to take in order that it represents the totality of the lot. And those who will be used for the determination probabilistic of the sample of the lot of meters. I.ABSTRACT In the present preliminary design of thesis titled: FUNCTION DENSITY FOR THE DETERMINATION OF THE SAMPLE IN THE ACCEPTANCE OF METERS OF ENERGY.

En el Perú se emplean funciones densidades normadas por el INDECOPI y aprobadas para la calibración. Los medidores de energía eléctrica ingresan en grandes cantidades a nuestro país para ello se le hacen pruebas de calibración y/o contrastación que permiten identificar si los errores de los instrumentos se encuentran dentro de los límites de exactitud indicados por el fabricante y definidos para su puesta en servicio.1 Identificación del problema La energía eléctrica en el Perú es cuantificada por los medidores de energía eléctrica. Estos son importados a través de las empresas de distribución eléctrica.1. o de empresas que los distribuyen en todo el país. 18 . ¿En el Perú se ha realizado investigación de este tipo o solo adopta normas internacionales?. a partir de normas internacionales basadas en muestreos. Hacer la verificación de grandes cantidades de medidores resultaría muy costoso y encarecería el producto. De la acotación anterior se desprende la inquietud para preguntarnos: ¿Qué estudios anteriores se han realizado referentes a lo relacionado con el presente proyecto de investigación? . ¿Existe en el Perú alguna norma que aplique funciones densidades que difieran de las ya existentes en la contrastación y/o calibración para la aceptación de medidores de energía? Dichas interrogantes permiten iniciar la discusión y ello nos invita a diseñar una propuesta para aportar un nuevo enfoque basada en la FUNCIÓN DENSIDAD PARA LA DETERMINCAIÓN DE LA MUESTRA EN LA ACEPTACIÓN DE MEDIDORES DE ENERGÍA que implica el análisis de los procesos de operación y comportamiento de los medidores de energía. Para ello deben idearse maneras de cómo poder calibrar los medidores de manera que se pueda hacer en forma más rápida para dar juicio si las grandes cantidades de medidores cumplen con los parámetros establecidos. contrastación en la aceptación de medidores de energía.

se considerará como aptos habiendo sido analizado todos los posibles factores. muchas veces difícil de obtener y más aun no comprobada. Los métodos y procedimientos establecen las reglas metrológicas para la aceptación ya sea a través de una inspección al 100% o una inspección por muestreo.2 Problemas Específicos a)El método de análisis e interpretación de los datos obtenidos.esta se encuentra dispersa. b)Ambos conllevan a un plan de muestreo. 19 . función y tareas a realizar. se planificará de tal manera que.2. Este último corresponde al presente estudio de investigación. pero el primero es el más usado por la fácil aplicación que tiene. Que es el motivo del presente trabajo de investigación que estará centrada en determinar la función densidad que nos permita determinar una probabilidad de riesgo del fabricante.2. c)Los resultados esperados en la presente investigación que es la aplicación de la función densidad para la determinación de la muestra para la aceptación de medidores. 1.1. que puede ser suficiente.1 Problema General Las áreas de Investigación Metrológica difieren entre sí en estructura. lo que implica someterlo a pruebas. esto implica que la función densidad necesaria aplicada a una inspección por muestreo lleva a cabo un plan de inspección por atributos o por variables. El método de análisis para realizar una inspección por muestreo se basa en los principios de estadística matemática y como resultado de la aplicación de una función densidad para la determinación de la muestra en la aceptación de medidores de energía. Convencionalmente no es usual tener la información disponible. en la práctica la calidad de los lotes de medidores pueda ser juzgada casi con la misma precisión que al aplicar a todo el lote (población). una probabilidad de riesgo del comprador. el grado de significación de cada uno de ellos y la validación de la función densidad demostrada.2 Formulación del problema 1. la evaluación sensitiva y la experimentación con los resultados bajo condiciones reales.

c) Someter la función densidad de la muestra a regímenes protocolares de pruebas para establecer la validación del lote de medidores de energía. b) Impacto Económico Permitirá reducir los gastos de operación en los procesos de calibración y contrastación en la aceptación de los medidores.2 Objetivos Específicos a) Determinar la función densidad de la muestra por atributos para la determinación de la muestra en la aceptación de medidores de energía.3.1 Objetivo General Determinar la función densidad para la determinación de la muestra para la aceptación de medidores de energía. 1.3 Objetivos de la investigación En la presente Tesis titulado ¨FUNCIÓN DENSIDAD PARA LA DETERMINCAIÓN DE LA MUESTRA EN LA ACEPTACIÓN DE MEDIDORES DE ENERGÍA¨ tiene como objetivos a concretar dentro del plazo establecido cronológicamente y distribuidos longitudinalmente. 1.4 Justificación En la presente Tesis se justifica por: a) Su naturaleza Por la importancia del estudio. su originalidad y aplicación en el campo de los medidores de energía. 1. b) Determinar la función densidad de la muestra por variables para la determinación de la muestra en la aceptación de medidores de energía. c) Su aporte científico 20 .3.1.

es escaza y se encuentra dispersa.5 Limitaciones y facilidades 1. Los presupuestos altos de implementación serán reducidas haciendo uso de equipos e instrumentos de vanguardia y de las acondicionadas para nuestro estudio.5. lo cual nos impulsa a implementar nuestros propios equipos a fin de reducir los gastos que implicarían dichas pruebas. Los equipos necesarios para realizar los protocolos de prueba.5. lo cual hace que el estudio de nuestro proyecto tenga como fortaleza a ser original. son equipos normados y coste elevado.1Limitaciones Información documentada con respecto al estudio del proyecto. sin que ello implique gastos enormes en su aplicación. y a los medidores de energía de inducción de clase 2. 21 . d) Su aporte Tecnológico Permitirá de manera rápida y sencilla el análisis y la operación que implica los medidores de energía debido al uso de nuevos términos y pruebas sistematizadas para campo y laboratorio.Permitirá sentar nuevos conceptos y criterios para establecer y enriquecer aquellos métodos convencionales existentes en comparación con el estado de la técnica del presente proyecto.2 Facilidades A fin de tener facilidades en la ejecución y concreción del presente proyecto delimitaremos nuestro estudio a los medidores de energía activa estáticos de clase 1 y 2. 1. 1.

la aceptación que cumple con el modelamiento de los medidores en su operación y comportamiento permitirá devenir en un veredicto de validación.6. Hipótesis Hipótesis General Hg: Mediante la determinación de la función densidad probabilística de la muestra de medidores de energía. 1. Las pruebas a realizarse serán coordinadas con el taller de electricidad de la FIEE UNAC. MARCO TEÓRICO 2. Hc: La validación de los lotes de medidores de energía permitirá sistematizar los diferentes tipos protocolares de pruebas considerando la función densidad que representa el comportamiento de los medidores. Hipótesis Específicas Ha: Mediante la determinación de la función densidad de la muestra por atributos que cumple con el modelamiento de los medidores en su operación y comportamiento permitirá devenir en un veredicto de validación. II.1 Antecedentes del estudio Antecedentes de estudios de la naturaleza de nuestro proyecto como tal no existe. 22 . Hb: Mediante la determinación de la función densidad de la muestra por variables que cumple con el modelamiento de los medidores en su operación y comportamiento permitirá devenir en un veredicto de validación. a fin de poder contar con materiales equipos e instrumentos necesarios para su concreción.Se considerará publicaciones de normas referidas a los tipos de medidores de energía mencionadas en el párrafo anterior a fin de tener una referencia al propósito de nuestro estudio.

donde se distinguen por su trabajo Shewhart. en la etapa industrial pueden distingue la: a. Inspección de productos para cumplir con la calidad típica de la Administración Científica de Taylor. Evaluación y mejora de procesos mediante el Control Estadístico. Shewhart.2. 2. se llega a la especialización y producción masiva de mercancías. han cambiado y mejorado para elevar el rendimiento de las empresas. los talleres ceden su lugar preponderante como proveedores de mercancías a las grandes fábricas mecanizadas de la época. elaborada por el comité técnico AEN/ CTN 207 transporte y distribución de energía eléctrica establecen en forma general y detallada el procedimiento de control y ensayo para los contadores estáticos de energía. En el Control Estadístico y la mejora de procesos. Además en la Norma Metrología Peruana NMP 007-1997. Esta norma complementa independientemente a la anterior. Roming y Dodge.1 Orígenes y evolución de la calidad Con el advenimiento de la era industrial. Empero. por cuanto será de gran aporte en el estudio del presente proyecto.Sin embargo podemos mencionar que en la Norma Española UNE-EN 61358. En sub grupo de investigadores destacaron hombres como Walter A. estos a su vez. dada la complejidad de estas nuevas industrias se requirieron procedimientos específicos para controlar la calidad de los productos fabricados. 23 . b.2 Bases Epistémicas El estudio de la presente tesis sienta sus bases filosóficas en lo siguiente: 2. Lo cual será de gran ayuda para contrastar con los resultados devenidos en el estudio del presente proyecto. Harry Roming y Harold Dodge. elaborado por el comité técnico IEC que establece los mecanismos para la inspección de aceptación de medidores de energía activa para corriente alterna de clase 2. De acuerdo a Bounds(1). Surge en la década de los 30’s a raíz de los trabajos de investigación realizados por la Bell TelephoneLaboratories.

2 Tendencia Actual A estos tiempos con el avance de la ciencia han ido apareciendo nuevas disciplinas que se rigen bajo normas ISO que permiten realizar tareas de muestreo por atributos y por variables. las normas que a continuación se relacionan contienen disposiciones validas para esta norma internacional. Para lograr lo anterior. Toda norma está sujeta a revisión por lo que las partes que basen a sus acuerdos en esta norma internacional deben estudiar la posibilidad de aplicar la edición más reciente de las normas indicadas a continuación. 2. como fuerte impulsor de las ideas de Shewhart.(3) 2. comenzando con la aportación de Shewhart sobre reconocer que en todo proceso de producción existe variación (2)puntualizó que no podían producirse dos partes con las mismas especificaciones.3 Bases científicas a) Según la norma UNE-EN 61358(4). el Dr. lo cual constituyó un avance sin precedente en el movimiento hacia la calidad. Deming{1}. desarrolló las gráficas de control al tiempo que Roming y Dodge desarrollaban las técnicas de muestreo adecuadas para solamente tener que verificar cierta cantidad de productos en lugar de inspeccionar todas las unidades de un mismo lote de producción. pues era evidente que las diferencias en la materia prima e insumos y los distintos grados de habilidad de los operadores provocaban variabilidad. segúnNorma ISO 2859-1 y Norma ISO 3951-1 respectivamente. Los miembros de CEI e ISO poseen el registro de Normas internacionales en vigor. Edwards W. En el momento de la publicación las ediciones indicadas estaban en vigor.2. 24 .incorporándose después.Estos investigadores cimentaron las bases de lo que hoy conocemos como Control Estadístico de la Calidad. sino determinar cuál era el rango tolerable de variación que evite que se originen problemas. Shewhart no proponía suprimir las variaciones.

UNE-66. Vocabulario y símbolos. En esta Norma metrología peruana. CEI 514: 1975 Control de aceptación de los contadores de corriente alterna de clase 2. se permite límites de error mayores a los admitidos para los ensayos especificados en la norma NMP 006. MEDIDORES DE ENERGIA ACTIVA PARA CORRIENTE ALTERNA DE CLASES 0. Parte 2: Control de calidad estadístico. Muestreo por Atributos.(6) Esta Norma Metrológica Peruana solo se aplica a los medidores de inducción de energía activa nuevos de las Clases de precisión 0. CEI 1036:1990 Contadores estáticos de energía activa para corriente alterna (clases 1 y 2) ISO 3534-1:1993 Estadística: Vocabulario y símbolos. Norma MIL STD-105. Norma ISO 2859-1.5. peruana NMP 007. referida a la • • • • • • b) Según la norma metrológica INSPECCIÓN DE ACEPTACIÓN DE MEDIDORES DE ENERGÍA ACTIVA PARACORRIENTE ALTERNA DE LA CLASE 2(5). 25 .5. describe en detalle los métodos para la inspección de aceptación y ensayo de medidores de energía activa de la clase 2 nuevos. Norma ISO 3951-1. Muestreo por Variables.1 Y 2. debido a que:las condiciones de los ensayos de aceptación más amplias que las ensayos de tipo.• • • • • CEI 410:1973 Planes y reglas de muestreo para el control por atributos. 1 y 2 para la medición de energía activa de corriente alterna.Se toma en cuenta los efectos de manipulación de los medidores. Parte 1: Probabilidad y términos estadísticos generales.El desplazamiento del eje de las abscisas no es aplicable para ensayos de aceptación. entregados en grandes cantidades. a una frecuencia comprendida entre 45 y 65 Hz y se aplica solamente a sus ensayos de tipo. UNE-66.030 Control de aceptación por variables. Norma MIL-STD-414. ISO 3534-2:1993 Estadísticas. Muestreo por Atributos. Muestreo por Variables. c) Según la norma metrológica NMP 006.020 Control de aceptación por atributos.

medidores de exceso).(7) 2. Clasificación de los Medidores de Energía 26 .1. No aplicable a los medidores con indicador de máxima demanda.1. a excepción de los medidores de tarifas múltiples. incluyendo los transformadores de corriente. (8) 2. tales como los utilizados para la tele medida de la energía eléctrica.4.4. cuando estén incorporados dentro de la envolvente del medidor. No aplicable a ningún tipo de dispositivo de medición. 2.Es aplicable al conjunto del medidor y sus accesorios.4 Conceptos y Constructos Las definiciones utilizadas en este procedimiento son de aplicación general y es conforme al "Vocabulario Internacional de Términos Fundamentales y Generales de Metrología".1 Conceptos Generales A continuación se muestras los conceptos generales utilizados en el desarrollo de la presente Tesis. Según el principio de medida se dividen los contadores en dos grupos: contadores electromecánicos y estáticos. la aparente en kVAh o la reactiva en kVARh entregada por un generador o absorbida por un consumidor. No es aplicable a los medidores de energía activa en los que la tensión entre los bornes de conexión es superior a los 600 V (tensión entre fases para los medidores polifásicos).4. 2. No es aplicable a los medidores para los propósitos de prueba ni a medidores de energía activa especiales (por ejemplo.1. Medidores de Energía Eléctrica Los contadores de energía eléctrica sirven para determinar la energía activa en kWh.2.

1) Medidores de demanda: miden y almacenan la energía total y una única demanda en las 24 hs. Pueden registrar también la energía reactiva. Para los pequeños consumidores. A su vez. p. 5 pulsos) mediante un captador óptico que sensa marcas grabadas en su cara superior. c) Medidores totalmente electrónicos: la medición de energía y el registro se realizan por medio de un proceso análogo-digital (sistema totalmente electrónico) utilizando un microprocesador y memorias. estos medidores se clasifican como: c. industriales y domiciliarios. (un solo períodos. provisto de un dispositivo integrador.2) Medidores multitarifa: miden y almacenan energía y demanda en diferentes tramos de tiempo de las 24 hs. utilizados para realizar el control del consumo.3. c. factor de potencia. de acuerdo a las facilidades implementadas. o contadores. El medidor y el registrador pueden estar alojados en la misma unidad o en módulos separados.Los medidores de energía eléctrica. b) Medidores electromecánicos con registrador electrónico: el disco giratorio del medidor de inducción se conGráfico para generar un tren de pulsos (un valor determinado por cada rotación del disco. Para los grandes consumidores. y parámetros especiales adicionales. a fin de facilitar la tarea de medición y control.4. compuesto por un conversor electromecánico (básicamente un vatímetro con su sistema móvil de giro libre) que actúa sobre un disco.1. una sola tarifa).. Calibración 27 .e. se mantiene aún el uso de medidores de inducción de energía activa y reactiva. a los que le corresponden diferentes tarifas (cuadrantes múltiples). Estos pulsos son procesados por un sistema digital el cual calcula y registra valores de energía y de demanda. (9) 2. pueden clasificarse en tres grupos: a) Medidores electromecánicos: o medidores de inducción. medidor permite además la supervisión a distancia vía módem (en muchas marcas incorporado al medidor). Para los medianos consumidores se instalan generalmente medidores electrónicos. cuya velocidad de giro es proporcional a la potencia demandada.

La función densidad muestral se obtendrá de la población de funciones densidades probabilísticas discretas y continuas que a continuación se detallan.1.Conjunto de operaciones que establecen.4.4. (11) 2.1.5. Comprobación de la constante del medidor. aprobado mediante resolución No 0112-2003/ INDECOPI-CTR. Ensayo de arranque. 28 . • • Ensayo de rigidez dieléctrica. Entidades Calibradoras Las entidades calibradoras están acreditadas por el Servicio NCAional de Acreditación INDECOPI.6 Funciones Densidades Se abordará las funciones densidades que existen en la estadística las cuales una de ellas cumplirá con las características que cumplen los medidores de energía y con ello desarrollar una expresión útil aplicada en la aceptación de los medidores de energía.1. Ensayo de marcha en vacío.4. Tipos de ensayos La recepción de una partida de nuevos medidores debe cumplir con una verificación de su estado. Inspección mecánica. bajo condiciones específicas. la relación entre los valores de una magnitud indicados por un instrumento de medición o sistema de medición. Ensayos de precisión.4. deben cumplir con el reglamento general de acreditación.(10) 2. (4) • • • • 2. o los valores representados por una medida materializada o por un material de referencia y los valores correspondientes de esa magnitud realizados por patrones.

que f se define sobre el conjunto de números reales. f(x)≥0 29 . b. f(x) es la probabilidad de que la variable aleatoria X asuma el valor de x. b) Densidades de probabilidad discreta En el caso de variables aleatorias.1) Densidad Discreta Sea X: una variable aleatoria discreta.1. b.1) Variable aleatoria discreta Una variable aleatoria discreta si puede asumir cuando mucho un número finito o uno infinito contable de valores posibles. no basta determinar simplemente sus valores posibles. De ser factible predecir en algún sentido los valores que probablemente asumirá la variable en un momento dado.4. son predicciones que se elaboran en medio de una gran incertidumbre.Son varios los factores que deben resaltarse en cuanto a la densidad en el caso discreto.2) Condiciones necesarias y suficientes para que una función sea una densidad discreta 1. También se requiere indagar que es probable.7. Distribuciones discretas a) Variables aleatorias a. Puesto que el comportamiento de las variables aleatorias depende del azar. además. Primero.2. La función f dada por: F(x)=P[X=x] Para el número real x: se llama función densidad de X. para cualquier número real dado x.

de manera tal que en cada etapa del proceso de selección el entero seleccionado tenga igual probabilidad de ser cualquiera de los dígitos.1. En la generación de tal serie. denotada con F.1) Propiedades Geométricas 1. Los ensayos son idénticos o independientes. 3.4. Este experimento consiste en una serie de ensayo independiente e idéntico. sea X el número de ensayos necesarios para obtener el primer 0. en el sentido de que el resultado de uno no tiene efecto en el resultado de ninguno de los demás. La función de distribución acumulativa de X. Un ensayo con esta propiedad se llama ensayo Bernoulli. c) Distribución geométrica Se afirma que una variable X tiene distribución geométrica.6. c. 2. ∀xfx=1 b. de las cuales es más común el uso de un generador de números aleatorios en computadora. cuyo 30 .3.n c.3) Distribución acumulativa discreta Sea X: una variable aleatoria discreta con densidad f.7. En experimentos de simulación. La variable aleatoria X denota el número de ensayos necesarios para obtener el primer éxito.9). se define con la fórmulasiguiente: F(x)=[X≤x] para todo número real x.….2. El resultado de cada ensayo se puede clasificar como éxito (E) o fracaso (F). con parámetro p. p. suele ser necesario generar una serie de dígitos aleatorios. La probabilidad de éxito.3. es la misma de un ensayo a otro.4. Ello puede lograrse de diversas maneras.2. si su densidad f está dada por: fx=(1-p)x-1p 0<p<1 para x=1.5.8. El Experimento consiste en una serie de ensayos.2) Aplicación Seleccionar uno por uno dígitos aleatorios enteros de (0.2.

n.…………. por lo que la probabilidad de éxito p permanece sin cambio de un ensayo a otro.2. d. La probabilidad de éxito es p=1/10..2.3. Puesto que X denota el número de ensayos requerido para obtener el primer éxito. Los ensayos son idénticos e independientes. 3. 2.2) Aplicación 31 . X es una variable aleatoria geométrica. El experimento consiste en un número fijo.…….2. Puesto que X denota el número de ensayos requeridos para obtener el primer éxito. La densidad se calcula en sustituir p con el valor 1/10 en la expresión de la función: fx=(1-p)x-1p fx=(9/10)x-11/10 x=1. n x=1.... de ensayos de Bernoulli. n La función de distribución acumulativa de X está dada por: fx=1-0. que da por resultado éxito (E) o fracaso (F)..9x d) Distribución Binomial Una variable aleatoria X: tiene distribución Binomial con parámetros n y p si su densidad está dada por: fx=nxpx(1-p)n-x x=0.3. La variable aleatoria X: denota el número de éxitos obtenidos en n ensayos.………….1) Propiedades: 1.n 0<p<1 donde n es un entero positivo d.“éxito” es la generación de un 0.1.

3. Este experimento consiste en una serie de n=10 ensayos de Bernoulli independientemente idénticos.2. x=r.1. Su densidad se calcula al hacer que n=10 y p=1/2 en la expresión para f: fx=nxpx(1-p)n-x fx=10x(1/2)x(1/2)10-x x=0. 32 . Puesto que X denota el número de éxitos en un número fijo de ensayos.Estudios recientes de transito diario en Alemania muestran que es difícil mantener la exactitud cuando se trabaja durante largos periodos ante pantallas de despliegue de datos.... La variable aleatoria X es el número de ensayos necesarios para lograr r éxitos. donde el experimentador fija el valor de r. La probabilidad de éxito es p=1/2..…. si su densidad f está dada por: fx=x-1r-1(1-p)x-rpr r=1. en los que el "éxito" es la identificación correcta de la señal.3…….n x=0. Sea X el número de señales identificadas correctamente durante un intervalo de 30 min en el que se reciben 10 señales. El experimento consiste en una serie de ensayos de Bernoulli independientemente idénticos. r+n e.2.5 si solo llegan 10 señales en el mismo periodo. 2.n e) Distribución Binomial Negativa Se afirma que una variable aleatoria X tiene distribución Binomial negativa.1) Propiedades binomiales negativas 1.r+1. La hipótesis es que la mente no estimulada tiende a divagar.r+2. La probabilidad de identificar correctamente una señal es de casi 0.…….2. X es Binomial. Los ensayos se observan hasta obtener exactamente r éxitos.1.9 cuando se tiene 100 señales por periodo de 30 min.. con parámetros p y r.……. Dicha probabilidad se reduce a 0.. Un aspecto sorprendente del estudio es que la capacidad para identificar puntos en la pantalla del radar disminuye a medida que se vuelve infrecuente su aparición. cada uno con probabilidad p de éxito.

Note que 6 = min(r. Lo que se ilustra. De los N objetos.9. X no puede ser mayor que 6.6). mientras que los otros N-r objetos restantes no lo tienen. el cual permite que las fibras de algodón entren en solución. Cuál es la probabilidad de que se produzcas exactamente 20 lotes para obtener el 3er lote defectuoso. r y n son enteros positivos. Es posible 33 .e.n-(N-r)]≤x≤min(n. f. Este proceso tiene efectividad de 90% en cuanto a que el material producido pueda conformarse según se requiera en una etapa ulterior del proceso.r) donde N. r posee el rasgo que interesa. Puesto que únicamente seis objetos poseen el rasgo buscado. el éxito es la obtención de un lote defectuoso. La probabilidad de que X=20 esta dado por: f20=192(0.9)170.2) Aplicación Suponga que X es una variable hipergeométrica.13 f) Distribución hipergeométrica Una variable aleatoria X tiene distribución hipergeométrica con parámetros N. con probabilidad de 0. con N=15. 3. La variable aleatoria de X es el número de objetos de la muestra que posee rasgo. El experimento consiste en extraer una muestra aleatoria de tamaño n sin reemplazo ni consideración de su orden.1 y r=3. de un conjunto de N objetos.1)Propiedades Hipergeométrica 1. f. n y r si su densidad está dada por: fx=rxN-rn-xNn Max [0. r=6 y n=12.n)=min(12.2) Aplicación Las fibras de algodón usadas en los propulsores de cohetes son sometidas a un proceso de nitración. en este caso. 2. por lo que p=0.

X.3.1. n k>0 El valor de X es s.1) Aplicación El número de glóbulos blancos de un individuo sano puede promediar apenas 6000 células por milímetro cúbico de sangre. donde λ es un número positivo que caracteriza el proceso de Poisson subyacente.. por lo que deben elegirse al menos tres elementos entre los que si lo poseen.2. se toma una gota de 0.…. A fin de identificar la deficiencia de glóbulos blancos..1. el número promedio de casos del evento de interés en un intervalo de s unidades de es λ s. En otras palabras.2. Advierta que: 3=máx.12-(15-6)]=máx. Son truculentos puesto que los límites de X son inusuales. [0. g)Distribuciónde Poisson Se dice que una variable aleatoria X tiene distribución de Poisson con parámetro k si su densidad f está dada por: fx=e-kkxx! x=0.3] Se debe tener cuidado en la especificación de los limites de una variable aleatoria hipergeométrica. la densidad de X está dada por: fx=e-λ sλ sxx! x=0. [0.3. es difícil el desarrollo teórico de la distribución hipergeométrica. Dicho de otra manera. n k>0 Utilizando ecuaciones diferenciales se comprueba que X es una variable aleatoria de Poisson con parámetro k=λ s.n-(N-r)]=máx. Con el fin de entender el significado físico de la constanteλ .001 milímetros cúbicos de sangre y se cuenta el número de glóbulos blancos.seleccionar cuando mucho nueve objetos de los que no poseen el rasgo.[0. área o espacio es λ s/s=λ . en el sentido físico el parámetro λ de Poisson representa el número promedio de casos del evento en cuestión de unidad de medición g.…. Así pues el número promedio de casos del evento en una unidad del tiempo. cuantos glóbulos blancos se 34 . longitud.

cabria esperar el promedio que haya seis glóbulos blancos.esperarían de una persona sana. el número promedio de casos del evento por unidad.062 Donde el valor una vez más. con parámetro λ s=6000(0. Debe elaborarse un juicio de valor para responder a la pregunta. y el intervalo continuo. s=0. Este experimento puede considerarse como uno que incluye un proceso Poisson. de 0.001 y . Sea la unidad de medición el milímetro cubico. se tabulan los valores de la función de distribución acumulativa de valores selectos del parámetro k=s.001)=6. la gota de sangre. cual es el valor de P[X≤2]. En otras palabras. Si e considera que 0. la conclusión natural es que el individuo si tiene deficiencia de glóbulos blancos. E[s]=6. La probabilidad buscada. El evento discreto de interés es la presencia de glóbulos blancos. Si se identifican cuando mucho 2. es 6000. No se cuenta con reglas que indiquen el punto en que las probabilidades se consideran pequeñas. Cuan infrecuente es que haya cuando mucho dos. Entonces. En una persona sana.062. dada la amplia aplicación del modelo Poisson. X es una variable aleatoria de Poisson. De tal suerte. 35 . Existen datos de deficiencia de glóbulos blancos. es ello un signo de deficiencia de glóbulos blancos. se identifica al buscar bajo la columna con el rotulo k=6 en la fila cuyo rotulo es 2.062 es un valor pequeño. PX≤2=x=02f(x)=x=02e-66xx!=0.

2.4.1.8. Distribuciones Continuas a) Variable Aleatoria Continua Una variable aleatoria continúa si puede asumir cualquier valor en uno o más intervalos reales y la probabilidad de que asuma un valor específico dado es 0. b) Densidad Continúa Sea X una variable aleatoria continua. Una función f tal que:
1. fx≥0, paratodoxreal 2. -∞∞fxdx=1 3. P[a≤X≤b]=bafxdxdondeaybsonnúmerosreales

Se llama densidad de X. Condiciones necesarias y suficientes para que una función sea una de densidad continua.
1. fx≥0 2. -∞∞fxdx=1

c) Distribución Acumulativa Continua Sea X una variable aleatoria continua con densidad f. La función de distribución acumulativa de X, denotada con F, está definida por: F(x)=P[X≤x] x : real

El cálculo de F(x) para un número real especifico x precisa integrar la densidad para todos los números reales que sean menores o iguales que x. Calculo de F en el caso continuo F(x)=P[X≤x]=-∞xftdt para todo número real x.

d) Distribución Gamma
36

La función Γ, definida por:

Γ∝=0∞z∝-1e-zdz

α>0

Se llama función gamma.Se dice que una variable aleatoria X con densidad:
fx=1Γ(α)βαx∝-1e-x/β

Donde x>0, α>0, β>0, tiene distribución gamma con parámetros α y β. e) Distribución Exponencial Cuando α=1. Así pues la densidad de una variable aleatoria exponencial asume la forma:
fx=1βe-x/β

x>0

β>0

e.1) Aplicación Algunas cepas de paramecios producen y secretan partículas asesinas, que causan al contacto la muerte de un individuo sensible. Todos los paramecios incapaces de producir dichas partículas son sensibles. El número medio de partículas asesinas emitido por un paramecio asesino es de una cada cinco horas. En la observación de estos paramecios, ¿Cuál es la probabilidad de que deban esperarse cuando mucho cuatro horas antes de que se emita la primera partícula? Si se considera que la unidad de medición es la hora, se trata de un proceso Poisson, con =1/5. Sea W el tiempo en que se emite la primer partícula asesina, tiene distribución exponencial, con β=1/λ =5. La densidad de W es:
fw=(1/5)e-w/5

w>0

La probabilidad está dada por:PW≤4=0415e-w5w>0 La probabilidad que interesa es dada por:
PW≤4=0415e-w5dw=0.5507

Una variable aleatoria exponencial también es una variable aleatoria gamma, de modo que el tiempo promedio que debe esperarse para que se emita la primera partícula asesina es: E[W]=αβ=1x5= 5 h

37

f) Distribución Ji Cuadrada Sea X, una variable aleatoria gamma con β=2 y α=γ/2, donde γ es entero positivo. Se afirma que X, tiene distribución ji cuadrada con γ grados de libertad. Esta variable se denota con:
Xγ2

g) Distribución Normal Se dice que una variable aleatoria X con densidad:
f(x)=12πσe-(1/2)(x-μ)/σ2 -∞<x<∞ -∞<μ<∞ σ>0

Tiene distribución normal con parámetros μ y σ. g.1)Aplicación Los hidrocarburos que se emiten por el sistema de escape de los automóviles son uno de los contribuyentes principales de la contaminación atmosférica. Sea X el número de gramos de hidrocarburos que emite un automóvil por milla recorrida. Suponga que X tiene distribución normal, con media de 1g y desviación estándar de 0.25 g. La densidad de X está dada por:
fx=12π0.25e-12x-μ0.252

La gráfica de esta densidad es una curva simétrica de forma de campana, centrada en μ=1, con puntos de inflexión en μ±δ=1±0.25. Cuando se afirma que X, tiene distribución normal, la afirmación se refiere a que la curva normal genera probabilidades aceptables en el intervalo de valores físicamente razonables de X. En este entendido, al menos es posible aproximar, por ejemplo, la probabilidad de que un automóvil seleccionado aleatoriamente emita entre 0.9 y 1.54g de hidrocarburos, mediante el cálculo del área bajo la gráfica de f entre esos dos puntos. h) Distribución de Weibull
38

Se obtiene en forma más bien natural del estudio de la confiabilidad. La densidad de Weibullestá dada por:
fx=∝βx-γβ-1e-αx-yβ

x>γ α>0 β>0

La consecuencia de esta definición de la densidad es que existe un valor mínimo o “umbral” γ, respecto del cual no puede ser inferior la variable aleatoria X. en muchas aplicaciones físicas, dicho valor es 0. Se afirma que una variable aleatoria X tiene distribución de Ceibal, con parámetros α y β, si su densidad está dada por:
fx=∝βxβ-1e-αxβ

x>0 h.1) APLICACIÓN

α>0

β>0

Sea una variable aleatoria de Weibull, con β=1. La densidad de X es:
fx=∝e-∝x x>0, α>0

h.2) Confiabilidad La distribución de Weibull surge frecuentemente en el estudio de la confiabilidad. Este último se relaciona con la evaluación de si un sistema funciona adecuadamente bajo las condiciones para las cuales se diseño o no lo hace. El interés se centra en describir el comportamiento de la variable aleatoria X, el tiempo necesario para la falla de un sistema que es irreparable una vez que deja de funcionaran.(12)

39

Supóngase que la información disponible para el usuario con respecto a la calidad de los medidores en el lote. Si la decisión de aceptar o rechazar se toma con base en los valores medidos de medidores. Con base en el proceso de inspección.1. La primera opción tiene generalmente un precio prohibitivo y la última es poco probable que sea aceptada por un usuario serio. 40 . Un criterio muy importante es un plan de muestreo es la probabilidad de aceptar el lote P(A). Por lo tanto.2. es la de inspeccionar los medidores en una muestra aleatoria proveniente del lote que se acaba de adquirir. se dice que la inspección se lleva a cabo por características. es la probabilidad binomial acumulativa. entonces se dice que la inspección se lleva a cabo por variables. es la proporción promedio de medidores defectuosos que produce el proceso de manufactura que los fabrica.9. la probabilidad Binomial dada por la ecuación anterior se puede aproximar en forma adecuada por la probabilidad acumulativa de Poisson. la decisión usual es aceptar el lote. PA≡PX≤c=x=0cnxpx(1-p)n-x En donde la variable aleatoria X representa el número de medidores defectuosos encontrados en la muestra. Si np tiene un tamaño moderado. Si los medidores que se inspeccionan se clasifican como defectuosos o no defectuosos. y el lote se acepta o rechaza con base en el número de medidores defectuosos de la muestra. con respecto a la calidad de los medidores que adquiere. inspeccionarlos en una muestra aleatoria proveniente del lote. o aceptar el lote sin llevar a cabo ninguna inspección. Muestreo para aceptación por atributos Se puede escoger uno de los tres caminos para verificar la calidad de los medidores: inspeccionar todos los medidores en el lote. Bajo las hipótesis adecuadas y para algún valor de p y de c. la probabilidad de que el lote se aceptado con base en una muestra de tamaño n. dada una proporción de medidores defectuosos p. rechazarlo o tomar una muestra aleatoria.4. con respecto a una medición física continua. la opción que tiene un balance adecuado entre el costo de la inspección y el que implica acepta un lote y usar medidores defectuosos.

apreciablemente. Esto implica que para una p dada. Como ilustración. considérense los planes de muestreo n=40.02 0. Como ilustración se analizara el plan de muestreo n=100 y c=2.PA=x=0cλ xx!e-λ En donde =np Una gráfica de la probabilidad de aceptación contra p.1247 0. mejor es el plan de muestreo.0138 0. Conforme n aumenta. c=4. la pendiente de la curva se torna más pronunciada.6767 0.03 0. las curvas CO son algo diferentes.0296 0.9197 0.08 0.07 0. Nótese que aunque el cociente c a n es constante. c=2 y n=200. Pero la Gráfico 2. De esta forma.03 0. indica que los planes con valores grandes de c son mejores siempre que el tamaño de la muestrea sea. puede pensarse que entre más cercano a cero se encuentre el valor de c. De hecho. Si el valor de n es fijo.01 0. se muestran las curvas CO para estos planes. c=2 41 . es la curva de operación característica (CO). la probabilidad de aceptación es alta conforme c aumenta.05 0. la probabilidad de aceptación disminuye muy rápidamente conforme el valor de p aumenta. un aumento en el número de aceptación c tendera a desplazar a la curva hacia la derecha. las curvas son más sensibles al tamaño de la muestra. para tamaños grandes de la muestra. p P(A) 0.0620 0.2381 0.0062 Tabla 1: Probabilidades de aceptación para el plan de muestreo n=100. En consecuencia. n=100. En la Gráfico 2.06 0.01 a 0.09. c=1.4232 0. grande. Mediante el empleo de la aproximación de Poisson dada por la ecuación anterior se obtiene la probabilidad de aceptar para valores de p en un intervalo de 0.09 0. Las probabilidades de aceptación se dan en la tabla 1 y están gráficadas contra p en la Gráfico 1. La naturaleza de una curva CO es afectada por el tamaño n de la muestra y por el número de aceptación c.

El desarrollo de buenos planes de muestreo incluye tanto al productor como al comprador del lote. De esta forma los dos experimentan cierto riesgo. es la probabilidad de que el consumidor rechace un lote cuya proporción de artículos defectuosos no es 42 . Un productor ciertamente desearía que el consumidor rechace un porcentaje muy pequeño de los lotes vendidos y que son. buenos. y no aceptable si p≥p2. De manera normal el productor es el fabricante y el consumidor el usuario. Definición 1: El riesgo del productor α mayor que p1. Supóngase que ambos están de acuerdo en que un lote es aceptable si la proporción de artículos defectuosos es p≤p1. c=2 Gráfico 2: Curvas características de operación para los tres planes de muestreo. en general.Gráfico 1: Curva característica de operación para el plan de muestreo n=100. el usuario desearía aceptar un porcentaje muy pequeño de los lotes que son malos. Se dan las siguientes definiciones que implican riesgos.

La práctica usual ha sido la de escoger la probabilidad de aceptación P(A)=1-α en NCA cercano al punto 0. y la probabilidad de aceptación P(A)=β en CL cercano al punto 0. y p2 el de tolerancia de la proporción de defectuosos en el lote (CL).Definición 2:El riesgo del consumidor β es la probabilidad de aceptar un lote cuya proporción de artículos defectuosos es mayor o igual a p2. Con base en estas definiciones.95 de la curva. será aceptado. mientras que solo el 10% de los que provienen de un proceso cuya proporción de medidores defectuosos se encuentra en CL o más. Los riesgos del productor y del consumidor pueden representarse por dos puntos sobre la curva característica de operación. dado que este representa la probabilidad de rechazar un lote aceptable.10 sobre la curva. la situación anterior es análoga a probar la hipótesis nula Ho: =p1 contra la alternativa H1: p=p2. Entonces. ya que este representa la probabilidad de equivocarse al no rechazar un lote inaceptable. 43 . el riesgo del productor es la probabilidad del error tipo I. se aceptará. De manera similar. En este contexto. En otras palabras. el 95% de los lotes que provienen de un proceso cuya proporción de medidores defectuosos se encuentran en NCA. el riesgo del consumidor es la probabilidad del error de tipo II. p1 recibe el nombre de nivel aceptable de calidad (NCA). o por encima de este. como se ilustra en la Gráfico 1. Gráfico3: Curva CO para los puntos de riesgo especificados para el productor y el consumidor.

Dado que se conocen los valores de α . las probabilidades de aceptación al NCA=0. se desea obtener n y c.1. β) debido a que los valores de n y c deben ser números enteros. que la distribución de Poisson proporcionar una aproximación adecuada. Entonces para el riesgo del fabricante. 44 . p1 y p2. pero diferirán muy poco del valor de α . es virtualmente imposible determinar un plan de muestreo cuya curva CO pasa en forma exacta a través de dos puntos (p1. Por ejemplo. Se examinara un procedimiento para obtener planes de muestreo sencillos para valores especificados de los riesgos del fabricante y del usuario. β.05. De esta forma. De manera similar. tales que: PA≡PX≤c=x=0cλ xx!e-λ =β Ecuación 2:En donde ahora =np2. 1-α ) y (p2. dadas las probabilidades de aceptación NCA y el CL.01 y CL=0. el procesamiento se reduce a la solución simultánea para n y c. tales que: PA≡PX≤c=x=0cλ xx!e-λ =1-α Ecuación 1:En donde λ =np1. para el riesgo del usuario. obtener cuatro planes.El desarrollo de planes de muestreo sencillos para riesgos estipulados del fabricante y del usuario. dos de los cuales tendrán el valor dado de α pero diferirán muy poco para el valor de β. Supóngase que las condiciones son tales. supóngase que se desea un plan sencillo de muestreo para el que la curva característica de operación pasa a través de un riesgo del productor α =0.95 y 0. mientras que los otros dos tendrán el valor de β dado. Lo que se hace en forma general.05 son 0. No existe ningún método directo para resolver estas dos ecuaciones. La esencia del procedimiento esta en determinar el tamaño de la muestra n y el número de aceptación c. en otras palabras. Sea X la variable aleatoria que representa el número de medidores defectuosos en una muestra de tamaño n. respectivamente. se desea obtener n y c.

tanto del productor como del consumidor. primero. De esta forma λ 2/λ 1=10.05.1. tales que P(A)=1-α . Los tamaños correspondientes de las muestras se obtienen. El proceso continúa y se obtienen los resultados que se muestran en la tabla 2.1. Los otros tres.9. al fijar la probabilidad de aceptación del riesgo del productor dado.01 es PA≡PX≤2=0. para P(A)=0. β=0. Lo anterior puede lograrse si se inicia con c=0 y se interpola. Se pueden establecer los otros planes. De acuerdo con lo anterior PA≡PX≤2=0.83. lo que se busca es obtener el 1 es exactamente 5. Ahora. Para obtener n. tales que P(A)=β. para encontrar valores λ 1. y se continúa el proceso hasta que se encuentren los valores de c que estén relacionados con el cociente deseado. 1=0. Entonces para c=2. pero p1=0. la probabilidad de aceptar a un nivel CL=0. este procedimiento dará como resultado cuatro planes de muestreo diferentes.01=1. el procedimiento es el siguiente sea λ 1=np1 y λ 2=np2 y fórmese el cociente de λ valor de c cuando λ 2/λ 2 a λ 1. Dado que no es probable tener este valor de manera precisa.05 se obtiene mediante λ 2=82x0. y la probabilidad de aceptar en un NCA=0.05. Para el ejemplo se observa que el valor de este es 5. De manera similar.95 y c=1.82. en especial los últimos dos. se encuentran cercanos a los riesgos especificados.95 y c=0.01 y p2=0.Dados α =0. p1=0. lo que se desea determinar los dos valores de c que se encuentran relacionados con el valor 5.32. entonces para c=2. La decisión final sobre cual adoptar se toma con base en las circunstancias de la situación. Entonces se aumenta el valor de c. y después al hacer lo mismo para el riesgo del consumidor. y para el cociente λ 2/λ 1=46. 45 .36.07.1 y c=0.05. supóngase que se mantiene el riesgo del productor en =0. el que parece tener la menor importancia con respecto al riesgo especificado del consumidor es n=82 y c=2.2238 .1. Como resultado se tiene que λ 1=107x0. y n=107. Para el plan n=82 y c=2.01 y n=82. se obtiene que λ 1=0. Los dos valores de c que se relacionan con el cociente ideal son 2 y 3. mediante el empleo de la distribución acumulativa de Poisson). y para P(A)=0. Si se fija el riesgo del consumidor β=0.05. λ 2=3. np2=5. de estos. Dado que P(A)=0.05=4. En forma ideal.10. y para λ 2.30.91. np1=0. 2 tiene un valor de 2. para P(A)=0.

95 0.32 6.91 0.68  2/λ 1 46.Númerode aceptación 0 1 2 3 Valor de  1 =np1 Para P(A) = 0.09 0.2238 0.37 Valor de λ 2=np2 Para P(A)=0.01.88 Tabla 2:Determinación de los valores de c que se encuentran relacionados con λ 2/λ 1=5 Probabilidad de Plan de muestreo n=82 n=107 n=137 n=134 c=2 c=2 c=3 c=3 aceptación para NCA=0. β=0.01 0.1.10 Tabla 3: cuatro planes de muestreo para α =0.90 5.83 6.95 Probabilidad de aceptación para CL=0.00 10. y CL=0.1 2.05 0.10 0. NCA=0.05 46 .49 4.30 3.05.95 0.82 1.95 0.36 0.05 0.

A 47 . se supone que la medición de la calidad es una variable aleatoria normalmente distribuida y con varianza conocida. Para obtener xa y n. debido a que.4. Además. si el lote tiene una media µα . Sin embargo. el lote será aceptado. µα y µβ. tales que. el plan de muestreo por variables es una muestra de tamaño n y un valor de aceptación xa . Cuando este es posible.α . principalmente. En el caso sencillo en el que la aceptación de un lote se hace con base en la medias de la muestra. considere lo siguiente. tiene que aplicarse el criterio de aceptación por separado para cada medición de calidad cuando se muestrea por variables. pueden obtenerse curvas CO más pronunciadas para el mismo tamaño de la muestra. sea β el riesgo del usuario y µβ el promedio del lote para el cual la probabilidad de aceptación es β.1. se convierte en el tipo de muestreo más popular. Cuando la aceptación se hace con base en mediciones físicas se dice que el muestreo se lleva a cabo por variables. cuando el valor observado de la media de la muestra X es mayor que xa .2. se desea aceptar con una probabilidad 1 . Sean α el riesgo del fabricante y µel promedio del lote para el que la probabilidad de aceptación es 1 .α . en algunos casos puede hacerse una medición física de la calidad de un producto dado. En forma similar. La inspección por variables en general es más costosa que la inspección por características. ya que una medición física es probable que proporcione mucho más información útil con respecto a la calidad de un producto que la dada por característica. Es decir. Para el riesgo del fabricante PX≤xa=α PZ≤xa-μασn=α xa-μασ/n=zα…….10. y si este tiene una media µβ (µα > µβ) se desea aceptar el lote con una probabilidad β. β. Muestreo para aceptación por variables La mayoría de los planes de muestreo para la aceptación se llevan a cabo por características. debido a dos razones fundamentales: la inspección por características de calidad solo son observables como atributos. Dadosα .

Para el riesgo del usuario.{13} 48 . se tiene n=σ(z1-β-zα )μα -μβ…… F Cuando se emplea F para obtener el tamaño de la muestra. ya sea de C o de D. B Las ecuaciones dadas por A y B dependen de las incógnitas xa y n. Al resolver A y B para xa. C xa=σnz1-β+μβ…. se tiene xa=σnz∝+μ∝…. P(X>xa)=β PZ>xa-μβσn=β xa-μβσ/n=z1-β….. D Al igualar C y D resolver para n. el valor de aceptación xa se obtiene...

2. Naturalmente ocurre que todo constructo es un concepto con aporte tecnológico. 49 . • Contrastación La contrastación se define como el procedimiento técnico que por determina el grado de precisión del medidor de energía eléctrica de energía activa de acuerdo a las normas metrológicas vigentes.2.4.4. Se muestra a continuación los conceptos resaltantes de la presente tesis a fin de poder entender de manera rápida y sencilla el método desarrollado. proceso o servicio.2. Conceptos Específicos.1 Glosario de términos Se indica el glosario de los términos utilizados en la presente Tesis. es decir incorpora inventiva. que caracteriza la dispersión de los valores que podrían razonablemente ser atribuidos al mensurando. 2. así como sus condiciones de seguridad y confiabilidad. asociado al resultado de una medición. en el cual la autoridad competente emitirá un dictamen al concluir la prueba. comparación con un sistema o medidor patrón certificado. sin embargo todo concepto no es un constructo. • Protocolo de Pruebas Es un programa sistemático de verificación e inspección aplicado por una organización para el control de la calidad de la tecnología y operación de un equipo. • Incertidumbre Parámetro. La contrastación se puede realizar en el lugar donde está instalado el medidor (contratación en campo).

precisión en un punto de ensayo) de un medidor que contribuye a la calidad y ayuda a diferenciar los medidores de un determinado lote. • Defecto 50 . La diferenciación puede ser cuantitativa (por variables) o cualitativa (por atributos). arranque. según el cual se toma un o mas muestras para obtener información y posiblemente tomar una decisión. • Inspección por muestreo Inspección de un número limitado de medidores tomados al azar del lote. de la misma tensión. y de la misma corriente nominal y el mismo integrador.• Lote Cantidad definida de medidores del mismo tipo. de acuerdo con un plan de muestreo establecido. • Tamaño de muestra Número de n medidores de la muestra. • Plan de muestreo Plan. • Muestra Medidores tomados al azar de un lote para su inspección. • Característica (característica de calidad) Propiedad (Rigidez dieléctrica. • Tamaño del lote Número N de medidores de un lote. • Inspección al 100% Inspección que se realiza a todos los medidores de un lote. fabricados o producidos en condiciones que se supone son uniformes. suministrados por un mismo proveedor.

• Inspección por atributos Inspección en la cual ciertas características de los medidores de la muestra son evaluada. el número de defectos es contado y utilizado como base para el juicio de lote. • Número de aceptación Máximo número de defectos permisible en una muestra para una inspección por atributos. la desviación estándar o el rango medio son calculados y utilizados como base para el juicio del lote. • Curva característica operativa (CO) Curva que muestra. en porcentaje). clasificadas como conformes o no conformes con los requisitos. • Media de la muestra x 51 . y en la cual su valor medio. • Medidor defectuoso Medidor que presenta uno o más defectos. • Inspección por variables Inspección en la cual ciertas características de los medidores de la muestra(por ejemplo. la probabilidad de aceptación de un lote en función de su calidad real para una característica determinada. el error de un medidor para una determinada corriente) son medidas en relación con una escala continua (por ejemplo. para un plan de muestreo dado.No conformidad de un medidor con los requisitos establecidos para una característica.

puede ser considerado satisfactorio. • Rango medio w La media aritmética de los r rangos wj de los r subgrupos de una muestra. con limites de control. wj=xmax-xmin Para subgrupo j. en el que se representa dos valores estadísticos correspondientes (por ejemplo. la media de la muestra xy la desviación estándar s o el rango medio w). wj=j=1rwjr • Desviación estándar de la muestra Está en una estimación de la dispersión de la característica x en un lote. el error de un medidor para una determinada corriente) de los medidores de la muestra.Media aritmética de valores de xi para una determinada característica (por ejemplo. • Nivel de calidad aceptable (NCA) Para una determinada característica. • Trapecio de aceptación Grafico. x=i=1nxin • Rango wj Diferencia entre los valores máximo y mínimo observados de una determinada característica en un subgrupo. para cada muestra. • Muestreo de Aceptación El muestreo de aceptación es el proceso de inspección de una muestra de unidades extraídas de un lote con el propósito de aceptar o rechazar 52 . para inspección por muestreo. el porcentaje máximo de medidores defectuoso en un lote que.

• Probabilidad Mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio. es el conjunto de elementos de referencia sobre el que se realizan las observaciones. bajo condiciones suficientemente estables. La teoría de la probabilidad se 53 . garantizando la trazabilidad de los procesos y la consecución de la exactitud requerida en cada caso. Su objetivo fundamental es la obtención y expresión del valor de las magnitudes. del que se conocen todos los resultados posibles. En este capítulo veremos los conceptos y técnicas de este tipo de muestreo. • Proceso Un proceso es un conjunto de actividades o eventos (coordinados u organizados) que se realizan o suceden (alternativa o simultáneamente) bajo ciertas circunstancias con un fin determinado.todo el lote. • Población Estadística También llamada universo o colectivo. incluyendo el estudio. • Metrología Es la ciencia e ingeniería de la medida. como en cualquier otro demandado por la sociedad. instrumentos de medida o materiales de referencia. Actúa tanto en los ámbitos científico. mantenimiento y aplicación del sistema de pesas y medidas. Este término tiene significados diferentes según la rama de la ciencia o la técnica en que se utilice. • Patrón Patrón que se utiliza corrientemente para calibrar o controlar medidas materializadas. empleando para ello instrumentos métodos y medios apropiados. industrial y legal.

2 Glosario de Constructos El presente glosario corresponde a cada uno de los constructos obtenidos en los procesos de la presente investigación:  Nomograma de Larson 54 . la física.usa extensamente en áreas como la estadística. la matemática.2.4. la ciencia y la filosofía para sacar conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecánica subyacente discreta de sistemas complejos. • Error Indicación de un instrumento de medida menos un valor verdadero de la magnitud de entrada correspondiente. 2.

Estos experimentos comprendieron las relaciones matemáticas y lógicas de las funciones densidades. es un diagrama bidimensional que permite el cómputo gráfico y aproximado de la función Binomial. las cuales son necesarias para describir el comportamiento y la estructura de sistemas complejos.  Escogencia de función densidad Tomar con un buen criterio técnico y personal las funciones densidades que cumplan con ciertos requisitos que se buscan. En su concepción más general.Es un instrumento gráfico de cálculo desarrollado por la Western Electric. • Medición metrológica 55 . darle fuerza o firmeza). El adjetivo válido. hace referencia a aquello que vale legalmente o que es firme y subsistente. el nomograma representa simultáneamente el conjunto de las ecuaciones que definen determinado problema y el rango total de sus soluciones.  Validación de función densidad Es la acción y efecto de validar (convertir algo en válido.  Criterio técnico y personal Procedimiento que tiene como objetivo la obtención de un cierto resultado o fin mediante el análisis de cada una de las funciones densidades y personal porque se elige para determinados fines que se crea conveniente.  Simulación de los planes de muestreo Es la técnica numérica para conducir experimentos en una computadora digital.  Instrumento de validación de función densidad Normas y Publicaciones previamente establecidos como estándares o patrones. por otra parte.

Verificadores Ambientales. Se realizan actividades de acreditación en los ámbitos de Laboratorios de ensayo. Salud y Educación. La palabra calidad tiene múltiples significados. El objetivo es que una tercera parte le demuestre a la sociedad que los productos y servicios cumplen con ciertos criterios de calidad y seguridad. Laboratorios de Calibración.Es un proceso básico de la ciencia que consiste en comparar un patrón seleccionado con el equipo (medidor de energía eléctrica) cuya magnitud física se desea medir para en ver cuántas veces el patrón está contenido en esa magnitud.  Característica de medición Cualidad o circunstancia particular de una cosa que la distingue de las demás por ejemplo el erro del medidor de energía electrica.1 Normalmente los criterios están consensuados a través de una norma. se refiere al conjunto de propiedades inherentes al medidor de energía eléctrica que 56 .  Calidad de los medidores de energía electrica Es herramienta básica para una propiedad inherente de los medidores de energía eléctrica que permite que esta sea comparada.  Norma Metrológica Estándar es una especificación que reglamenta procesos y productos para garantizar la interoperabilidad (como la habilidad de dos o más sistemas o componentes para intercambiar información y utilizar la información intercambiada). Entidades de Inspección. Entidades de certificación.  Acreditación y certificación La Acreditación es un mecanismo para generar confianza sobre los productos y/o servicios brindados por algún tipo de organismo. De forma básica.

 Clase de Medidores de energía eléctrica Conjunto de elementos con características comunes que resulta de una clasificación basada en criterios como la calidad. • Muestreo Optimo Es el plan de muestreo que se elige en forma conveniente para poder aceptar o rechazar los lotes de medidores de energía. 57 . según nuestro estudio veremos 2 tipos de clase de medidores de energía la clase 1 generalmente para medidores estáticos y de clase 2 para medidores de inducción. generalmente es el menor número de medidores de energía eléctrica a menos de cómo criterio a fin de garantizar el muestreo se elige la cantidad máxima.  Modelamiento de medidores de energía eléctrica Representación matemática teórica de un concepto de la física o ingeniería que refiere al comportamiento de los medidores. • Valores experimentales Son los resultados de la simulaciones de las funciones densidades para luego poder compararlo y utilizarlos para los criterios de aceptación de los medidores de energía.le confieren capacidad para satisfacer necesidades implícitas o explícitas. condición.

distribución hipergeométrica. Pedro Díaz Bustos en “Tablas Estadísticas” paginas 1 al 13 establece las caracterizaciones de las funciones densidades como modelo: Distribución Binomial. Sustentada técnicamente en las normas: Las vicarias como la Norma MIL 414 (Muestreo por Atributos) y Normal MIL 105(Muestreo por variables). 2. J. extraídas con un buen criterio técnico y personal de escogencia. Susan Milton y Jesse C. corresponden aquellas que representan en operación y comportamiento de los medidores de energía eléctrica activa.(14) Según.(12) Según. DESARROLLO DE LA TESIS Se presenta el desarrollo de la presente Tesis.5. distribución de Poisson.5. asimismo en la pagina 98 al 101 analiza las distribuciones continuas hasta su simulación. el cual aplica las teorías mencionadas anteriormente para: la determinación de la Función densidad para la determinación de la muestra en la aceptación de medidores de energía.pagina del 65 al 81 analiza las distribuciones discretas desde la Binomial hasta su simulación. distribución normalentre otros. Canavos en “Probabilidad y Estadística aplicaciones y métodos” pagina 88 al 159 establece los conceptos y aplicaciones de las 58 . Arnold en “Probabilidad y al comportamiento de los medidores y restricción de las funciones densidades. y las vigentes como las Normas UNE-EN 61358(Aceptación de medidores estáticos de clase 1) y la NMP-007. Asimismo con un buen criterio personal se han revisado y consultado diferentes referencias bibliográficas relacionadas con la aplicación especifica Tales como: Según. Estadistica”. las actualescomo la norma ISO 2859-1 (Muestreo por Atributos) y la Norma ISO 3951-1 (Muestreo por Variables).2. George C.1 DETERMINACIÓN DE LA FUNCIÓN DENSIDAD Las funciones densidades relacionadas con el presente estudio.

donde la probabilidad de falla se mantiene constante. 59 . Para la Distribución Normal. Para la distribuciónBinomial. 4. 3. 2. indicando sus aplicaciones técnicas y prácticas. manifiesta la siguiente hipótesis.(15) La siguiente clasificación está sustentada con un buen criterio técnico y personal de escogencia según párrafos anteriores y capítulo III: METODOLOGÍA (3.(13) SegúnKurtGieck y ReinerGiecken “Manual de fórmulas técnicas” pagina 261 al 262 realiza un análisis estadístico de la distribución de la probabilidad establece las observaciones en el ámbito de su aplicación:1.p es constante. Para la Distribución Poisson.6 Población y Muestra). manifiesta su aplicación para tamaños grandes de la muestra y número pequeño de fallas n. población sumamente grande durante el muestreo se mantiene la colección.donde n es el tamaño de la muestra y p probabilidad de la falla. manifiesta que él es cálculo exacto pero laborioso. manifiesta su aplicación como un caso especial de la Distribución Binomial.distribuciones discretas y continuas de probabilidad.Para la distribuciónHipergeométrica.

:Por variables Y1: Medidores de energía eléctrica Activa Estáticos de clase 1 y 2.D. R ELACION D F.D. Numero de personas que llegan a una tienda. P. CLA SE VA IA R BLES P. UNIFORME T. Cuando se suman el número de fracasos obtenidos hasta la aparición del primer éxito P. Y1 Y2 BINOMIAL NEGATIVA T.A.C. el numero de defectos en piezas similares para el material. ventas. Se utliza cuando cuyos valores tienen la misma forma de ocurrencia.C N.C.A.D. compras del consumidor y otras situaciones similares en donde la frecuencia de ocurrencia entre grupos o individuos no se espera que sea la misma. POISSON T.T) Claves: T. SU APLICA IÓN C A TRIB UTOS P.A.C.:Tipo ContinuaP.D.P. Se emplea de manera frecuente para modelar las estadisticas de accidente. mercadotecnia.C N.D. Control estadistico de calidad y aceptacion de muestreo.A. son resultados donde es la ocurrencia o la no ocurrencia de un evento. datos psicologicos.C. N. N. OS Y1 M IND .:No cumple 60 .A. (F.D. N. el numero de bacterias en un cultivo.C N.D. P. UCC ION Y2 GEOMETRICA T. POB CION DE FUNCION LA DENSIDA D TIPO DISCRETA T. Y1 Y2 Tabla 4: Población de funciones densidades Discretas.A .V. P. Y1 Y2 HIPERGEOMETRICA T. DENSIDAD E ES M ESTATIC . N.: Tipo DiscretaT.A.V.:Por atributosP.D. Sus areas de aplicación incluyen inspeccion de calida.C. P. BINOMIAL T.a) Por atributos Definida en la tabla 4 y 5.C .A. investigacion de opiones. CON TINUA T. medicina. P.

61 . Tabla 5: Población de escogencia de funciones densidades discretas.Y2: Medidores de energía eléctrica Activa de inducción de clase 2.

: Por variables N.: Tipo Continua P.: No cumple Y1 Medidores de energía eléctrica Activa Estáticos de clase 1 y 2.: Por atributos P.C.P.(F.V.b) Por variables Definida en la tabla 6 y 7.: Tipo Discreta T. Tabla 6: Población de funciones densidades Continuas.D.T) Claves: T. 62 .A.C.

63 .Y2 Medidores de energía eléctrica Activa de inducción de clase 2. Tabla 7: Población de escogencia de funciones densidades continuas.

) 2. Establecimiento del patrón. 10: Verificación de la constante del medidor. x: media. INSTRUMENTOS Y REGÍMENES PROTOCOLARES Habiéndose determinado la escogencia de las funciones densidades discretas y continuas para someter a prueba y validación de las mismas con la finalidad de establecer la aceptación o no aceptación de lotes de medidores se emplearan los siguientes instrumentos: 1. considerando cada uno de sus indicadores 64 . Procedimiento del muestreo para aceptación por atributos • • • Probabilidad de aceptar el lote P(A) (asociar a Probabilidad de aceptación para el plan de muestreo n.) Curva de operación característica CO (relacionada con el tamaño de n de la muestra y número de aceptación c).5. 3: Arranque Ensayo No. Instrumento para la prueba y validación de las funciones densidades. Se considera como patrón a las normas NMP 007 y UNE-EN 61358. Procedimiento del muestreo para aceptación por variables Medición de la calidad considerando el riesgo del fabricante y del usuario. 4 al No. Curva CO (para los puntos de riesgo NCA y CL) B. 2: Marcha en Vacio Ensayo No. Regímenes protocolares para la determinación probabilística de la muestra de medidores de energía eléctrica. Ensayo No.etc. Usar estadísticos de la teoría del error (n: número de la varianza. 1: Propiedades dieléctricas Ensayo No. de escogencia A.2.2. • • 3. o: Ensayo No. 9: Puntos de ensayo y límites de errores. (Según normas UNE-EN61358 y NMP 007) • • • muestra.

d: número de rechazo de medidores de energía eléctrica. tabla 11 y tabla 12). tabla 10. n: muestra medidores de energía eléctrica extraída de n. con la finalidad de uniformizar y contrastar nuestros resultados.). se ha determinado en base alas normas UNE-EN 61358 y NMP 007. de escogencia (están validadas por la norma MIL STD 414 y MIL STD 105D curvas de operación trapecio de aceptación etc. 65 . Estos indicadores son según leyenda de tabla 11 y 12. regímenes protocolares para la determinación probabilística de la muestra de medidores de energía eléctrica(están validadas por las Normas UNE-EN 61358 y NMP 007) y el Establecimiento de las función densidad patrón (están validadas por las normas UNE-EN 61358 Y NMP 007) Todos los indicadores mencionados anteriormente en el punto anterior son detallados para cada ítem según las siguientes tablas. N: lote de medidores de energía eléctrica. Eficacia del lote n. 2.5. c: nivel de aceptación de medidores de energía eléctrica.como referencias para comparar con las funciones densidades de escogencia bajo prueba.3 VALIDACIÓN DE INSTRUMENTOS Los instrumentos a emplear en la presente tesis correspondiente a los: Instrumento para la prueba y validación de las funciones densidades. (Tabla 9.

Leyenda de tabla: N: Lote de medidores de energía eléctrica. c2 d1 d1 1-10 1-10 1-10 1-10 1-10 1-10 1-10 1-10 1-10 ACEPTA CAMBIO O REEMPLAZO ACEPTA CAMBIO O REEMPLAZO NO ACEPTA CAMBIO O REEMPLAZO N →∞ SE PARECE A LA BINOMIAL POR VARIABLES FUNCION D. 66 .T) Nota: Eficacia del lote N. se ha determinado en base al patrón establecido según Norma UNE-EN 61358 y NMP 007. n2 c c1. p→1/2 EFICA CIA MUESTRA n c d ENSAYOS UNE-EN OBSERVA CION Tabla 9: Funciones Densidades de la muestra y sus indicadores.(F.P. n: muestra de medidores de energía eléctrica extraída de N. n2 n1. n2 n n1. d: número de rechazo de medidores de energía eléctrica.DOBLE SIMPLE SIM . c2 c c1. n2 n1.DOBLE SIMPLE .DOBLE SIMPLE SIMPLE . c2 c1.FUNCIONES DENSIDADES DE LA MUESTRA POR ATRIBUTOS FUNCION DENSIDAD DE ESCOGENCIA BINOMIAL POISSON HIPERGEOMETRICA 50≤N≤100 101≤N≤500 501≤N≤1000 50≤N≤100 101≤N≤500 501≤N≤1000 50≤N≤100 101≤N≤500 501≤N≤1000 SIMPLE SIMPLE . n2 n n1. c2 c c1.DO SIM . c: nivel de aceptación de medidores de energía.DOBLE SIMPLE . con la finalidad de uniformizar y poder contrastar nuestros resultados. ESCOGENCIA NORMAL O DE GAUSS 50≤N≤100 101≤N≤500 501≤N≤1000 n n n 4-9 4-9 4-9 LA BINOMIAL SE APROXIMA A LA NORMAL n→∞ . c2 c1. c2 c1. n2 n1.DO n n1.

c2 d1 d1 A PLICA A PLICA A PLICA N A O PLICA A PLICA A PLICA A PLICA N A O PLICA A PLICA A PLICA A PLICA N A O PLICA EFICA CIA MUESTRA n c d 1: DIELECTRICO 2: MA RCHAEN V . DE ESCOGENCIA BIN IA OM L POISSON H IPERG EOM ETRICA N ORM L O DE G U A A SS 101≤N ≤500 501≤N ≤1000 50≤N ≤100 101≤N ≤500 501≤N ≤1000 50≤N ≤100 101≤N ≤500 501≤N ≤1000 50≤N ≤100 101≤N ≤500 501≤N ≤1000 SIM PLE . c2 c1.DOBLE SIM PLE .DOBLE SIM PLE SIM PLE . n2 n1.9:PRECISION ENSA YOS (PUNTOS DE UNE-EN ENSA YOS Y 61358 LIMITES DE ERRORES) 10: CONSTA NTE DE MEDIDOR OBSERV CION A 50≤N ≤100 SIM PLE n c - A PLICA A PLICA A PLICA A PLICA A PLICA A CEPTA CA BIO O REEM M PLA O Z A PLICA A CEPTA CA BIO O REEM M PLA O Z N → SE PA ∞ RECE A LA BIN IA OM L A PLICA N A O CEPTA CA BIO O REEM M PLA O Z N A O PLICA LA BIN IA SE A OM L PROX A IM LA N ORM L n→ . c2 c c1.FUNCIONES DENSIDA DES DE LAMUESTRA POR A TRIBUTOS POR V RIA A BLES FUNCION DENSIDA DE ESCOGENCIA D FUNCION D.(F.DOBLE SIM PLE . n2 n1. n2 n n1.T) 67 . n2 n n n c1.P.DOBLE SIM PLE . p→ A ∞ 1/2 Tabla 10: Funciones Densidades de la muestra y sus indicadores. c2 c1. 3:A RRA NQUE 4 . c2 c1. c2 c c1.DOBLE n1.DOBLE SIM PLE SIM PLE . n2 n1. n2 n n1.

1: Tabla delos plan de muestreo patrón. Fuente referencia 4 68 .Tabla 10.

Tabla 11: Plan de muestreo de inspección por atributos de las funciones densidades de escogencia. (F.T) Tabla 12: Plan de muestreo de inspección por variables de la función densidad de escogencia.P.T) 69 .P. (F.

p2 la intersección de estas rectas ubica el posible plan de muestreo.Según la referencia (3) los riesgos del fabricante.2.5. SEGÚN PLAN DE MUESTREO. este nomograma servirá de referencia para obtener los posibles planes de muestreo. Para planes de muestreo simple.5% a 9% para tamaños del lote 100<N≤1000 p2= 11% a 15% para tamaños de lote 50 ≤N≤100 A. el riesgo del consumidor β .p1 y β . Secuencia para el desarrollo de plan de muestreo utilizando la función de distribución Binomial Se desarrolla un plan de muestreo utilizando la función densidad Binomial teniendo en cuenta lo siguiente: a)El desarrollo del plan de muestreo Nomograma de Larson. arranque y errores del medidor. DESARROLLO PARA LA OBTENCIÓN DE LOS INDICADORES DE LAS FUNCIONES DENSIDADES. los riesgos del consumidor el nivel de calidad aceptable y calidad límite. Se trazan las rectas α . Plan de muestreo simple para lotes de medidores de energía eléctrica de 50 a 100 unidades. A.1. son las siguientes: α = 3 a 10% β = 10% p1= 1% para marcha en vacio. 70 simple se realizara utilizando el .1. Su utilización se basa en la ubicación de los valores del riesgo del fabricante α . FUNCIONES DENSIDADES POR ATRIBUTOS Desarrollo de planes de muestreo utilizando las funciones densidades por atributos asociados al comportamiento de los medidores de energía eléctrica. el nivel de calidad aceptable p1 y la calidad limite p2.2% para la constante del medidor y la rigidez dieléctrica. p1= 0. Determinando aproximadamente el número de muestra (n) y el número de aceptación (c). Este nomograma fue desarrollado por Wester Electric para la determinación los planes de muestreo en la utilización de equipos eléctricos.1. A.4. p2= 5.

Gráfico 4: Nomograma de Larson. calidad limite. nivel de calidad aceptable. 71 . b)Según la referencia (5) para una muestra de 50 a 100 unidades se tiene los valores del riesgo del fabricante. riesgo del consumidor.

(F. β =10% P1=0. β =10% p1=0.02% p2=11% A 15% c) Al trazar las rectas de α − p1 y β − p2 se tomaron los posibles planes de muestreo dados a continuación.02% P2=11% A 15% Ubicando los puntos en el nomograma de Larson con los siguientes valores: α = 10 % a 20%.α = 3% A 10%. Plan A B C D E F G n 12 13 14 15 16 17 18 C 0 0 0 0 0 0 0 Tabla 13: Desarrollo 1(D1) Posibles valores del número de muestra y el número de aceptación.P. con valores de p1= 1%. para los números de muestra y el número de aceptación Distribución Binomial según fórmula matemática la 72 . simulararemos la función de distribución Binomial para obtener los valores de las probabilidades de aceptación.T) d) Para devenir que plan se utilizará.

e) Simulación de plan de muestreo.002 hasta 0.15 los valores posibles para las condiciones desde n=11 hasta n=20 con el número de aceptación c=0. e.La probabilidad de aceptación P. En la simulación se ha empleado la hoja de cálculo Excel. 73 .1) Simulación Se simulan los planes de muestreo con las probabilidades de aceptación desde 0.para un plan de muestreo simple. teniendo como referencia la tabla 13.

87 8 0.506 0.248 0.03 0.314 0.02 0.02 0.167 Tabla 14: Desarrollo 2 (D2): n = 10 y c=0 Tabla 15: Desarrollo 3 (D3): n = 11 y c=0 Gráfico 5: Curvas operativas (CO) número de muestra n= 10.613 0.01 0.569 0.03 0.(F.197 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.06 0.349 0.737 0.05 12 12 12 12 12 P 0.04 0.01 0.10 0. c=0.05 0.T) Simulación de planes de muestreo con número de muestra de 12 y 13 con número de aceptación 0.801 0.216 0.715 0.11 0.P.13 0.04 0.08 0.002 0.190 0.67 3 0.04 0.05 0.14 0.694 0.Simulación de planes de muestreo con número de muestra de 10 y 11 con número de aceptación 0.13 0.58 8 0.02 0.638 0.09 0.400 0.817 0.11 0.895 0.08 0.904 0.279 0.04 0.002 0.01 0.15 n 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 P 0.97 4 0.599 0.484 0.221 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.278 0.12 0.312 0. c 0 0 0 0 0 0 p n P 0.389 0.539 0.06 0.540 74 c 0 0 0 0 0 0 p 0.07 0.03 0.354 0.14 0.978 0.002 0.886 0.12 0.03 0.980 0.450 0.09 0.76 9 0.665 0.51 .002 12 0.05 n 13 13 13 13 13 13 0.976 0.02 0.01 0.10 0.15 n 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 P 0.785 0.07 0.434 0. c=0 y n=11.245 0.

04 0.368 0.33 8 0.282 0.421 0.14 n 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 P 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.002 0.142 0 0 0 0 0 0 0 0 0 0 0.121 75 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.167 0.11 0.15 12 12 12 12 12 12 12 12 12 12 0.206 0.0 0 0 0 0 0 0 0 0 0 0.06 0.07 0.09 0.T) Simulación de planes de muestreo con número de muestra de 14 y 15 con número de aceptación 0.13 0.542 0.01 0.09 0.362 0.104 .05 0.06 0.419 0.10 0.08 0.286 0. c=0.311 0.15 13 13 13 13 13 13 13 13 13 13 3 0.229 0. c=0 y n=13.11 0.860 0.44 7 0.147 0.12 0.13 0.05 0.754 0.322 0.337 0.216 0.07 0.869 0.38 9 0.14 n 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 P 0.06 0.164 0.(F.07 0.174 0.03 0.09 0.633 0.08 0.29 3 0.08 0.188 0.02 0.12 0.463 0.09 0.10 0.13 0.02 0.267 0.124 0.14 0.P.11 0.22 0 0.476 0.002 0.10 0.653 0.247 0.03 0.12 0.142 0.488 0.395 0.12 0.19 0 0.16 4 0.08 0.243 0.196 0.07 0.11 0.565 0.25 4 0.972 4 0.14 1 0.14 0.10 0.739 0.12 1 Tabla 16: Desarrollo 4 (D4): n = 12 y c=0.04 0.97 04 0.13 0. Tabla 17: Desarrollo 5 (D5): n = 13 y c=0 Gráfico 6: Curvas operativas (CO) número de muestra n= 12.06 0.01 0.

02 0.T) Simulación de planes de muestreo con número de muestra de 16 y 17 con número de aceptación 0.07 0.03 0.372 0.14 0.12 0.263 0.11 4 0.70 9 0.15 15 0.04 0.851 0.07 7 0.440 0.07 0.14 0.614 0.724 0.04 0.08 0.185 0.313 0.96 7 0.090 0.24 2 0.108 0.15 n P c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.16 7 0.41 8 0.15 14 0.34 9 0.03 0.103 0 0.11 0.074 P 0.13 0.05 0.06 0.10 0.129 0.09 0.(F. Tabla 19: Desarrollo 7 (D7): n = 15 y c=0.155 0.002 0. c=0 y n=15.13 8 0.01 0.59 6 0.01 0.12 0.15 n 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 16 0.13 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.06 3 76 . c=0.002 0.08 0. Gráfico 7: Curvas operativas (CO) número de muestra n= 14.06 0.84 3 0.50 0 0.221 0.10 0.0 0.P.05 0.09 4 0.11 0.20 1 0.09 0.29 1 0.087 Tabla 18: Desarrollo 6 (D6): n = 14 y c=0.02 0.520 0.9685 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 0.

11 0. Tabla 21: Desarrollo 9 (D9): n = 17 y c=0.252 0.9646 0.01 0. c=0.271 0.109 0.10 0.04 0.223 0.05 0.826 0.06 0.442 .(F.15 n 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 P 0.15 n 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 P 0. Gráfico 8: Curvas operativas (CO) número de muestra n= 14.480 0.668 0.14 0.08 0. Tabla 23: Desarrollo 11 (D11): n = 19 y c=0.T) Simulación de planes de muestreo con número de muestra de 18 y 19 con número de aceptación 0. c=0 y n=19.13 0.088 0.P. c 0 0 0 0 0 p 0.150 0.09 0.205 0.Tabla 20: Desarrollo 8 (D8): n = 16 y c=0.11 0.T) Simulación de planes de muestreo con número de muestra de 20 con número de aceptación 0.544 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0. c=0.309 0.002 0.578 0.183 0.07 0.963 0.818 0.06 0.054 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.12 0.082 0.167 0.100 0.03 0.377 0.(F.460 0.002 0. Gráfico 9: Curvas operativas (CO) número de muestra n= 18.05 0.07 0.14 0.961 0.002 0.01 0.13 0.397 0.561 0.02 0.681 0.12 0.046 Tabla 22: Desarrollo 10 (D10): n = 18 y c=0.08 0.09 0.071 0.02 0.04 77 n 20 20 20 20 20 P 0.01 0.03 0.135 0.P.328 0. c=0 y n=15.10 0.04 0.695 0.03 0.123 0.02 0.835 0.066 0.057 0.

Tabla 25: Desarrollo 13 (D13) Valores de α y β experimentales para los planes de muestreo simulados.98% 18.9704 0.38% 27.T) e.P.35% 25.67% 28.70% 14.122 0.74% 66.86% 63.81% 34.64% 78.00% 5.04% 47.23% 12.14 0.20% 31.95% 7.85% 24.63% 24.88% 19.02% 8.25% 28.p 0.00% 7.08% 12.53% 63.61% 19.976 89.10 20 0.01% 39.P.290 0.77% 32.18% 27.90% 67.74% 38.00% 9.11 20 0.42% 21.15 20 86. c=0.87% 75.82% 51.1314 20 0.44% 81.03% 16.58% 49.86% 48.01% 37.11% 10.50% 12.039 86.73% NO CUMPLE 12 0.09% NO CUMPLE 0.70% 22.097 0.04% 44.08% 22.15% 6.51% 57.44% 38.80% 16.53% 80.31% CUMPLE 18 0.41% 8.36% 65.72% 32.30% 20.80% 47.93% 59.38% 10.36% 14.27% 54.70% 21.97220 0.00% 6.63% 45.87% 53.152 0.12% 24.05 20 0.37% 7.96% 41.07 20 0.(F.38% 61.43% 52.00% 3.00% 13.00% 4.27% 10.05% 36.53% 33.93% 29.24% 24.976 88.51% 21.078 0.94% 34.06 20 0.09 20 0.28% 56.15% 72.968 85.2) Valores obtenidos de α y β experimentales.84% 22.00% 2.16% 31.86% 36.93% 33.08 20 0.189 0. Gráfico 10: Curvas operativas (CO) número de muestra n= 19.28% CUMPLE 0.77% 8.88% 50.13% 19.53% 15.74% CUMPLE 16 0.00% 14.967 84.31% 26.00% 15.974 0 87.44% 31.83% 27.00% 11.12% 16.00% 10 0.062 15 0.30% 58.70% 12.59% 17.21% 46.47% 69.T) 78 .98% 16.23% 20.71% 73.69% NO CUMPLE 11 0.41% 14.75% 24.31% 15.59% 41.22% NO CUMPLE 0 0 0 0 0 0 0 0 0 13 0 0.82% 56.45% 69.34% 22.00% 8.20% 1.56% 16.33% 54.11% 18.96% 39.01% 73.33% 39.48% 59.68% 13.87% 31.38% 61.79% 11.77% 42.234 0.07% 71.33% 44.36% CUMPLE Tabla 24: Desarrollo 12 (D12): n = 20 y c=0. c=0 y n=20.01% 12.83% 29.00% 12.12% 26.(F.965 83.37% 14.62% 5.96% 35.00% 10.43% CUMPLE 17 0.40% 43.38% 9.70% 6.358 0.29% 70.12 20 0.75% 76.978 90.47% 48.049 0.29% 18.93% 10.57% 18.

3) Gráfica de las curvas operativas (CO) de los planes de muestreo simulados. Gráfico 11: Simulación de las curvas operativas (CO) para los planes de muestreo simulados desde n=10 c=0 hasta n=20 c=0.P. (F.T) 79 .e.

E y F cumple con las condiciones 80 . con los indicadores. De los 7 planes simulados establecidas. El criterio a seguir es de seleccionar el número de muestra que requiera menor cantidad de medidores de energía que necesitan ser calibrados para cumplir con lo anteriormente expuesto.D. De la simulación de los posibles planes de muestreo observamos los riesgos del fabricante. no se cumpliría con el modelamiento de los medidores de energía eléctrica. c=0) porque requiere inspeccionar menos piezas.e. Se seleccionará el plan de muestreo C (n= 14. ya que si no estuviesen dentro de estos límites. del consumidor el nivel de calidad aceptable y calidad limite estos valores simulados deben estar dentro de los valores dados en la referencia (3). C.4) Selección del plan de muestreo optimo.

1) Simulación Se simulan los planes de muestreo con las probabilidades de aceptación desde 0. calidad limite.15.002 hasta 0. simulararemos la función de distribución de Poisson para obtener los valores de las probabilidades de aceptación. nivel de calidad aceptable. c) Para devenir que plan se utilizará.1. 81 . α = 3% A 10%.β =10%p1=0. d. los valores posibles para las condiciones dadas desde n=10 hasta n=20 con el número de aceptación c=0. d) Simulación de plan de muestreo.2. para los números de muestra y el número de aceptación Distribución Poisson según fórmula matemática Probabilidad de aceptación P para un plan de muestreo simple. Se desarrolla un plan de muestreo utilizando la función densidad Poisson teniendo en cuenta lo siguiente: a)Se utilizara como referencia los valores de los números de muestra obtenidos en el nomograma de Larson. riesgo del consumidor. En la simulación se ha empleado la hoja de cálculo Excel.A. b)Según la referencia (5) para una muestra de 50 a 100 unidades se tiene los valores del riesgo del fabricante. Secuencia para el desarrollo de plan de muestreo utilizando la función de distribución Poisson.02% p2=11% A 15%Para tamaños de lote de 50 a 100.

4 4 0.3 3 0.7182 2.02 11 0.6 5 P 0.7182 p 0.7182 2.7182 2.980 0.239 0.5 4 1.896 0.13 11 0.2 0 0.333 0.6 0 0.372 0. Gráfico 12: Curvas operativas (CO) número de muestra n= 10.02 10 0.2 0 1.4 3 1.7182 2.905 0.7182 2.14 10 0.247 0.7182 2.3 0 0.517 0.214 0.15 11 Tabla 26: Desarrollo 14 (D14): n = 10 y c=0.7182 2.670 0. c=0. Tabla 27: Desarrollo 15 (D15): n = 11 y c=0.407 0.00 2 n 11 λ 0.7182 2.01 10 0.644 0.5 0 0.7182 p 0.71 8 2.7182 2.1 0 1.301 0.0 2 0.449 0.7182 2.368 0.05 10 0.7182 2.803 0.223 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.08 10 0.8 0 0.7 0 0.7 7 0.1 0 1.12 11 0.7182 2.978 0.333 0.1 1 0.07 11 0.12 10 0.06 10 0.7182 2.71 8 2.09 11 0.10 10 0.267 0.P.04 11 0.03 10 0.07 10 0.11 11 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.6 6 0.7182 2.2 2 0.08 11 0.7182 2.01 11 0.T) 82 .Simulación de planes de muestreo con número de muestra de 10 y 11 con número de aceptación 0.0 0 1.09 10 0.4 0 0.741 0.9 9 1.05 11 0.7182 2.7182 2.273 0.15 10 0.1 0 0.10 11 0.03 11 0.04 10 0.577 0.7182 2.192 0.7182 2.7182 2.13 10 0.00 2 N 10 λ 0.4 0 1.549 0.7182 2.7182 2.415 0.14 11 0.7182 2.5 5 0.497 0.463 0.298 0.3 0 1.7182 2.7182 2.9 0 1.2 1 1.5 0 P 0.8 8 0.7182 2.607 0.719 0.7182 2.7182 2. c=0 y n=11.(F.7182 2.819 0.3 2 1.06 11 0.7182 2.11 10 0.0 2 0.

13 12 2.7182 0.21 0 0.7182 p 0.15 13 Tabla 28: Desarrollo 16 (D16): n = 10 y c=0.7 8 0.48 7 0.7182 0.10 12 2.03 13 2.5 6 1.07 12 2.2 4 0.14 13 2.00 2 n 12 λ 0.8 2 1.6 0 0.18 6 0.2 6 0.6 9 1.7182 0.7182 0.8 0 P 0.9 5 P 0.12 12 2.7182 0.7182 0.7182 0.7182 0.7182 0. Tabla 29: Desarrollo 17 (D17): n = 11 y c=0.45 8 0.7182 0.7 18 2.23 9 0.87 8 0.54 9 0.77 1 0.7182 0.97 4 0.7182 0.7182 0.3 0 1.1 7 1.00 2 N 13 λ 0.4 8 0.7182 0.10 13 2.6 8 1.04 13 2.08 12 2.07 13 2.16 5 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.09 12 2.0 8 1.97 6 0.08 13 2.69 8 0.3 9 0.04 12 2.7182 0.52 2 0.01 13 2.7182 0.7182 0.59 5 0.7182 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.7182 0.5 6 1.7 2 0.40 3 0.7182 0.7182 0.7182 0.7182 0. 83 .35 3 0.01 12 2.7182 0.142 2.67 7 0.9 1 1.7182 p 0.14 12 2.38 3 0.18 5 0.26 7 0.05 12 2.3 6 0.03 12 2.6 5 0.1 3 0.7 18 2.88 7 0.23 7 0.30 1 0.09 13 2.16 2 0.0 4 1.7182 0.27 3 0.12 13 2.7182 0.78 7 0.21 0 0.02 13 2.7182 0.4 4 1.11 13 2.31 0 0.15 12 2.7182 0.7182 0.3 2 1.34 0 0.11 12 2.0 3 0.61 9 0.8 4 0.2 0 1.06 13 2.13 13 2.43 2 0.05 13 2.5 2 0.9 6 1.02 12 2.06 12 2.1 2 0.Simulación de planes de muestreo con número de muestra de 12 y 13 con número de aceptación 0.4 3 1.0 2 0.7182 0.

7182 0.02 15 2.7182 P 0.15 15 Tabla 30: Desarrollo 18 (D18): n = 14 y c=0.350 0.1 5 0.7 0 0.01 14 2.7 18 2.7182 0.08 14 2.7182 0.7182 0.7182 0.301 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.2 6 1.7 5 0.13 14 2.7182 0.09 15 2.2 5 P 0.7182 0.970 0.4 5 0.284 0.1 0 2.05 15 2.7 18 2.6 0 0.10 15 2.472 0.7182 0.1 0 P 0. c=0.8 2 1.04 15 2.141 0.375 0.7182 0.8 4 0.07 14 2.638 0.657 0.7182 p 0.247 0.(F.571 0.5 6 0.5 0 1. c=0 y n=13.04 14 2.186 0.12 15 2.13 15 2.7182 0.7182 0.4 2 0.756 0.07 15 2.(F. c=0 y n=15.9 6 2.122 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.7182 0.4 0 1.861 0.06 15 2.1 2 1.2 0 1.14 15 2.05 14 2.432 0.15 14 2.869 0.00 2 n 15 λ 0.9 0 1.7182 0.142 0.0 3 0.7182 0.6 8 1.8 0 1.7182 0.03 14 2.T) Simulación de planes de muestreo con número de muestra de 14 y 15 con número de aceptación 0.03 15 2.165 0.1 4 0.192 0.7182 0.01 15 2. Gráfico 14: Curvas operativas (CO) número de muestra n= 14.T) 84 .0 3 0.7182 0.7182 0.08 15 2.162 0.214 0.9 5 2.P.407 0.10 14 2.326 0.0 5 1.549 0.3 5 1.5 4 1.12 14 2.741 0.7182 0.3 0 0.122 0.972 0.7182 0.2 8 0.11 14 2.14 14 2.6 5 1.11 15 2.02 14 2.7182 0.7182 0. Tabla 31: Desarrollo 19 (D19): n = 15 y c=0. c=0.09 14 2.7182 0.06 14 2.7182 0.105 2.259 0.7182 0.P.9 8 1.7182 0.223 0.Gráfico 13: Curvas operativas (CO) número de muestra n= 12.7182 0.7182 0.7182 0.7182 0.00 2 n 14 λ 0.497 0.

01 16 2.8 7 2.7182 0.4 0 P 0.7182 0.3 4 0.7182 0.969 0.3 8 2.1 9 1.8 0 0.(F.427 0.9 2 2.7182 0.07 17 2.959 0.5 3 1.5 5 P 0.7 0 1. Tabla 33: Desarrollo 21 (D21): n = 17 y c=0.00 2 N 17 λ 0.08 17 2.304 0.172 0.7182 0.0 4 2.13 17 2.7182 P 0.078 2.00 2 n 16 λ 0.7182 0.6 8 0.125 0.361 0.7182 0.6 4 0.0 3 0.0 8 2.5 1 0.07 16 2.7182 0.03 16 2.06 16 2.06 17 2.Simulación de planes de muestreo con número de muestra de 16 y 17 con número de aceptación 0.05 17 2.12 17 2. Gráfico 15: Curvas operativas (CO) número de muestra n= 16.7182 0.7182 0.326 0.8 5 1.11 17 2.093 0. c=0 y n=17.091 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.7182 0.1 2 1.7182 0.7182 0.1 7 0.T) 85 .2 8 1.237 0.4 4 1.7182 0.147 0.14 16 2.3 2 0.04 17 2.2 1 2.9 6 1. c=0.04 16 2.106 0.09 16 2.7182 0.202 0.130 0.7182 0.619 0.10 16 2.03 17 2.3 6 1.02 16 2.527 0.7182 0.6 0 1.7182 0.05 16 2.7182 0.10 17 2. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.09 17 2.2 4 2.7182 0.7182 0.449 0.7182 0.257 0.15 16 2.02 17 2.278 0.601 0.726 0.0 2 1.154 0.7182 0.7182 p 0.110 0.13 16 2.7182 0.507 0.7182 0.7182 0.08 16 2.1 7 0.4 8 0.7182 0.15 17 Tabla 32: Desarrollo 20 (D20): n = 16 y c=0.183 0.7182 0.712 0.14 17 2.383 0.11 16 2.12 16 2.217 0.P.844 0.7 18 2.7182 0.852 0.1 6 0.7 182 2.7 6 1.7182 0.01 17 2.

Simulación de planes de muestreo con número de muestra de 18 y 19 con número de aceptación 0.06 18 2.7182 2.219 0.7182 2.3 3 1.10 19 0.02 19 0.827 0.150 0.7182 0.7182 2.P. Gráfico 16: Curvas operativas (CO) número de muestra n= 18.320 0.165 0.9 0 1.11 19 0.4 7 2.7182 P 0.085 0.5 4 0.1 8 0.03 18 2. c=0.835 0.070 0.6 2 1.080 0.04 18 2.7182 2.7182 2.9 8 2.7182 2.7182 0.4 4 1.15 19 Tabla 34: Desarrollo 22 (D22): n = 18 y c=0.684 0.583 0.14 18 2.06 19 0.01 19 0.02 18 2.7182 2.7182 2.00 2 n 18 λ 0.468 0.14 19 0. Tabla 35: Desarrollo 23 (D23): n = 19 y c=0.7182 0.7182 p 0.09 19 0.3 8 0.963 0.7182 0.1 4 1.9 0 2.11 18 2.10 18 2.284 0.7182 2.7182 2.7182 0.0 8 1.9 5 1.0 9 2.7182 2.965 0.237 0.7182 2.7182 0.7 1 1.264 0.(F.71 82 2.13 18 2.7 2 0.102 0.198 0.7182 2.181 0.0 4 0.0 4 0.7182 0.12 18 2.124 0.7 18 2.7182 0.7182 0.2 6 1.7 0 P 0.5 2 1.08 18 2.00 2 n 19 λ 0.115 0.096 0.2 8 2.05 18 2.138 0.7182 0.7182 0.12 19 0.067 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.7 6 0.387 0.04 19 0.3 4 2.487 0.5 7 0.8 0 1.7182 0.7182 0.07 19 0.T) 86 .340 0.03 19 0.407 0.566 0.7182 0.698 0.09 18 2.13 19 0. c=0 y n=19.6 6 2. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.07 18 2.05 19 0.01 18 2.058 2.7182 2.7182 2.5 2 2.8 5 P 0.08 19 0.1 9 0.1 6 2.15 18 0.3 6 0.7182 0.

12 20 0.0 0 2.2 0 2.7182 2.11 20 0.8 0 1.7182 2.4 0 0.6 0 1.074 0.T) 87 .7182 2.091 0.670 0.7182 2.15 20 Tabla 36: Desarrollo 24 (D24): n = 20 y c=0.7182 2.7182 2.8 0 2.01 20 0.7182 2.Simulación de planes de muestreo con número de muestra 20 con número de aceptación 0.09 20 0.0 0 P 0.961 0.0 0 1.165 0.301 0.06 20 0.71 82 2.368 0.135 0.10 20 0.6 0 2.7182 2.061 0.02 20 0.449 0.6 0 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e=2.7182 2.13 20 0.14 20 0.050 0.7182 p 0.2 0 1.05 20 0.(F.7182 2.111 0.4 0 1.7182 2.819 0.03 20 0.7182 2.07 20 0. c=0.7182 2.8 0 3.2 0 0.247 0.0 4 0.7182 2.04 20 0.4 0 2.549 0.202 0.08 20 0.P. Gráfico 17: Curvas operativas (CO) número de muestra n= 20.00 2 N 20 λ 0.7182 2.

68% 40.41% 13.17% 38.09% 12.31% 19.03% 60.28% 48.88% 48.66% 22.19% 17.08% 9.10% CUMPLE 17 96.12% 49.77% 38.08% 81.23% 8.2)Valores obtenidos de α p 0.17% 37.00% 14.00% 11.27% 82.00% 5.00% 13.80% CUMPLE 18 96.77% 58.88% 47.66% 12.48% 37.08% 63.19% 16.00% 10.50% CUMPLE 16 96.00% 12.11% 67.66% 42.66% 20.30% NO CUMPLE y β experimentales.00% 10 98.71% 59.69% 78.45% 16.00% 4.89% 64.44% 18.12% 24.71% 23.20% NO CUMPLE 14 97.50% NO CUMPLE 13 97.93% 36.d.66% 69.25% 24.21% 16.68% 43.81% 77.82% 89.81% 11.18% 60.00% 8.53% 13.66% 44.49% 10.26% 7.88% 52.79% 16. 12 97.65% 54.02% 90.45% 52.24% 40.12% 25.88% 49.20% 14.48% 81.93% 40.63% 28.88% 54.66% 43.62% 61.73% 44.93% 21.46% 83.69% 19.24% 86.69% 21.00% 9.65% 9.70% 51.04% 27.08% 5.01% 18.P.96% 12.53% 69.79% 30.71% 23.09% 14.98% 26.53% 11.53% 32.63% 88.58% 80.16% 33.55% 46.00% 3.63% 8.76% 54.46% 7.99% 30.68% 31.80% 23.20% NO CUMPLE Tabla 37: Desarrollo 25 (D25) Valores de α y β experimentales para los planes de muestreo simulados.37% 23.70% 68.64% 16.25% 71.74% 36.12% 27.20% 14.93% 21.00% 7.66% 21.00% 5.42% 25.63% 27.97% 9.T) 88 .12% 26.06% 30.21% 45.03% 54.96% 28.27% 15.01% 18.08% 67.07% 7.37% 10.23% 12.37% 71.65% 18.66% 33.25% 10.66% 34.64% 16.53% 14.00% 15.40% 57.20% NO CUMPLE 15 97.(F.85% 85.53% 9.43% 87.93% 22.66% 84.87% 67.25% 35.66% 36.21% 14.44% 19.00% 2.29% 30.94% 75.00% CUMPLE 11 97.69% 46.00% 10.69% 20.93% 38.21% 72.53% 13.35% 31.77% 61.88% 44.37% 24.43% 6.05% 50.00% 6.71% 57.67% 21.87% 18.58% 65.80% CUMPLE 20 96.29% 33.39% 56.79% 33.04% 86.30% 41.87% 74.45% 21.20% 1.82% 26.25% 23.96% 30.84% 40.07% 74.05% 6.29% 32.70% CUMPLE 19 96.29% 29.

3) Gráfica de Curva operativa (CO) de los planes de muestreo simulados. Gráfico 18: Simulación de las curvas operativas (CO) para los planes de muestreo simulados desde n=10 c=0 hasta n=20 c=0. (F.P.T) 89 .d.

C.D. observando que los valores obtenidos se encuentran dentro de los valores dados en la referencia (3).4) Selección del plan de muestreo optimo con los indicadores.T) El criterio a seguir es de seleccionar el número de muestra que requiera menor cantidad de medidores de energía que necesitan ser calibrados. ya que si no estuviesen dentro de estos límites. se obtuvieron los siguientes planes de muestreo. De los 10 planes simulados A. c=0) porque requiere inspeccionar menos piezas. Se seleccionará el plan de muestreo C (n= 15.P. A. B.(F. Plan A B C D E F n 15 16 17 18 19 20 c 0 0 0 0 0 0 Tabla 38: Desarrollo 26 (D26) planes de muestreo.3 Desarrollo de plan de muestreo utilizando la función de distribución Hipergeométrica 90 . Al analizar los resultados de la simulación de la tabla D21.d. no se cumpliría con el modela miento de los medidores de energía eléctrica. E y F cumple con las condiciones establecidas.1.

Se desarrolla un plan de muestreo utilizando la función densidad Hipergeométrica teniendo en cuenta lo siguiente: a)Se utilizara como referencia los valores de los números de muestra obtenidos en el nomograma de Larson. nivel de calidad aceptable. d.002 hasta 0.02% P2=11% A 15%Para tamaños de lote de 50 a 100.15. los valores posibles para las condiciones dadas desde n=10 91 . En la simulación se ha empleado la hoja de cálculo Excel.1) Simulación Se simulan los planes de muestreo con las probabilidades de aceptación desde 0.01≤(d/N)≤0. c) Para devenir que plan se utilizará.15 donde d toma valores enteros. Distribución Hipergeométrica según fórmula matemática Considerando lo siguiente: 0. simulararemos la función de distribución de Hipergeométrica para obtener los valores de las probabilidades de aceptación. α = 3% A 10%. calidad limite. para los números de muestra y el número de aceptación. Probabilidad de aceptación P para un plan de muestreo simple.β =10%P1=0. riesgo del consumidor. d) Simulación de plan de muestreo. b)Según la referencia (5) para una muestra de 50 a 100 unidades se tiene los valores del riesgo del fabricante.

Simulación de planes de muestreo con número de muestra de 10 y 11 con número de aceptación 0. c=0.15 Tabla 39: Desarrollo 27 (D27): n = 10 y c=0.00 0.79 0.26 0. Tabla 40: Desarrollo 28 (D28): n = 11 y c=0.1 0.55 0.90 0.04 0.00 0.70 0.12 0.81 0.37 0.08 0.13 0.89 0.29 0.002 0.(F.15 N 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 n 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 d 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 P(x) 1.65 0. Gráfico 19: Curvas operativas (CO) número de muestra n=10.52 0.hasta n=20 con número de aceptación c=0.02 0.23 0.29 0.14 0.73 0.09 0.06 0. c=0 y n=11.17 0.08 0.002 0.38 0.18 p 0. p 0.05 0.03 0.42 0.03 0.04 0.12 0.23 0.58 0.T) 92 .11 0.49 0.15 N 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 n 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 d 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 x 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 P 1.43 0.33 0. considerando tamaño de lote N=100 y el número máximo de errores 0 ≤ d ≤ 15.07 0.20 0.1 0.11 0.13 0.26 0.P.09 0.05 0.01 0.33 0.47 0.02 0.01 0.07 0.20 0.62 0.06 0.14 0.

12 0.12 0.20 0.13 0.17 0.P. p N n d x P 93 p N n d X P .(F.Simulación de planes de muestreo con número de muestra de 12 y 13 con número de aceptación 0. c=0.13 0.T) Simulación de planes de muestreo con número de muestra de 14 y 15 con número de aceptación 0.14 0.17 0. 0.10 Gráfico 20: Curvas operativas (CO) número de muestra n= 12.15 0 10 0 10 0 10 0 12 12 12 12 12 13 14 15 0 0 0 0 0.12 0.14 0. c=0 y n=13.13 0.15 0 10 0 10 0 10 0 13 13 13 13 12 13 14 15 0 0 0 0 0.14 0.15 0.

12 0.1 0.61 0.05 0.72 0.37 0.86 0.15 0.26 0.08 0.18 0. Gráfico 21: Curvas operativas (CO) número de muestra n= 14.07 0.01 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 15 15 0 1 0 0 1 0.08 0. c=0 y n=15.01 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 14 14 0 1 0 0 1 0.39 0.03 0.84 94 p N 0.03 0.54 0.31 0.11 0.02 0.10 0.002 0.85 0.22 0.002 10 0.10 0.09 0.09 0.P.52 0.15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.14 0.05 0.10 0.T) Simulación de planes de muestreo con número de muestra de 16 y 17 con número de aceptación 0.01 0 n 17 17 d 0 1 x 0 0 P(x) 1 0.63 0.11 0.07 0.83 .44 0. Tabla 44: Desarrollo 32 (D32): n = 15 y c=0.07 Tabla 43: Desarrollo 31 (D31): n = 14 y c=0.46 0.13 0.17 0.06 0.06 0.24 0.09 0.29 0.12 0.09 0.04 0.1 0.(F.01 0 n 16 16 d 0 1 x 0 0 P(x) 1 0.04 0.14 0.13 0.002 10 0.20 0. p N 0.002 0.02 0. c=0.74 0.15 0.15 14 14 14 14 14 14 14 14 14 14 14 14 14 14 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.12 0.34 0.13 0.

1 0.47 0.49 0.03 0.04 0.09 0.08 0.02 0.34 0.06 0.002 0.13 0. c=0.11 0. c=0 y n=17.14 0.11 0.23 0.06 0.002 0.82 p 0.13 0.17 0.14 0.57 0.P.28 0.26 0.14 0.10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 0.12 0.32 0.05 Gráfico 22: Curvas operativas (CO) número de muestra n= 16.19 0.70 0.02 0. p 0.05 0.06 0.01 N 10 0 10 0 n 19 19 d 0 1 x 0 0 P(x) 1 0.01 N 10 0 10 0 n 18 18 d 0 1 x 0 0 P(x) 1 0.07 0.09 0.39 0.07 0.11 0.07 0.11 0.41 0.69 0.81 95 .09 0.07 0.59 0.(F.12 0.T) Simulación de planes de muestreo con número de muestra de 18 y 19 con número de aceptación 0.21 0.13 0.05 0.1 0.16 0.08 0.09 0.04 0.15 17 17 17 17 17 17 17 17 17 17 17 17 17 17 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.03 0.06 0.15 16 16 16 16 16 16 16 16 16 16 16 16 16 16 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.

09 0.04 0.0.02 20 2 0 0.17 0.36 0.03 0.67 0.002 0.04 0.42 0.03 0.02 0.14 0. c=0.45 0.53 0.09 0.06 0.(F.15 0.05 0.80 0.10 0.08 0.02 0.13 0.P.1 0.24 0.05 0.05 0.11 0.14 0.07 0.11 0.03 Tabla 47: Desarrollo 35 (D35): n = 18 y c=0.13 0.15 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 18 18 18 18 18 18 18 18 18 18 18 18 18 18 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.01 N 10 0 10 0 10 0 n 20 20 d 0 1 x 0 0 P(x) 1 0. p 0.04 0.T) Simulación de planes de muestreo con número de muestra de 20 con número de aceptación 0.1 0. Gráfico 23: Curvas operativas (CO) número de muestra n=18.14 0.05 0.27 0.06 0.07 0.15 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 19 19 19 19 19 19 19 19 19 19 19 19 19 19 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.34 0. Tabla 48: Desarrollo 36 (D36): n = 19 y c=0.12 0.11 0.12 0.55 0.04 0.06 0.29 0.64 96 .07 0.09 0.65 0. c=0 y n=19.08 0.08 0.19 0.22 0.12 0.

0.09 0.(F. c=0.03 0.04 0.03 0.P.03 Gráfico 24: Curvas operativas (CO) número de muestra n= 20.04 0.15 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 10 0 20 20 20 20 20 20 20 20 20 20 20 20 20 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0.16 0.07 0.07 0.25 0.11 0.08 0.05 0.32 0.40 0.20 0.51 0.14 0.06 0.10 0.T) 97 .1 0.06 0.12 0.13 0.12 0.

00% 33.45% 52.16% 46.09% 54.00% 29.57% 36.46% 15.08% 22.06% 12.95% 13.00% 83.66% 25.40% 5.76% 42.05% 11.20% 17.20% CUMPLE 15 100.00% 1.24% 10.85% 8.79% 22.20% 100.10% CUMPLE 16 100.58% 65.93% 49.71% 10. 98 .56% 6.00% 81.00% 87.17% 20.26% 39.75% 43.T) d.53% NO CUMPLE 13 100.21% 41.22% 7.11% 10.00% 20.19% 9.55% 56.36% 9.84% 50.18% 5.64% 43.24% 29.29% 54.11% 14.27% 55.85% CUMPLE 17 100.41% 29.55% 16.43% 34.28% 14.91% 3.39% 12.05% 11.76% 8.51% 24.00% 68.93% CUMPLE 19 100.60% 7.13% 3.00% 70.43% 3.00% 77.77% 44.89% 7.80% 7.00% 72.08% NO CUMPLE 11 100.00% 75.04% 26.00% 65.21% 19.66% 34.53% 10.51% 7.27% 4.00% 67.04% 37.00% 65.96% 23.89% 14.08% 51.00% 79. 12 100.00% 37.56% 12.81% 40.74% 4.99% 4.23% 7.86% 21.00% 41.33% 31.93% 25.01% 34.00% 84.00% 72.95% 33.38% 12.P.12% 61.77% 49.56% 31.39% 8.54% 30.80% CUMPLE 18 100.27% 12.00% 80.11% 19.39% CUMPLE 14 100.00% 82.43% 19.46% 39.03% 45.11% 70.15% 15.66% 9.83% 25.33% 67.00% 80.98% 3.60% 19.00% 88.(F.47% 52.77% 17.56% 12.08% 42.75% 56.65% 4.73% 5.2) Valores obtenidos de α p 10 0.60% 36.89% 14.27% 14.44% 5.40% 26.42% 58.00% 85.36% 36.94% 21.86% 38.27% 15.46% 17.69% 30.08% 15.30% 23.60% 19.00% 46.28% 4.00% 26.57% 28.67% 8.00% 73.62% NO CUMPLE Tabla 50: Desarrollo 38 (D38) Valores de α y β experimentales para los planes de muestreo simulados.64% 18.24% 10.35% 15.84% 63.58% 12.38% 25.03% 27.d.00% 63.86% 59.00% 18.23% 21.13% 48.37% 23.85% 15.89% 6.10% 28.44% 33.06% NO CUMPLE y β experimentales.16% 5.28% 13.77% 16.75% 19.00% 89.72% 17.00% 23.21% NO CUMPLE 20 100.50% 31.3) Gráfica de Curva operativa (CO) de los planes de muestreo simulados.08% 13.13% 10.00% 52.00% 90.40% 9.41% 2.82% 46.00% 86.38% 6.41% 12.00% 2.00% 58.23% 62.

T) 99 .Gráfico 25: Simulación de las curvas operativas (CO) para los planes de muestreo simulados desde n=10 c=0 hasta n=20 c=0. (F.P.

d. E y F cumple con las condiciones establecidas. C. Plan A B C D E F n 13 14 15 16 17 18 c 0 0 0 0 0 0 Tabla 51: Desarrollo 39 (D39) Planes de muestreo.Desarrollo de statgraphics plan de muestreo simple utilizando software 100 .(F.P. c=0) porque requiere inspeccionar menos piezas. se obtuvieron los siguientes planes de muestreo. B. Se seleccionará el plan de muestreo A (n= 13. A. Al analizar los resultados de la simulación de la tabla 36. De los 10 planes simulados A.4.4) Selección del plan de muestreo optimo con los indicadores.T) El criterio a seguir es de seleccionar el número de muestra que requiera menor cantidad de medidores de energía que necesitan ser calibrados.D.1. observando que los valores obtenidos se encuentren dentro de los valores dados en la referencia (5).

59879% Límite de Calidad Promedio de Salida (AOQL) = 2. a) Se ingresan los datos de la referencia (5) para observar el plan de muestreo que debe adoptar Tamaño del lote: 100 Características deseadas Riesgo del productor (alfa): 3.95881% Porciento defectivo tolerable en lote (LTPD): 15.0% Nivel de calidad aceptable p1: 0.0% Riesgo del comprador (beta): 10. Plan generado: Tamaño de muestra (n) = 14 Número de aceptación (c) = 0 Atributos del plan: Nivel de calidad aceptable (AQL): 0.2627 unidades por lote en el AOQL 92.02% Calidad limite p2: 15% b) Se genera un plan de muestreo según las características ingresadas al software.Para corroborarlos resultados obtenidosAplicaremos un software estadístico.5446 unidades por lote en el AQL 67.2% Riesgo del productor (alfa) = 2.605 unidades por lote en el LTPD c) StatAdvisor Sistema de recomendación de puntos de vista estadístico para una determinada carga de trabajo 101 .0% Riesgo del comprador (beta) = 8.22088% defectivo Inspección Total Promedio (ATI) = 16.03655% en 6.

0% de ítems defectuosos será aceptado sólo 8. En este caso. se ha generado un plan de muestreo basado en los riesgos deseados de comprador y vendedor.Este procedimiento genera un plan de muestreo para inspeccionar lotes.95881% de las veces. 102 . el porciento defectuosos promedio no será mayor del 2. El plan establece que se deben muestrear 14 ítems de cada lote de 100 y que el lote se aceptará sin más inspección. si el número de ítems malos es menor o igual que 0. mientras que un lote conteniendo 15.59879% de las veces. Si los lotes Rechazados pueden someterse a inspección 100% y todos los ítemes malos son remplazados por buenos.03655% (el AOQL).2% de ítems defectuosos será rechazado sólo 2. un lote conteniendo 0. Usando tal plan.

Gráfico 26: Curva Operativa (CO) para plan de muestreo generado por statgraphics. 103 .d) Gráfica de CO del plan de muestreo Como se observa comparando con un programa computacional se coincide el plan de muestreo de la función Binomial.

A. se podría decir que las curvas operativas (CO) de los planes escogidos para una muestra de 100 medidores de energía eléctrica salen casi igual. 104 .5 Comparación de planes de muestreos de las funciones de escogencia por atributos. Se observa que la dispersión entre las funciones densidades es pequeña. Gráfico 27: Comparación de las curvas operativas(CO) para los planes de muestreo obtenidos de las funciones densidades de escogencia por atributos.1.

α = 3 a 10% β = 10% p1= 1% para marcha en vacio.T) )Para el análisis del lote de (100 a1000 medidores de energía eléctrica) y tomando como referencia el patrón para uniformizar datos. 105 .A.PLAN DE MUESTREO SIMPLE PARA LOTE DE MEDIDORES DE ENERGÍA ELÉCTRICA DE 100 A 1000 UNIDADES.2% para la constante del medidor y la rigidez dieléctrica. p1= 0. nivel de calidad aceptable y calidad limite. b) Los valores del riesgo del productor. se obtuvolos siguientes valores aproximados: Pla n A B C D E F G n 24 28 30 32 36 38 40 C 0 0 0 0 0 0 0 simple para lotes de (100 a 1000 Tabla 52: Desarrollo 40 (D40) Planes de muestreo para lotes de 100 a 1000 medidores de energía eléctrica según nomograma de Larson.P.5% a 9% para tamaños del lote 100<N≤1000 c) Los posibles planes de muestreo al ubicar los puntos de la intersección de las rectas α – p1 y β – p2. a fin de comparar los resultados obtenidos.1. (F. A.2. se tomara 2 planes de muestreo.2. uno mínimo y otro máximo. el riesgo del consumidor. a) Utilizandoel nomograma de Larson para la determinación de los planes de muestreo. Secuencia para el desarrollo de plan de muestreoutilizando la función de distribución Binomial Se desarrollara un plan de muestreo unidades teniendo en cuenta lo siguiente. arranque y errores del medidor. p2= 5.

mientras mayor sea el número de muestra mejor exactitud se tendrá cuando se tengan grandes cantidades de medidores.T) e) Para devenir que plan se utilizará. En la simulación se ha empleado la hoja de cálculo Excel. f.1) Simulación Se simulan los planes de muestreo con las probabilidades de aceptación desde 0. Distribución Binomial según fórmula matemática la La probabilidad de aceptación P. este número de muestra se utilizara para brindar la confianza que se requiere y dar el veredicto de aceptación del lote.1 hasta 0.P.(F. 106 . f) Simulación de plan de muestreo. simulararemos la función de distribución Binomial para obtener los valores de las probabilidades de aceptación. para los números de muestra y el número de aceptación. 100<N< 501<N< 500 nmín 1000 nmáx Tabla 53: Desarrollo (D41) Número de muestra mínimo y máximo para un determinado tamaño de muestra.9los valores posibles para las condiciones desde n=24 hasta n=42 con el número de aceptación c=0.El mínimo se utilizara para los grupos de 100 a 500 medidores y el máximo para grupos de 501 a 1000 medidores.para un plan de muestreo simple.

01 0.0% 24.002 0.04 0.02 0.04 n 26 26 26 26 26 n=26 f(x) 94.002 0.7% 17.002 24 0. c=0 c 0 0 0 0 0 0 0 0 0 0 p n n=24 P 95. c=0 k= 0 0 0 0 0 0 0 p 0.0% 0.3% 78.6% k= 0 0 0 0 0 0 0 107 c=0 p 0.6% 48.04 n 27 27 27 27 27 n=27 P 94.5% 25.08 0.0% 59.09 24 24 24 24 2 4 24 24 24 2 4 Tabla 54: Desarrollo 42 (D42): n = 24 y c=0. Tabla 55: Desarrollo 43 (D43): n = 25 y c=0.2% 58.5% 13.9% 33.3% 16.002 0.3% 12.06 0.06 0.7% 36.02 0.9% 77.Simulación de planes de muestreo con número de muestra de 24 y 25 con número de aceptación 0.7% 22.01 0.7% .07 0.8% 60.055 27 21.5% 10. c=0 y n=25.02 0.P.4% c 0 0 0 0 0 0 0 0 0 0 c=0 p 0.03 0.055 0.4% 9.3% 46.055 26 23.04 0.055 0.07 0.1% 45. Gráfico 28: Curvas operativas (CO) número de muestra n= 24.1% 77.6% 61.3% 34.03 0.7% 76.02 0.03 0.3% 21.2% 0.01 0.08 0.03 0.1% 37.T) Simulación de planes de muestreo con número de muestra de 26 y 27 con número de aceptación 0. c=0.09 n 25 25 25 25 25 2 5 25 25 25 2 5 n=24 P 95.0% 43.(F.01 0.5% 0.

4% 8.03 0.07 0.09 n 29 29 29 29 29 29 29 29 29 29 n=29 P 94.08 0.5 % 56.09 27 27 27 27 18.4% 74.06 0.03 0. Gráfico 29: Curvas operativas (CO) número de muestra n= 26.1% 10.06 0. c=0 y n=29.7% 41.01 0.2% 8. c=0 k=0 0 0 0 0 0 0 0 0 0 0 p 0. 108 .8% 14.07 0.7% 55.1 % 9.6% 19.9 % 20.8% Tabla 56: Desarrollo 44 (D44): n = 26 y c=0.08 0.00 2 0.9% 6.06 0.07 0.3% 30.07 0.002 0.05 5 0.8 % 42.T) Simulación de planes de muestreo con número de muestra de 30 y 31 con número de aceptación 0.(F.2% 11.6% 12.04 0.T) Simulación de planes de muestreo con número de muestra de 26 y 27 con número de aceptación 0.7 % 13. Tabla 57: Desarrollo 45 (D45): n = 27 y c=0.06 0. c=0.5% Tabla 58: Desarrollo 46 (D46): n = 28 y c=0.5% 7. Tabla 59: Desarrollo 47 (D47): n = 29 y c=0.08 0.09 n=2 8 n 28 28 28 28 28 28 28 28 28 28 P 94.04 0.08 0.055 0.P.02 0. Gráfico 30: Curvas operativas (CO) número de muestra n= 28.0 0 0 0 0.02 0.01 0. c=0 y n=27.(F.6% 0 0 0 0 0.4% 16.7% 7.0% 15. c=0.5 % 75.09 26 26 26 26 20.6 % 31.5 % 17.P.1% c=0 k=0 0 0 0 0 0 0 0 0 0 0 p 0.

02 0.3% 14.0% 15.03 0.6% 26.002 0.03 0. c=0.6% 11.8% c 0 0 0 0 0 0 0 0 c=0 p 0.4% 37.3% 15.2% 74.04 0.06 0.055 0.002 0.8% 51.4% 13.3% 8.7% 10. Gráfico 30: Curvas operativas (CO) número de muestra n= 30.1% 109 .(F.0% 54.08 0.2% 5.07 n 32 32 32 32 32 32 32 32 n=32 P 93.5% 40.5% 7.03 0.6% 71.T) Simulación de planes de muestreo con número de muestra de 32 y 33 con número de aceptación 0.7% 27.2% 17.09 n 30 30 30 30 30 30 30 30 30 30 n=30 P 94.8% 9.5% 5.002 0.01 0. Tabla 61: Desarrollo 49 (D49): n = 31 y c=0.5% 13.06 0.02 0.5% 38.02 0.1% 16.055 0.03 0.06 0.0% 73.4% 18.04 0.01 0.055 0. c=0 c 0 0 0 0 0 0 0 0 p 0.06 0.055 0.08 0.002 0.1% 29.4% Tabla 60: Desarrollo 48 (D48): n = 30 y c=0. c=0 y n=31.02 0.3% 36.P.c=0 c 0 0 0 0 0 0 0 0 0 0 p 0.07 0.8% 72.07 0.9% 28.01 0.04 0.9% c 0 0 0 0 0 0 0 0 0 0 c=0 p 0.0% 9.2% 53.01 0.5% 52.09 n 31 31 31 31 31 31 31 31 31 31 n=31 P 94.07 n 33 33 33 33 33 33 33 33 n=33 P 93.04 0.

08 0.03 0.04 0.09 32 32 6. c=0 y n=33.1% 50.08 0.055 0.2% 70.09 33 33 6.055 0.5% 7.4% 4.01 0.07 0.0% 110 c 0 c=0 p 0.T) Simulación de planes de muestreo con número de muestra de 32 y 33 con número de aceptación 0.T) Simulación de planes de muestreo con número de muestra de 36 y 37 con número de aceptación 0.03 0.01 0.08 0.(F.(F.06 0.0% c 0 0 0 0 0 0 0 0 0 0 c=0 p 0. c=0.02 0. c=0 c 0 p 0.4% 24.0% 13.02 0.09 n 34 34 34 34 34 34 34 34 34 34 n=34 P 93.7% Tabla 64: Desarrollo 52 (D52): n = 34 y c=0.8% 11.9% .04 0.002 0.06 0.002 0.0 0 0.4% 71. c=0 c 0 0 0 0 0 0 0 0 0 0 p 0.6% 12. Tabla 63: Desarrollo 51 (D51): n = 33 y c=0.9% 4.P.08 0.002 n 36 n=36 P 93.9% 4. Gráfico 31: Curvas operativas (CO) número de muestra n= 32.9% 5. Tabla 65: Desarrollo 53 (D53): n = 35 y c=0.0% 14. c=0.3% 35. c=0 y n=35.9% 0 0 0.5% 25.07 0.09 n 35 35 35 35 35 35 35 35 35 35 n=35 P 93.4% 3.2% 8.3% 49. Gráfico 32: Curvas operativas (CO) número de muestra n= 34.3% 34.5% Tabla 62: Desarrollo 50 (D50): n = 32 y c=0.002 n 37 n=37 P 92.P.5% 5.

5% 30.07 0.3% 5.04 0.08 0.1% 0.1% 12.03 0.04 36 36 36 36 69.01 0.4% 11.09 36 36 36 36 Tabla 66: Desarrollo 54 (D54): n = 36 y c=0. c=0.3% 4. c=0 y n=37.08 0.0% 3.02 0.7% 9.03 0.0% 10.2% 2. Tabla 69: Desarrollo 57 (D57): n = 39 y c=0.07 0.04 0.03 0.055 0.2% 11.03 0.5% 20. c=0 c 0 0 0 0 0 0 0 0 0 0 p 0. 111 .5% 67.09 37 37 37 37 37 37 37 37 37 68.0% 5.4% 21.04 0.02 0.06 0.08 0.01 0.9% 2.06 0. Tabla 67: Desarrollo 55 (D55): n = 37 y c=0.055 0.0 0 0 0 0 0 0 0 0 0.(F.02 0.002 0.T) Simulación de planes de muestreo con número de muestra de 38 y 39 con número de aceptación 0.09 n 38 38 38 38 38 38 38 38 38 38 n=38 P 92.3% 10.01 0. Gráfico 33: Curvas operativas (CO) número de muestra n= 36.9% 3.4% 31.8% 7.5% 6.055 0.055 36 0.1% 6.07 0.01 0.09 n 39 39 39 39 39 39 39 39 39 39 n=39 P 92.3% 46.4% 32.06 0.3% 33.9% 47.8% c 0 0 0 0 0 0 0 0 0 0 c=0 p 0.06 0.5% Tabla 68: Desarrollo 56 (D56): n = 38 y c=0.0% 13.02 0.4% 22.7% 68.P.6% 48.08 0.002 0.0% 9.6% 45.4% 23.8% 4.07 0.4% 0 0 0 0 0 0 0 0 0 0.6% 3.

06 0.07 0. Tabla71: Desarrollo 59 (D59): n = 41 y c=0 Gráfico 35: Curvas operativas (CO) número de muestra n= 38.1% 66.03 0.3% 66.3% 2.01 0.4% 5. c=0 c 0 0 0 0 0 0 0 0 0 0 p 0.6% 19.002 0. c=0.6% 2.8% 9.5% 10.1% 0.08 0.(F.01 0.9% 44.6% 29.06 0.Gráfico 34: Curvas operativas (CO) número de muestra n= 38.P.P.4% 8.02 0.(F.055 0. c=0.2% 43.08 0.9% 5.3% c 0 0 0 0 0 0 0 0 0 0 c=0 p 0.7% 28. c=0 y n=39.5% 3.07 0.7% 18.02 0.055 40 0.04 0.1% 3.T) Simulación de planes de muestreo con número de muestra de 40 y 41 con número de aceptación 0.09 40 40 40 40 Tabla 70: Desarrollo 58 (D58): n = 40 y c=0.04 n 40 40 40 40 40 n=40 P 92.002 0.T) 112 .8% 7. c=0 y n=39.03 0.09 n 41 41 41 41 41 41 41 41 41 41 n=41 P 92.

122 0.095 0.152 0.243 0.068 0.09 34 0.156 0.135 0.689 0.545 0.078 36 0.073 0.718 0.173 0.437 0.069 0.177 0. 25 0.104 y β experimentales.166 0.036 0.257 0.703 0.428 0.114 0.711 0.055 0.082 0.200 0.051 0.446 0.725 0.747 0.944 0.260 0.105 0.786 0.046 0.098 0.204 0.023 31 0.467 0.039 0.188 0.194 0.P.138 0.091 0.131 0.124 0.195 0.117 0.110 0.332 0.439 0.483 0.040 37 0.306 0.(F.212 0.025 30 0.065 39 0.050 0.021 32 0.002 0.01 0.951 0.591 0.240 0.034 28 0.305 0.02 0.115 0.071 29 0.936 0.683 0.079 0.033 0.054 0.947 0.130 0.603 0.101 0.3) Gráfica de Curva operativa (CO) de los planes de muestreo simulados.055 0.221 0.932 0.113 0.921 0.059 0.163 0.464 0.002 0.938 0.047 0.762 0.732 0.108 0.030 0.T) f.535 0.155 0.919 0.183 0.401 0.059 40 0.08 0.930 0.095 26 0.02 0.085 0.927 0.01 0.669 0.294 0.481 0.084 0.T) 0.942 0.389 0.03 0.296 0.175 0.426 0.04 0.453 0.089 0.230 0.346 0.375 0.079 0.334 0.059 0.086 35 0.227 0.08 0.P.098 0.493 0. 113 .205 0.03 0.217 0.130 0.042 0.074 0.097 0.282 0.324 0.929 0.676 0.028 Tabla 73: Valores experimentales de α y β desde n=34 c=0 hasta n=42 c=0.616 0.250 0.503 0.949 0.090 0.557 0.271 0.105 0.953 0.344 0.141 0.770 0.945 0.925 0.319 0.314 0.355 0.568 0.662 0.(F.031 38 0.09 Tabla 72: Valores experimentales de α y β desde n=24 c=0 hasta n=33 c=0.104 0.123 0.580 0.138 0.04 0.054 41 0.147 0.287 0.360 0.213 0.049 42 0.06 0.063 0.075 0.696 0.934 0.06 0.366 0.377 0.524 0.513 0.940 0.064 0.122 0.755 0.230 0.093 0.164 0.045 0.656 0.146 0.07 0.778 0.455 0.413 0.019 33 0.055 0.474 0.188 0.180 0.f.2) Valores obtenidos de α 24 0.037 27 0.07 0.278 0.923 0.740 0.

(F.(F.P.1) Gráfica de Curva operativa (CO) de los planes de muestreo simulados. Gráfico 37: Curva Operativa (CO) de los planes de muestreo desde n=34 c=0 hasta n=40 c=0.P.T) 114 .Gráfico 36: Curva Operativa (CO) de los planes de muestreo desde n=24 c=0 hasta n=33 c=0.T) f3.

f.4) Selección de los planes de muestreo óptimos con los indicadores De los planes de muestreo mostrados se puede discernir que la muestra mínima es 25 unidades con un número de aceptación de 0 con lo cual cumple la menor cantidad de elementos que se deben coger para satisfacer los parámetros dados y la muestra máxima a tomar es 39 con un número de aceptación de 0 unidades con lo cual es el máximo número de elementos que debemos coger para garantizar el plan de muestreo.(F.T) 115 .P. 100<N< 501<N< 500 25 c=0 1000 39 c=0 Tabla 74: Planes de muestreo óptimos para los intervalos de lotes de medidores de energía.

α = 3 a 10% β = 10% p1= 1% para marcha en vacio. para los números de muestra y el número de aceptación. nivel de calidad aceptable y calidad limite. b) Los valores del riesgo del productor. uno mínimo y otro máximo.2% para la constante del medidor y la rigidez dieléctrica. arranque y errores del medidor.5% a 9% para tamaños del lote 100<N≤1000 c) Para el análisis del lote de (100 a 1000 medidores de energía eléctrica) y tomando como referencia el patrón para uniformizar datos.Secuencia para el desarrollo de plan de muestreo simple utilizando la función de distribución Poisson a) Utilizando como referencia los planes de muestreo obtenidos del nomograma de Larson. simulararemos la función de distribución Binomial para obtener los valores de las probabilidades de aceptación. a fin de comparar los resultados obtenidos.para un plan de muestreo simple. Para devenir que plan se utilizará. p2= 5.A.2.2. el riesgo del consumidor. se tomara 2 planes de muestreo. d) Distribución Poisson según fórmula matemática la La probabilidad de aceptación P. 116 . p1= 0.

1) Simulación Se simulan los planes de muestreo con las probabilidades de aceptación desde 0.T) f) Simulación de plan de muestreo En la simulación se ha empleado la hoja de cálculo Excel. mientras mayor sea el número de muestra mejor exactitud se tendrá cuando se tengan grandes cantidades de medidores. este número de muestra se utilizara para brindar la confianza que se requiere y dar el veredicto de aceptación del lote. los valores posibles para las condiciones dadas desde n=24 hasta n=41 con el número de aceptación c=0.002 hasta 0. teniendo como referencia los valores obtenidos del nomograma de Larson y observar la dispersión aplicando este método.09. f. 100<N< 501<N< 500 nmín 1000 nmáx Tabla 75: Desarrollo (D63) Número de muestra mínimo y máximo para un determinado tamaño de muestra(F.e) El mínimo se utilizara para los grupos de 100 a 500 medidores y el máximo para grupos de 501 a 1000 medidores. 117 .P.

(F.2 77.45% 2 118 c=0 e p n 2 7 2 7 2 7 n=27 λ P 0.4 23.54 5 5 % Tabla 76: Desarrollo 64 (D64): n = 24 y c=0.74% 5 0.08 0.68% 4 2 2 0.04 0.72 0.1 11.06 0.72 0 2.03 0.01 0.02 .72 0 2.3 25. Tabla 77: Desarrollo 65 (D65): n = 25 y c=0 Gráfico 38: Curvas operativas (CO) número de muestra n= 24.5 58. c=0 c e p n 2 6 2 6 2 6 n=26 λ P c 0.6 18.38% 5 5 2 2.7 47.72 0 2.04 0.71 4 2 % 2 1.3 26.5 60.05 5 0.72 0 2.7 17.88% 4 8 2 0.02 0.02 0 2.88% 5 5 2 0.4 61.7 2 0.65% 5 0 2 0.7 2 0.09 0 2.72 0. c=0 y n=25.02 0.0 94.11% 6 0.72 0 2. c=0 c e p n n=24 λ P c c=0 e p n n=25 λ P 0 2.5 22.72 0 2.64% 4 8 2 1.7 48.P.72 0 2.72 0 2.07 0.72 0 2.12% 5 5 2 0. c=0.Simulación de planes de muestreo con número de muestra de 24 y 25 con número de aceptación 0.72 0 2.002 0 2.72 0.07 0.72 0 2.9 14.2 76.01 0.28% 4 0 2.0 95.01 0.2 78.24% 5 5 2 1.72 0 2.66% 4 4 2 0.79% 5 0 2 1.72 0 2.72 0 2.002 0 2.08 0.7 2 2 0.05 5 0.06 0.09 0 2.93% 5 0.0 36.7 2 2 0.T) Simulación de planes de muestreo con número de muestra de 26 y 27 con número de aceptación 0.31% 4 5 2 0.002 0 2.72 0 2.2 77.29 5 8 % 2 1.03 0.9 38.002 0 2.0 94.0 95.31% 5 0 2 1.72 0.01 0.34% 7 0.72 0.53 4 6 % 0 2.0 13.72 0.69% 4 4 2 1.53% 5 0 2 2.2 10.5 59.72 0 2.29% 4 6 2 1.66% 4 2 2 2.

08 9 2.002 n=29 λ P 0 2.7 2 2 0. c=0 y n=27.0% 0.72 0 2. Tabla81: Desarrollo 69 (D69): n=29 y c=0 119 .72 0 2.44 8 4 % 2 1.8 16.6 18.3% 1.79% 7 2 2 1.6 20.09 0 2. c=0.72 0 2.03 9 2 0 2.4 23.02 0.72 0 2.09 0.49% 7 1 2 1.04 0.08 0.65 7 9 % 2 1.07 0.32 2.35% 6 4 2 1.4% 0 2.87 41.07 0.073 9 2 0 2.72 0 2.72 0 2.72 0.0 2.11% 7 9 2 2.72 0.0 12.9% 1.01% 6 6 2 1.05 5 0.17% 8 4 2 1.72 0.63% 6 4 0 2.06 94.06 9 2 0 2.63% 8 2 2 1.1 11.49% 6 8 2 2.55% 8 6 2 0.72 0 2.03 0.P.3% 0 1.04 0.3 9.72 0 2.5 8.02 9 2 0 2.7 2 0.72 0.72 0 2.80% 7 3 Tabla 78: Desarrollo 66 (D66): n = 26 y c=0.29 74.0 35.72 0 2.58 56.64% 8 8 2 1.10 12.7 2 0.20% 6 2 2 2.08 0.04 0.7 0.72 0.0 94.002 0 2.8 43.5 21.01 0.7 2 0.93 6 3 % 2 1.04 9 2.06 0.1 32.05 2 0 2 5 9 2 0 2.4 8.06 0.7 2 0 0.01 9 2 0 2.72 0.4% 0.96% 7 8 2 1.2 10.7 2 2 0.72 0.72 0 2.4 22.05 5 0.8 15.72 0.84% 6 8 2 1.8 44.09 0 2.6 19.5 57. c=0 c e p n n=28 λ P c 2 0.09 2 9 0 2.8% 0.72 0 2.7 2 Tabla 80: Desarrollo 68 (D68): n = 28 y c=0.72 0 2.65% 8 4 2 2.8% 7.5 21.T) Simulación de planes de muestreo con número de muestra de 28 y 29 con número de aceptación 0.72 0.(F.72 0 2.9 14.03 0.07 0.16 31. Tabla79: Desarrollo 67 (D67): n=27 y c=0 Gráfico 39: Curvas operativas (CO) número de muestra n= 26.72 0 2.58% 8 8 2 0.74 17.03 0.0 33.05 5 0.72 0 2.12% 8 6 2 0.2 75.7 45.08 0.6% 2.05% 8 2 c=0 e p n 2 9 2 0 2.72 0 2.53% 7 6 2 2.2% 2.6 1 9.06 0.09% 8 6 2 2.

04 1 2.72 0.72 0.35% 53.6 5 1.72 0.0 6 0.72 0.02 0 3 0 2.7 9 P 93.72 0.25% 9.938 120 c=0 e p n 3 0 2.06 1 3 0 2.09 2 1 0 2. c=0 y n=29.18 % 15. c=0.2 4 1.18% 74.7 3 0 0.002 Tabla 82: Desarrollo 70 (D70): n = 30 y c=0.72 0.1 0 2.2 0 1.06 0.002 n=32 λ P c 3 0. c=0.02 1 3 0 2.03 0 3 0 2.07 0 3 0 2.37% 6.3 0 0.14% 3 0 3 0 2.(F.09 2 0 0 2.Gráfico 40: Curvas operativas (CO) número de muestra n= 28.P.03 1 3 0 2. c=0 c e p n n=30 λ 0.T) Simulación de planes de muestreo con número de muestra de 32 y 33 con número de aceptación 0.055 2 0 3 0 2.99% 73.6 0 0.46% 28.7 1 1.72 0.72 0.07% 6.72 0. c=0 y n=31.8 6 2.80% 39.002 3 1 3 0 2.01 1 3 0 2.72 0.7 3 0 0. Tabla83: Desarrollo 71(D71): n=31 y c=0 Gráfico 41: Curvas operativas (CO) número de muestra n= 30.53% 12.4 8 2.12% 19.04 0 2.07 0.72 0.72% c c=0 e p n n=31 λ 0.9 3 1.0 6 0.06 0 3 0 2.72 0.72 0.6 2 0.4 0 2.T) Simulación de planes de muestreo con número de muestra de 30 y 31 con número de aceptación 0.72 0.94% 18.002 n=33 λ P 0.08 1 2.01 0 3 0 2. c=0 c e p n 0 2.57% 11.(F.7 3 0 0.8 0 2.936 .07 1 3 0 2.3 1 0.72 0.08 0 2.72 0.7 0 P 94.055 2 1 3 0 2.72 0.9 0 1.08% 54.72 0.42% 8.1 7 2.21 % 16.P.66% 30.7 3 0 0.88% 40.

03 0.72 0 2.92 0.04 0.72 0 2.350 1.72 0 2.32 0.8 0.02 0.002 0 2.04 0.002 0 2.03 0.99 0.01 0.33 0.01 0.34 0.66 0.934 0.02 0.712 0.10 0. Tabla85: Desarrollo 73 (D73): n=33 y c=0 Gráfico 42: Curvas operativas (CO) número de muestra n=32.35 0.72 0 2.24 0.98 0.7 0.72 0 2.72 0 2.03 0.28 0.8 0.72 0 2.72 0 2.147 2.8 7 0. c=0 c E p n 3 4 3 4 3 4 3 4 3 4 3 4 3 4 n=34 λ P c c=0 e p n 3 5 3 5 3 5 3 5 3 5 3 5 3 5 n=35 λ P 0 2.05 5 0.099 2.361 1.7 2 0.527 0. c=0.106 2.9 0.72 0 2.72 0 2.03 0.(F.08 0.267 1.05 5 0.64 0.02 0.051 7 Tabla 84: Desarrollo 72 (D72): n = 32 y c=0.02 0.36 0.122 121 .06 0.70 0.72 0.163 2 1.04 0.278 1.P.72 0 2.497 1.130 0 2.056 8 0 2.72 0 2.071 2.96 0.72 0 2.06 0.077 2.07 0.31 0.72 0 2.09 0 2.7 2 0.05 0.06 0.257 1.72 2.64 0.7 5 0.72 0 2.72 0.932 0.68 0.7 2 0.138 2.07 0.247 1.72 0 2.0 2.517 0.383 1.02 0.T) Simulación de planes de muestreo con número de muestra de 34 y 35 con número de aceptación 0.172 6 1.32 0.01 0.07 0.07 0.7 2 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 3 2 0.72 0 2.04 0.04 0.72 0 2.72 0 2.174 0 2.372 1.72 0 2.05 0.507 1.06 0.7 2 0.09 0 2.72 2. c=0 y n=33.08 0.72 0 2.154 0 2.719 0.7 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 0.56 0.705 0.05 5 0.01 0.726 0.40 0.72 0 2.

109 7 3 0 2.08 0.44 0.(F.72 0.330 7 3 0 2.72 0.88 0.72 0.929 7 3 0 2.72 0.72 0.80 0.487 6 3 0 2.P. c=0.(F.72 0.03 1.72 0.01 0.7 3 0 0.37 0.043 5 5 Tabla 86: Desarrollo 74 (D74): n = 34 y c=0.09 3 2.08 2.7 3 0 0.02 0.08 0.72 0.48 0.080 6 3 0 2.72 0.07 0.052 7 2.06 2.52 0.047 4 6 0 2.72 0 2.340 6 3 0 2.33 0.06 2.72 0 2. c=0 y n=37.07 0.7 3 0 0.0 2.72 0 2.477 7 3 0 2.03 1. c=0.115 6 3 0 2.72 0.055 2.96 0.228 7 2.09 3 2.002 Tabla 88: Desarrollo 76 (D76): n = 36 y c=0.698 6 3 0 2.P.07 2.01 0.72 0.0 0.7 2 0.22 0.691 7 3 0 2. Tabla87: Desarrollo 75 (D75): n=33 y c=0 Gráfico 43: Curvas operativas (CO) número de muestra n=34.59 0.039 2 6 0 2.72 0.055 1.08 0.08 2.38 0.16 0. c=0 y n=35.04 1.72 0.T) Simulación de planes de muestreo con número de muestra de 36 y 37 con número de aceptación 0.36 0.036 2 7 0 2.075 7 3 0 2.72 0.72 0.131 2 7 3 0 2.09 3.24 0.086 5 3 2.72 0.74 0. c=0 c e p n n=36 λ P c c=0 e p n n=37 λ P 3 0.T) 122 .04 0.98 0.07 0.7 3 0 0.72 0.061 5 3 3.11 0.931 6 3 0 2.056 6 2.09 3.72 0.237 6 2.7 2 0.04 1.45 0.07 0.02 0.07 2.1 0.093 4 3 2.72 0 2.066 4 3 3. 3 0.138 2 6 3 0 2.002 Tabla89: Desarrollo 77 (D77): n=37 y c=0 Gráfico 44: Curvas operativas (CO) número de muestra n=36.

055 2.72 0.09 3.93% 30.72 0.8 2 1.2 P 92.72 0.677 9 3 0 2.38 0.8 0 1.04 1.219 8 2.044 9 2.458 9 3 0 2.72 0. c=0 c e p n 4 0 4 0 4 0 4 n=40 λ 0.72 0.14 0.4 1 0.08 3.52 0.7 3 0 0.72 0.Simulación de planes de muestreo con número de muestra de 38 y 39 con número de aceptación 0.09 3.2 P 92.72 0.01 0. c=0 c e p n n=38 λ P c c=0 e p n n=39 λ P 3 0.07 2.72 0.04 0.033 2 8 0 2.320 8 3 0 2.37% 44.12 0.02 0.72 0 2.42 0.124 2 8 3 0 2.08 3.06 2.002 0 2.002 0 2.66 0.927 8 3 0 2.(F.117 2 9 3 0 2.T) Simulación de planes de muestreo con número de muestra de 40 y 41 con número de aceptación 0.102 8 3 0 2.72 0 2.02 0.51 0.15 0.08 0.002 Tabla91: Desarrollo 79 (D79): n=39 y c=0 Gráfico 45: Curvas operativas (CO) número de muestra n=32.09 0.23% 0 2.01 0.7 3 0 0.03 1.72 0.055 2.73 0.04 1.72 0.17 0.72 0.048 8 2.56 0.03 1.03% 44. 3 0.72 0.72 0 2. c=0.684 8 3 0 2.76 0. c=0 y n=33.0 8 0.13% 66.210 9 2.468 8 3 0 2.72 0.01 0.72 0.72 0.002 Tabla 90: Desarrollo 78 (D78): n = 38 y c=0.06 2.12% 123 c c=0 e p n 4 1 4 1 4 1 4 n=41 λ 0.72 0.72 0 2.310 9 3 0 2.P.08 0.72 0.7 3 0 0.02 0.7 3 0 0.34 0.070 8 3 0 2.28 0.01 0.04% 29.096 9 3 0 2.78 0.72 0.72 0.72 0.4 0 0.39 0.02 0.065 9 3 0 2.0 8 0.07 2.030 2 9 0 2.03 .925 9 3 0 2.31% 67.03 0 2.

19% 0 2.055 2 0 4 0 2.7 4 0 0.6 2.76% 8 3.54% 6 2.08 1 2.6 2.09 2 0 0 2.2 10.06 1 4 0 2. c=0.04 0 1.09 2 1 3 1.07% 0 2.72 0.08 0 % 2.2 11.49 6 % 2.07 1 4 0 2.72 0. c=0 y n=41.73% 0 0 2.72 0.8 5.06 0 4 0 2.7 4 0 0.40% 4 2.07 0 4 0 2.4 8.4 9.04 1 4 1 2.50% 9 Tabla 99: Desarrollo 80 (D80): n = 40 y c=0.67% 7 3.055 2 1 4 0 2. Tabla93: Desarrollo 81 (D81): n=41 y c=0 Gráfico 46: Curvas operativas (CO) número de muestra n=40.8 6.7 4 0 0.(F.08% 0 3.2 3.7 4 0 0.0 4 0 2.72 0.08 0 2.72 0.P.6 20.2 4.6 19.72 0.T) 124 .08% 0 3.72 0.72 0.

067210 0.740824 0.146615 44 0.172053 98 0.106465 68 0.088043 0.09 25 26 27 28 29 30 31 0.01 0.449339 0.548821 0.313497 0.236938 03 0.105406 0.278048 01 0.T) 0.061426 36 42 27 71 32 98 37 Tabla 94: Valores experimentales de α y β desde n=24 c=0 hasta n=33 c=0.002 0.162846 81 0.146615 44 0.936132 72 0.786633 54 0.418962 0.726156 03 0.582757 0.(F.606539 0.122464 0.173783 0.04 0.162034 0.690742 0.223140 0.440442 0.733453 64 62 7 11 1 91 8 0.02 0.197908 0.932395 0.516861 6 0.718930 88 0.114185 1 63 4 73 4 17 08 0.P.711777 0.923118 0.477124 0.f.055 0.537954 79 85 73 69 14 55 48 0.239319 0.056139 63 33 0.175529 0. 32 0.083749 43 03 62 68 45 51 48 0.670328 0.099268 15 0.106465 0.124938 0.496595 0.778806 0.506627 0.214391 0.938006 81 0.697683 0.01 0.458416 0.252850 0.559908 0.431721 0.949330 0.03 0.618792 33 0.594529 0.080465 0.943651 0.226512 0.947433 0.663658 0.090724 0.945540 0.07 0.339606 0.073540 0.406580 0.928673 0.077310 7 0.467677 0.527302 58 0.002 0.051307 9 0.353465 0.367890 0.267145 92 0.657055 0.202918 0.458416 0.771057 0.210145 0.755790 0.763385 0.138077 47 0.382903 95 0.394564 22 78 91 44 52 68 76 0.267145 92 0.934262 0.115332 0.151080 0.186383 0.115332 62 y β experimentales.919433 39 78 91 76 33 6 57 23 58 0.921274 0.289395 52 75 57 8 13 09 02 0.2) Valores obtenidos de α 24 0.953135 16 0.486762 0.486762 81 0.165307 0.930532 0.951230 0.02 34 35 36 37 38 39 40 41 42 0.326290 0.181781 06 22 47 04 27 45 72 0.301205 0.06 0.939884 86 35 65 73 6 23 64 0.071366 94 0.192059 0.472377 0.704695 0.941766 0.571218 0.683869 0.08 0.096334 0.122158 0.924966 0.748270 0.677 61 51 89 02 23 12 44 13 0.135343 0.098280 0.926818 0.186383 4 0.140866 0.382903 95 0.444868 0.431721 36 77 81 54 13 78 79 53 44 125 .155681 24 94 35 4 59 85 35 0.371587 77 0.

T) f.08 0.096334 0.046892 0.117075 0.032715 0.256671 0.360606 0.104880 34 1 47 49 92 6 5 66 0.06 0.086300 21 71 89 82 65 19 83 0.138077 0.039167 0.022825 29 f.03 0.024974 01 19 72 69 8 07 68 78 Tabla 95: Valores experimentales de α y β desde n=34 c=0 hasta n=42 c=0.130688 0.110810 0.055 0.09 0.080465 0.092557 0.060815 0.085441 7 17 62 37 23 42 51 28 0.029900 0.(F.31983 01 81 57 97 87 09 4 0.115332 0.210145 0.123694 0.108616 0.193989 29 36 03 83 89 94 24 62 0.07 0.3) Gráfica de curva operativa (CO) de los planes de muestreo simulados Gráfico 47: Curva Operativa (CO) de los planes de muestreo desde n=24 c=0 hasta n=33 c=0.246607 0.035796 0.042856 0.034738 77 0.T) 126 .040766 0.04 0.065224 0.099268 15 0.080465 71 0.154132 0.310377 0.0.122464 0.227647 0.130036 0.349948 0.060815 0.052870 41 0.283664 79 0.173783 0.044161 0.301205 0.236938 0.329569 0.056703 0.201906 0.P.051823 0.027326 0.075025 0.037631 15 19 63 53 27 32 13 97 0.P.1) Gráfica de curva operativa (CO) de los planes de muestreo simulados Gráfico 48: Curva Operativa (CO) de los planes de muestreo desde n=34 c=0 hasta n=40 c=0.T) 0.065880 0.102291 0.3.(F.186383 4 0.339606 0.218721 0.047839 0.292303 0.P.(F.056139 0.090724 0.069953 0.

T) 127 .f.(F. De los planes de muestreo mostrados se puede discernir que la muestra mínima es 27 unidades con un número de aceptación de 0 con lo cual cumple la menor cantidad de elementos que se deben coger para satisfacer los parámetros dados y la muestra máxima a tomar es 41 con un número de aceptación de 0 unidades con lo cual es el máximo número de elementos que debemos coger para garantizar el plan de muestreo.4) Selección del plan de muestreo optimo con los indicadores. De los planes de muestreos de las tablas se puede apreciar: 100<N< 501<N< 500 27 c=0 1000 41 c=0 Tabla 96: Desarrollo 84 (D84) Planes de muestreo óptimos para los intervalos de lotes de medidores de energía.P.

302 unidades por lote en el AOQL 453. Tamaño del lote:500 Características deseadas Riesgo del productor (alfa): 3.2. Para lotes de 100 a 500 medidores de energía eléctrica a) Se ingresan los datos de la referencia (5) para observar el plan de muestreo que debe adoptar.3336 unidades por lote en el AQL 321.2.8282% Límite de Calidad Promedio de Salida (AOQL) = 1.218 unidades por lote en el LTPD 128 .3.02% Riesgo del productor (alfa) = 0.0% Riesgo del comprador (beta): 10.3.490243% Porciento defectivo tolerable en lote (LTPD): 9. Plan generado Tamaño de muestra (n) = 24 Número de aceptación (c) = 0 Atributos del plan Nivel de calidad aceptable (AQL): 0.39641% en 3.A.0% Riesgo del comprador (beta) = 9.1. Desarrollo de plan de muestreo simple utilizando software statgraphipcs para lotes (100 a 1000 medidores de energía eléctrica) A.02% Calidad limite p2: 9% b) Se genera un plan de muestreo según las características ingresadas al software.0% Nivel de calidad aceptable p1: 0.90718% defectivo Inspección Total Promedio (ATI) = 26.

02% de ítems defectuosos será rechazado sólo 0. El plan establece que se deben muestrear 24 ítems de cada lote de 500 y que el lote se aceptará sin más inspección.490243% de las veces.c) StatAdvisor Sistema de recomendación de puntos de vista estadístico para una determinada carga de trabajo Este procedimiento genera un plan de muestreo para inspeccionar lotes. el porciento defectuosos promedio no será mayor del 1. se ha generado un plan de muestreo basado en los riesgos deseados de comprador y vendedor. Si los lotes rechazados pueden someterse a inspección 100% y todos los ítems malos son remplazados por buenos. Usando tal plan. 129 . un lote conteniendo 0.39641% (el AOQL). si el número de ítems malos es menor o igual que 0.8282% de las veces.0% de ítems defectuosos será aceptado sólo 9. mientras que un lote conteniendo 9. En este caso.

130 .4 0 . C rv d O e c n C ra te tic (O ) u a e p ra ió a c rís a C Prob.8 0 .2 0 0 3 6 9 P rc n d fe tiv v rd d ro o ie to e c o e a e 1 2 1 5 1 8 Gráfico 49: Curva Operativa (CO) para plan de muestreo generado por statgraphics.6 0 . de aceptación n 2 .d) Gráfica de CO del plan de muestreo Como se observa comparando con un programa computacional se coincide el plan de muestreo de la función Binomial.c 0 =4 = 1 0 .

0% Nivel de calidad aceptable p1: 0.854908% en 2.66 unidades por lote en el LTPD c) StatAdvisor 131 .812786% Porciento defectivo tolerable en lote (LTPD): 5.39112% defectivo Inspección Total Promedio (ATI) = 47.A.0% Riesgo del comprador (beta): 10.2 Para lotes de 500 a 1000 medidores de energía eléctrica a) Se ingresan los datos de la referencia (5) para observar el plan de muestreo que debe adoptar.2. Tamaño del lote:1000 Características deseadas Riesgo del productor (alfa): 3.5% Riesgo del comprador (beta) = 9. Tamaño de muestra (n) = 40 Número de aceptación (c) = 0 Atributos del plan Nivel de calidad aceptable (AQL): 0.02% Riesgo del productor (alfa) = 0.93129% Límite de Calidad Promedio de Salida (AOQL) = 0.465 unidades por lote en el AOQL 904.3.5% b) Se genera un plan de muestreo según las características ingresadas al software.8027 unidades por lote en el AQL 642.02% Calidad limite p2: 5.

si el número de ítems malos es menor o igual que 0. 132 . el porciento defectuosos promedio no será mayor del 0.5% de ítems defectuosos será aceptado sólo 9.93129% de las veces. En este caso. un lote conteniendo 0. El plan establece que se deben muestrear 40 ítems de cada lote de 1000 y que el lote se aceptará sin más inspección. Si los lotes rechazados pueden someterse a inspección 100% y todos los ítems malos son remplazados por buenos.812786% de las veces.Este procedimiento genera un plan de muestreo para inspeccionar lotes. se ha generado un plan de muestreo basado en los riesgos deseados de comprador y vendedor.854908% (el AOQL). mientras que un lote conteniendo 5.02% de ítems defectuosos será rechazado sólo 0. Usando tal plan.

Gráfico 50: Curva Operativa (CO) para plan de muestreo generado por statgraphics.d) Gráfica de CO del plan de muestreo Como se observa comparando con un programa computacional. 133 .

A fin de comparar los resultados de la investigación se uniformizarancon los del patrón tomando los siguientes valores: c1=0. d1=2. – 100<N<500 – 500<N<1000 La probabilidad de aceptación para un muestreo doble Los indicadores c1.1. d1. c2=1 para tamaños de Lote de 101 a 500 medidores y para c1=0.3. d1=2.1 Secuencia para el desarrollo del plan de muestreo doble utilizando la función de distribución Binomial.A. MUESTREO DOBLE PARA LOTE DE MEDIDORES DE ENERGÍA ELÉCTRICA DE 100 A 1000 UNIDADES Se parte como base los tamaños de muestras obtenidos del muestreo simple. c2=2 para tamaños de Lote de 501 a 1000. a partir de estos se simulan los muestreos dobles. d1=2.1 Para lotes de 101 a 500 medidores de energía eléctrica a)Tomando como referencia los tamaño de muestra obtenidas a partir del muestreo simple.3. c2=1 c) Para determinar el plan de muestro doble se utilizara la función distribución Binomial 134 . A. c2. b) Considerando los indicadores del patrón Los indicadores son los siguientes: c1=0. Para la simulación del muestreo doble consideraremos dos tipos de tamaños de lotes.3. A.

1) Simulación Simulando planes de muestreo dobles utilizando la distribución Binomial a partir para tamaños de muestra de 25 a 30 unidades.Distribución Binomial según fórmula matemática la La probabilidad de aceptación para un muestreo doble d) Simulación del plan de muestreo doble. En la simulación se ha empleado la hoja de cálculo Excel. 135 . d.

055 0.07 0.40% 136 .07 0.52% 21.29% 15.09 n1 25 25 25 25 25 n2 25 25 25 25 25 c1=0 d1=2 c2=1 P c1 d1 c2 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 99.P.01 0.06 0.Simulación de planes de muestreo con número de muestra doble de 25.70% 61.055 0.04 0.T) Simulación de planes de muestreo con número de muestra doble de 26.62% 92.08 0.03 0.04 0. n1 = n2 = 25 p 0. n1 = n2 = 26 p 0.66% 19. c1=0 d1=2 c2=1 Gráfico 49: Curvas operativas (CO) número de muestra doble n=25.(F.03 0.80% 47.93% 63.06 0.01 0.57% 32.68% 25 25 25 25 25 25 25 25 25 25 Tabla97: Desarrollo 85 (D85): n1=n2=25.002 0.002 0.02 0.02 0.08 n1 26 26 26 26 26 26 26 26 26 n2 26 26 26 26 26 26 26 26 26 c1=0 c1 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 c2=1 P 99.88% 93.58% 77.56% 49.91% 28.96% 26.57% 30. c1=0 d1=2 c2=1.80% 11.65% 14.06% 78.

c1=0 d1=2 c2=1 Gráfico 51: Curvas operativas (CO) número de muestra doble n=27. c1=0 d1=2 c2=1(F.13% 13.62% 29.75% 137 .08% 76.03 0.12% 24.(F.04 n1 28 28 28 28 28 n2 28 28 28 28 28 c1=0 c1 0 0 0 0 0 d1 2 2 2 2 2 d1=2 c2 1 1 1 1 1 c2=1 P 99.52% Tabla98: Desarrollo 86 (D86): n1=n2=25.01 0.002 0.01 0.58% 75. n1 = n2 = 28 p 0. c1=0 d1=2 c2=1 Gráfico 50: Curvas operativas (CO) número de muestra doble n=25.13% 9. c1=0 d1=2 c2=1.T) Simulación de planes de muestreo con número de muestra doble de 28.23% 58.08 0.47% 60.07 0.09 26 26 0 2 1 10.35% 43.P. n1 = n2 = 27 p 0.09 n1 27 27 27 27 27 27 27 27 27 27 n2 27 27 27 27 27 27 27 27 27 27 c1=0 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 1 c2=1 P 99.91% 18.03 0.04 0.055 0.02 0.06 0.06% 45.0.P.T) Simulación de planes de muestreo con número de muestra doble de 27.56% 91.48% Tabla 89: Desarrollo 87 (D87): n1=n2=27.02 0.59% 92.002 0.

70% Tabla101: Desarrollo 89 (D89): n1=n2=29.97% 8.P.08 0.055 0.02 0.T) Simulación de planes de muestreo con número de muestra doble de 30.93% 25.06 0. c1=0 d1=0 c2=0 Gráfico 53: Curvas operativas (CO) número de muestra doble n=29.53% 91.07% 74.03 0.T) Simulación de planes de muestreo con número de muestra doble de 29.27% 16. c1=0 d1=2 c2=1 Gráfico 52: Curvas operativas (CO) número de muestra doble n=28.43% 10.38% 23. c1=0 d1=2 c2=1. n1 = n2 = 30 p n1 c1=0 d1=2 c2=1 P n2 c1 d1 c2 138 .06 0.P.54% Tabla100: Desarrollo 88 (D88): n1=n2=28.01 0.0.74% 15.07 0.(F.07 0.08 0.09 28 28 28 28 28 28 28 28 28 28 0 0 0 0 0 2 2 2 2 2 1 1 1 1 1 27.(F.04 0.09 n1 29 29 29 29 29 29 29 29 29 29 n2 29 29 29 29 29 29 29 29 29 29 c1=0 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 1 c2=1 P 99.73% 21.00% 56.91% 7. n1 = n2 = 29 p 0.055 0.67% 41.73% 11. c1=0 d1=2 c2=1.002 0.

06 0.01 0.08 0.30% 14.0.24% 9.07 0.55% 72.T) 139 .18% 20. c1=0 d1=2 c2=1 Gráfico 58: Curvas operativas (CO) número de muestra doble n=30.002 0.02% 40.P.94% Tabla102: Desarrollo 90 (D90): n1=n2=30.055 0. c1=0 d1=2 c2=1.02 0.18% 24.77% 55.04 0.(F.03 0.09 30 30 30 30 30 30 30 30 30 30 30 30 30 30 30 30 30 30 30 30 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 99.95% 6.50% 90.

62% 29.00% 3.26% Tabla 103: Desarrollo 91 (D91) Valores de α y β experimentales de los planes de muestreo dobles.18% 24.58% 75.00% 7.96% 26.47% 60.27% 16.18% 20.50% 6.43% 10.53% 91.94% 31 99.91% 18.12% 24.52% yβ .07% 6.93% 25.30% 14.59% 92.00% 4.50% 90.80% 11.07% 74.77% 55.80% 47.2) Obtención de valores experimentales de α 25 0.24% 9.75% 27.06% 45.57% 32.73% 21.93% 63.13% 13.40% 10.38% 23.P.72% 18.52% 21.55% 72.91% 7.20% 1.00% 99. 27 99.70% 61.00% 5.96% 13.06% 78.54% 53.49% 22.62% 92.(F.40% 38.73% 11.00% 8.29% 15.14% 9.57% 30.91% 28.T) 140 .48% 28 99.66% 19.56% 91.88% 93.97% 8.00% 9.74% 15.68% 26 99.95% 6.35% 43.23% 58.67% 41.47% 90.d.58% 77.00% 2.13% 9.08% 76.02% 40.65% 14.02% 71.54% 29 99.70% 30 99.00% 56.56% 49.

3) Gráfica de curva de operación (CO) de los planes de muestreo Gráfico 55: Curvas Operativas de los planes de muestreo doble n=25 hasta n=31 con los indicadores.d.(F.T) 141 . c1=0 d1=2 c2=1.P.

d. el nivel de calidad aceptable y la calidad limite. De la simulación de los planes de muestreo doble se observa que para muestra doble 27 unidades. Tomados de la referencia (5) que cumplen con el modelamiento de los medidores de energía.4) Selección del plan de muestreo doble óptimo. 142 . del riesgo del consumidor. satisface las condiciones del riesgo de fabricante. con los indicadores.

d1=2. 143 .3.1)Simulación Simulando planes de muestreo dobles utilizando la distribución Binomial a partir para tamaños de muestra de 35 a 42unidades. Para lotes de 500 a 1000 medidores de energía eléctrica a)Tomando como referencia los tamaño de muestra obtenidas a partir del muestreo simple.A. c2=2 c) Para determinar el plan de muestro doble se utilizara la función distribución Binomial Distribución Binomial según fórmula matemática la La probabilidad de aceptación para un muestreo doble d) Simulación del plan de muestreo doble. d. b) Considerando los indicadores del patrón Los indicadores son los siguientes: c1=0.2. En la simulación se ha empleado la hoja de cálculo Excel.1.

78% Tabla104: Desarrollo 92 (D92): n1=n2=35.04 0.002 0.T) Simulación de planes de muestreo con número de muestra doble de 36.08 0.01 0.43% 19.97% 13.18% n2 c1 d1 c2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 36 0 2 2 Tabla105: Desarrollo 93 (D93): n1=n2=36.02 0.17% 44.Simulación de planes de muestreo con número de muestra doble de 35.59% 12.08% 59.07 0. n1 = n2 = 36 p 0.99% 5.84% 29.02% 79.09 n1 36 36 36 36 36 36 36 36 36 36 c1=0 d1=2 c2=2 P 99.74% 8. (F.04 0.09 n1 35 35 35 35 35 35 35 35 35 35 c1=0 d1=2 c2=2 n2 c1 d1 c2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 35 0 2 2 P 99.P.002 0.76% 94.03 0. N1 = n2 = 35 p 0.84% 8.08% 61.16% 5. c1=0 d1=2 c2=2 Gráfico 56: Curvas operativas (CO) número de muestra doble n=35.07 0. c1=0 d1=2 c2=2 .03 0.66% 42.05% 20.08 0.06 0.01 0.69% 78.54% 31.05 0.02 0. c1=0 d1=2 c2=2 144 .05 0.06 0.74% 93.

n1 = n2 = 37 p 0.(F.03 0.58% 26.06% 56.41% 4.Gráfico 57: Curvas operativas (CO) número de muestra doble n=36.P.28% 11.002 0.88% 18.08 0.T) Simulación de planes de muestreo con número de muestra doble de 37. N1 = n2 = 38 p 0.02 0.T) Simulación de planes de muestreo con número de muestra doble de 38.07 0.03 0.06% 145 .06 0. c1=0 d1=2 c2=2 Gráfico 58: Curvas operativas (CO) número de muestra doble n=37.02 0.68% 39.16% 41.41% 17.09 n1 37 37 37 37 37 37 37 37 37 37 c1=0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 2 2 c2=2 n2 c 1 37 0 37 0 37 0 37 0 37 0 37 0 37 0 37 0 37 0 37 0 P 99.35% 77.07% 58.04 0.73% 93.73% 7.(F.002 0. c1=0 d1=2 c2=2.64% Tabla106: Desarrollo 94 (D94): n1=n2=37.06 n1 38 38 38 38 38 38 38 c1=0 d1 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 c2=2 n2 c 1 38 0 38 0 38 0 38 0 38 0 38 0 38 0 P 99.71% 93.01 0.04 0. c1=0 d1=2 c2=2.05 0.00% 76.05 0.P.01 0.19% 27.

28% 146 . c1=0 d1=2 c2=2 Gráfico 59: Curvas operativas (CO) número de muestra doble n=38.72% Tabla108: Desarrollo 96 (D96): n1=n2=39. c1=0 d1=2 c2=2 Gráfico 60: Curvas operativas (CO) número de muestra doble n=39.09 n1 39 39 39 39 39 39 39 39 39 39 c1=0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 2 2 c2=2 n2 c 1 39 0 39 0 39 0 39 0 39 0 39 0 39 0 39 0 39 0 39 0 P 99.92% 9.02 0.002 0.10% 3.92% 6.99% 15.01 0.T) Simulación de planes de muestreo con número de muestra doble de 39. c1=0 d1=2 c2=2.(F.05 0.08 0.P.0.72% 4.02% 24.07 0.65% 75.03 0.01 c1=0 d1 2 2 d1=2 c2 2 2 c2=2 n1 n2 c 1 40 40 0 40 40 0 P 99.22% 38.68% 92.06 0.08 0.(F.09 38 38 38 38 38 38 0 0 0 2 2 2 2 2 2 10.002 0. n1 = n2 = 39 p 0.70% 92.P.07 0.T) Simulación de planes de muestreo con número de muestra doble de 40. n1 = n2 = 40 p 0. c1=0 d1=2 c2=2.16% Tabla107: Desarrollo 95 (D95): n1=n2=38.05% 55.04 0.79% 6.

03 0.03% 17. 147 .34% Tabla109: Desarrollo 97 (D97): n1=n2=40.35% 35.67% 91.77% 36.12% 5.T) Simulación de planes de muestreo con número de muestra doble de 42.02 0.T) Simulación de planes de muestreo con número de muestra doble de 41.03 0.(F.08 0.08 0.0.01 0.07 0.02% 2.84% 9.54% 3.07 0.055 0.92% 73.99% Tabla110: Desarrollo 98 (D98): n1=n2=41.P.04 0.50% 23.39% 5.04 0.09 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 74.002 0.P. c1=0 d1=2 c2=2 Gráfico 61: Curvas operativas (CO) número de muestra doble n=40. c1=0 d1=2 c2=2.06 0. c1=0 d1=2 c2=2. c1=0 d1=2 c2=2 Gráfico 62: Curvas operativas (CO) número de muestra doble n=41.84% 8.(F.05 0.06 0.02% 53. n1 = n2 = 41 p 0.65% 13.02 0.65% 14.00% 52.09 n1 41 41 41 41 41 41 41 41 41 41 c1=0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 2 2 c2=2 n2 c 1 41 0 41 0 41 0 41 0 41 0 41 0 41 0 41 0 41 0 41 0 P 99.

c1=0 d1=2 c2=2.P.(F.65% 91.63% 91.56% 32.54% 12.T) Simulación de planes de muestreo con número de muestra doble de 43.01 0.08% 43 43 43 43 43 43 148 .06 0.97% 50.01 0.94% 33.56% 2.68% 42 42 42 42 42 42 42 42 42 42 Tabla111: Desarrollo 99 (D99): n1=n2=42.56% 12.n1 = n2 = 42 p 0.055 0.01% 7.61% 16.02 0.09 n1 42 42 42 42 42 n2 42 42 42 42 42 c1 0 0 0 0 0 0 0 0 0 0 c1=0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 2 2 c2=2 P 99.02 0.94% 49.03 0.03 0.89% 7.07 n1 43 43 43 43 43 n2 43 43 43 43 43 c1 0 0 0 0 0 0 0 0 c1=0 d1 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 c2=2 P 99.07 0.002 0.54% 71.71% 4.055 0.06 0.23% 15.16% 70.08 0. c1=0 d1=2 c2=2 Gráfico 63: Curvas operativas (CO) número de muestra doble n=42.002 0.04 0.04 0. n1 = n2 = 43 p 0.

40% 43 43 Tabla112: Desarrollo 100 (D100): n1=n2=43.002 0.90% 14.055 0.08 0.T) Simulación de planes de muestreo con número de muestra doble de 45.13% 2. n1 = n2 = 44 p 0. c1=0 d1=2 c2=2.19% 6.P. n1 = n2 = 45 c1=0 d1=2 c2=2 149 .16% Tabla113: Desarrollo 101 (D101): n1=n2=44.51% 3.02 0.08 0.(F.75% 2.77% 69.91% 48.P.T) Simulación de planes de muestreo con número de muestra doble de 44.0.61% 90. c1=0 d1=2 c2=2.20% 30.03 0.07 0.09 n1 44 44 44 44 44 44 44 44 44 44 n2 44 44 44 44 44 44 44 44 44 44 c1 0 0 0 0 0 0 0 0 0 0 c1=0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 2 2 c2=2 P 99.06 0.01 0.(F.09 43 43 0 0 2 2 2 2 4. c1=0 d1=2 c2=2 Gráfico 65: Curvas operativas (CO) número de muestra doble n=44.58% 11.04 0. c1=0 d1=2 c2=2 Gráfico 64: Curvas operativas (CO) número de muestra doble n=43.

86% 29.04 0.98% 3.06 0.02 0.08 0.002 0.50% 3.42% 5.41% 1.055 0.38% 68.70% 5.37% 12.07 0.60% 90.04 0.07 0.61% 13.82% 9.88% 46. c1=0 d1=2 c2=2 Gráfico 66: Curvas operativas (CO) número de muestra doble n=45.03 0.67% 10.01 0.09 n1 45 45 45 45 45 n2 45 45 45 45 45 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 c2 2 2 2 2 2 2 2 2 2 2 P 99.98% 67.p 0.58% 89. n1 = n2 = 46 p 0.08 n1 46 46 46 46 46 46 46 46 46 n2 46 46 46 46 46 46 46 46 46 c1 0 0 0 0 0 0 0 0 0 c1=0 d1 2 2 2 2 2 2 2 2 2 d1=2 c2 2 2 2 2 2 2 2 2 2 c2=2 P 99.02 0.09% 150 .055 0.T) Simulación de planes de muestreo con número de muestra doble de 46.(F. c1=0 d1=2 c2=2.002 0.54% 28.93% 45 45 45 45 45 45 45 45 45 45 Tabla114: Desarrollo 102 (D102): n1=n2=45.P.03 0.06 0.85% 45.01 0.

(F.T) 151 .0. c1=0 d1=2 c2=2.74% Tabla115: Desarrollo 103 (D103): n1=n2=46.P. c1=0 d1=2 c2=2 Gráfico 67: Curvas operativas (CO) número de muestra doble n=46.09 46 46 0 2 2 1.

70 % 92.71 % 93.79 % 6.50% 3.02 % 53.65 % 91.00 % 99.28 % 11.56 % 12.58 % 26.54% 3.92% 6.97 % 50.90 % 14.22 % 38.07 % 58.50 % 18.16 % 70.91 % 48.54 % 28.98 % 67.73 % 7.92 % 9.68 % 39.72% 40 99.86 % 29.19 % 6.70% 5.41% 1.16% 36 99.61 % 90.20 % 1.02 % 24.42 % 5.(F.05 % 55.06 % 10.98% 3.08% 4.65 % 75.99 % 15.54 % 71.00 % 76.T) d.71 % 93.00 % 52.10% 3.16% 45 99. 152 .00 % 2.77 % 36.37 % 12.41% 4.94 % 33.06 % 10.34% 41 99.54 % 12.77 % 69.10% 3.00 % 3.64% 38 99.02 % 24.70 % 92.50 % 6.65 % 75.38 % 68.73 % 93.P.16 % 41.61 % 16.23 % 15.22 % 38.2) Obtención de valores de α y β experimentales.75% 2.74% Tabla 116: Desarrollo 104 (D104) Valores de α y β experimentales para muestreo doble.19 % 27.58 % 26.3) Gráfica de Curva Operación (CO) de los planes de muestreo simulados.79 % 14.84 % 8.68% 43 99.88 % 46.20 % 30.56% 2.01 % 7.00 % 9.35 % 77.94 % 49.02% 2.72% 37 99.d.39% 5.92 % 73.51% 3.58 % 11.00 % 8.99 % 15.61 % 13.09% 1.00 % 76.67 % 91.85 % 45.40% 44 99. 35 0.68 % 39.41 % 17.58 % 89.16% 39 99.00 % 7.63 % 91.35 % 35.67 % 10.05 % 55.82 % 9.72% 4.92 % 9.65 % 13.79 % 6.72% 4.99% 42 99.28 % 74.41 % 17.00 % 5.84 % 9.13% 2.03 % 17.71% 4.06 % 56.06 % 56.89 % 7.68 % 92.88 % 18.00 % 4.92% 6.60 % 90.12% 5.56 % 32.93% 46 99.

Gráfico 68: Curvas Operativas CO de los planes de muestreo dobles n=35 hasta n=39.con los indicadores c1=0 d1=2 c2=2.T) d3. c1=0 d1=2 c2=2.(F.P.(F.1) Gráfica de las Curvas Operativas (CO) de los planes de muestreo simulados.T) 153 .P. Gráfico 69: Curvas Operativas CO de los planes de muestreo dobles n=40 hasta n=46.

Tomados de la referencia (5) que cumplen con el modelamiento de los medidores de energía. A fin de garantizar una mejor aceptación. con los indicadores. del riesgo del consumidor.4) Selección de plan de muestreo doble óptimo. De la simulación de los planes de muestreo doble se observa que para muestra doble 46 unidades. Se tomo el número de muestra n= 46 para un lote de 1000 medidores este plan es el número máximo de muestra para un lote de 501 a 1000. el nivel de calidad aceptable y la calidad limite. 154 . satisface las condiciones del riesgo de fabricante.d.

A.3.2 Secuencia para el desarrollo del plan de muestreo doble utilizando la función de distribución Poisson. A.3.2.1 Para lotes de medidores de energía eléctrica de 100 a 500 unidades a) Tomando como referencia los tamaño de muestra obtenidas a partir del muestreo simple. b) Considerando los indicadores del patrón Los indicadores son los siguientes: c1=0, d1=2, c2=1 c) Para determinar el plan de muestro doble se utilizara la función distribución Poisson Distribución Poisson según fórmula matemática la

La probabilidad de aceptación para un muestreo doble

d) Simulación del plan de muestreo doble. En la simulación se ha empleado la hoja de cálculo Excel. d.1)Simulación Simulando planes de muestreo dobles utilizando la distribución Poisson a partir para tamaños de muestra de 25 a 30 unidades.

155

Simulación de plan de muestreo doble con número de muestra doble de 25. n1 = n2 = 25 p 0,002 0,01 0,02 0,03 0,04 0,055 0,06 0,07 0,08 0,09 n1 25 25 25 25 25 25 25 25 25 25 n2 25 25 25 25 25 25 25 25 25 25 c1=0 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 1 c2=1

P 99,65% 93,04% 79,05% 63,97% 50,32% 34,08% 29,78% 22,66% 17,20% 13,04%

Tabla117: Desarrollo 105 (D105): n1=n2=25, c1=0 d1=2 c2=1

Gráfico 70: Curvas operativas (CO) número de muestra doble n=25, c1=0 d1=2 c2=1.(F.P.T)

Simulación de plan de muestreo doble con número de muestra doble de 26. n1 = n2 = 26 p 0,002 0,01 0,02 0,03 0,04 0,055 0,06 0,07 0,08 0,09 n1 26 26 26 26 26 26 26 26 26 26 n2 26 26 26 26 26 26 26 26 26 26 c1=0 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 1 c2=1

P 99,62% 92,56% 77,83% 62,23% 48,34% 32,12% 27,90% 20,98% 15,74% 11,81%

156

Tabla118: Desarrollo 106 (D106): n1=n2=26, c1=0 d1=2 c2=1

Gráfico 71: Curvas operativas (CO) número de muestra doble n=26, c1=0 d1=2 c2=1.(F.P.T)

Simulación de plan de muestreo doble con número de muestra doble de 27. n1 = n2 = 27 p 0,002 0,01 0,02 0,03 0,04 0,055 0,06 0,07 0,08 0,09 n1 27 27 27 27 27 27 27 27 27 27 n2 27 27 27 27 27 27 27 27 27 27 c1=0 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 1 c2=1

P 99,59% 92,07% 76,61% 60,52% 46,42% 30,27% 26,14% 19,42% 14,41% 10,69%

Tabla119: Desarrollo 107 (D107): n1=n2=27, c1=0 d1=2 c2=1

Gráfico 72: Curvas operativas (CO) número de muestra doble n=27, c1=0 d1=2 c2=1.(F.P.T)

Simulación de plan de muestreo doble con número de muestra doble de 28. n1 = n2 = 28 p 0,002 0,01 0,02 0,03 0,04 0,055 0,06 n1 28 28 28 28 28 28 28 n2 28 28 28 28 28 28 28 c1=0 c1 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 c2=1

P 99,56% 91,57% 75,39% 58,83% 44,55% 28,52% 24,47%

157

0,07 0,08 0,09

28 28 0 28 28 0 28 28 0

2 2 2

1 1 1

17,98% 13,19% 9,68%

Tabla120: Desarrollo 108 (D108): n1=n2=28 c1=0 d1=2 c2=1

Gráfico 73: Curvas operativas (CO) número de muestra doble n=28, c1=0 d1=2 c2=1.(F.P.T)

Simulación de plan de muestreo doble con número de muestra doble de 29. n1 = n2 = 29 p 0,002 0,01 0,02 0,03 0,04 0,055 0,06 0,07 0,08 0,09 n1 29 29 29 29 29 29 29 29 29 29 n2 29 29 29 29 29 29 29 29 29 29 c1=0 c1 0 0 0 0 0 0 0 0 0 0 d1 2 2 2 2 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 1 1 1 1 c2=1

P 99,53% 91,06% 74,17% 57,17% 42,75% 26,86% 22,91% 16,64% 12,07% 8,77%

Tabla121: Desarrollo 109 (D109): n1=n2=29, c1=0 d1=2 c2=1

Gráfico 74: Curvas operativas (CO) número de muestra doble n=29, c1=0 d1=2 c2=1.(F.P.T)

Simulación de plan de muestreo doble con número de muestra doble de 30. n1 = n2 = 30 p 0,002 0,01 0,02 0,03 0,04 0,055 n1 30 30 30 30 30 30 n2 30 30 30 30 30 30 c1=0 c1 0 0 0 0 0 0 d1 2 2 2 2 2 2 d1=2 c2 1 1 1 1 1 1 c2=1

P 99,50% 90,55% 72,95% 55,54% 41,01% 25,29%

158

09 30 30 30 30 30 30 30 30 0 0 0 0 2 2 2 2 1 1 1 1 21.T) 159 .07 0.06 0.08 0.P. c1=0 d1=2 c2=1.05% 7.45% 15. c1=0 d1=2 c2=1 Gráfico 75: Curvas operativas (CO) número de muestra doble n=30.94% Tabla122: Desarrollo 110 (D110): n1=n2=30.(F.0.40% 11.

00% 9.52% 46.83% 62.34% 32.08% 29.00% 4.07% 76.23% 48.52% 24.55% 72.78% 22.62% 92.d.04% 26 99.14% 19.12% 27.T) d.41% 10.66% 17.00% 5.53% 91.00% 3.2) Obtención de los valores de α y β .29% 21.42% 30.P.97% 50.50% 90.55% 28.98% 13.00% 8.74% 11.42% 14.04% 79.00% 2.17% 42.(F.59% 92.75% 26.50% 6.45% 15.00% 99.77% 30 99.83% 44.3) Gráfica de la curva operativa (CO) de los planes de muestreo dobles simulados.57% 75.86% 22.98% 15.27% 26.05% 7.40% 11.91% 16.01% 25.39% 58.68% 29 99.05% 63.65% 93.94% Tabla 123: Desarrollo 111 (D111) Valores de α y β experimentales para los planes de muestreos dobles.17% 57.20% 13.19% 9.81% 27 99.07% 8. 160 . 25 0.69% 28 99.00% 7.90% 20.95% 55.56% 77.64% 12.20% 1.61% 60.06% 74.54% 41.47% 17.32% 34.56% 91.

con los indicadores c1=0 d1=2 c2=1.(F.Gráfico 76: Curvas Operativas CO de los planes de muestreo dobles n=25 hasta n=30.T) 161 .P.

4) Selección del plan de muestreo doble óptimo. 162 . como el riesgo del fabricante como el riesgo del consumidor para lotes de 101 a 500. Ya que es la cantidad suficiente para la conformidad. Según la simulación de los muestreos de aceptación doble. podemos decir que el tamaño de muestra 28 cumple con las condiciones.d. con los indicadores.

A.3.2. Para lotes de medidores de energía eléctrica de 500 a 1000 unidades a)Tomando como referencia los tamaño de muestra obtenidas a partir del muestreo simple. d1=2.2. b) Considerando los indicadores del patrón Los indicadores son los siguientes: c1=0. 163 .1)Simulación Simulando planes de muestreo dobles utilizando la distribución Poisson a partir para tamaños de muestra de 35 a 46 unidades. c2=2 c) Para determinar el plan de muestro doble se utilizara la función distribución Poisson Distribución Poisson según fórmula matemática la La probabilidad de aceptación para un muestreo doble d) Simulación del plan de muestreo doble. d. En la simulación se ha empleado la hoja de cálculo Excel.

002 0.09 n1 35 35 35 35 35 35 35 35 35 35 n2 35 35 35 35 35 35 35 35 35 35 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.P.30% 20.07 0.36% 45.08 0. n1 = n2 = 36 p 0.002 0. c1=0 d1=2 c2=2.75% 93. c1=0 d1=2 c2=2 164 .60% 78.01% 61.02 0.Simulación de plan de muestreo doble con número de muestra doble de 35.61% 13.93% 79.03 0.02% 6.93% 10.06 0.02% 59.04 0.07 0. c1=0 d1=2 c2=2 Gráfico 77: Curvas operativas (CO) número de muestra doble n=35.87% 43.(F. n1 = n2 = 35 p 0.T) Simulación de plan de muestreo doble con número de muestra doble de 36.74% 93.09 n1 36 36 36 36 36 36 36 36 36 36 n2 36 36 36 36 36 36 36 36 36 36 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.42% 30.05 0.04 0.03 0.01 0.09% 31.02% Tabla125: Desarrollo 113 (D113): n1=n2=36.69% Tabla 124: Desarrollo 112 (D112): n1=n2=35.02 0.79% 9.08 0.01 0.01% 14.14% 6.05 0.91% 22.06 0.

002 0.05 0.03 0.01 0.Gráfico 61: Curvas operativas (CO) número de muestra doble n=36.79% 28.T) Simulación de plan de muestreo doble con número de muestra doble de 38.02% 58. c1=0 d1=2 c2=2.P.04 0.91% 76.43% Tabla126: Desarrollo 114 (D81): n1=n2=37.02 0.05 0.06 0.74% 8. c1=0 d1=2 c2=2 Gráfico 79: Curvas operativas (CO) número de muestra doble n=37.T) Simulación de plan de muestreo doble con número de muestra doble de 37.(F.04 0.09 n1 37 37 37 37 37 37 37 37 37 37 n2 37 37 37 37 37 37 37 37 37 37 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99. c1=0 d1=2 c2=2.07 0.06 0.94% 40.76% 19.40% 41. n1 = n2 = 37 p 0.29% 12.(F.71% 92.002 0.05% 11.76% .P.07 n1 38 38 38 38 38 38 38 38 n2 38 38 38 38 38 38 38 38 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 165 P 99.01 0.03 0.02% 56.72% 93.29% 18.02 0.20% 27.26% 77.08 0.33% 5. n1 = n2 = 38 p 0.

92% 4.002 0.06 0. n1 = n2 = 39 p 0.41% Tabla128: Desarrollo 116 (D116): n1=n2=39.08 0.03 0.T) Simulación de plan de muestreo doble con número de muestra doble de 40.T) Simulación de plan de muestreo doble con número de muestra doble de 39. c1=0 d1=2 c2=2.02% 55.P.89% Tabla 127: Desarrollo 115 (D115): n1=n2=38.09 38 38 0 38 38 0 2 2 2 2 7.07 0.87% 16.P. n1 = n2 = 40 p n1 c1=0 d1=2 c2=2 P n2 c1 d1 c2 166 .01 0.08 0.50% 38. c1=0 d1=2 c2=2.0.59% 4. c1=0 d1=2 c2=2 Gráfico 80: Curvas operativas (CO) número de muestra doble n=38.02 0.04 0.(F.56% 75.85% 6.09 n1 39 39 39 39 39 39 39 39 39 39 n2 39 39 39 39 39 39 39 39 39 39 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99. c1=0 d1=2 c2=2 Gráfico 81: Curvas operativas (CO) número de muestra doble n=39.(F.89% 10.05 0.69% 92.65% 25.

0. c1=0 d1=2 c2=2.01% 54.15% 24.08 0.04 0.66% 91.20% 74.31% 3.76% 9.T) Simulación de plan de muestreo doble con número de muestra doble de 41.P.06 0.56% 14.(F.75% 3.002 0.02% 6.01 0. n1 = n2 = 41 p 0.06 0.T) 167 .07 0. c1=0 d1=2 c2=2 Gráfico 82: Curvas operativas (CO) número de muestra doble n=40.09 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 0 0 0 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 99.02 0.03 0.00% 52.055 0.97% Tabla129: Desarrollo 117 (D117): n1=n2=40.P.69% 18.04 0.002 0.08 0.67% 35.01 0.(F.58% Tabla130: Desarrollo 118 (D118): n1=n2=41.67% 92.03 0. c1=0 d1=2 c2=2 Gráfico 83: Curvas operativas (CO) número de muestra doble n=41.07 0.05 0.02 0.83% 73. c1=0 d1=2 c2=2.24% 5.09 n1 41 41 41 41 41 41 41 41 41 41 n2 41 41 41 41 41 41 41 41 41 41 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.79% 10.07% 37.53% 15.

08 0.46% 13.02 0.24% 3.002 0.055 0.02 0.62% 91.P.86% 4.07 0.22% Tabla131: Desarrollo 119 (D119): n1=n2=42.03 0.04 0.08 0.06 0.28% 34. c1=0 d1=2 c2=2 Gráfico 84: Curvas operativas (CO) número de muestra doble n=42.01 0.28% 17.78% 2.52% 5.09 n1 42 42 42 42 42 42 42 42 42 42 n2 42 42 42 42 42 42 42 42 42 42 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.45% 71.07% 70.06 0.91% Tabla132: Desarrollo 120 (D120): n1=n2=43. c1=0 d1=2 c2=2.64% 91.01 0.T) Simulación de plan de muestreo doble con número de muestra doble de 43.002 0.91% 32.96% 49.04 0.03 0.91% 16.055 0.07 0.(F. n1 = n2 = 43 p 0.42% 12. c1=0 d1=2 c2=2 168 .88% 7.79% 8.Simulación de plan de muestreo doble con número de muestra doble de 42.09 n1 43 43 43 43 43 43 43 43 43 43 n2 43 43 43 43 43 43 43 43 43 43 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.98% 51. n1 = n2 = 42 p 0.

(F.04 0.Gráfico 85: Curvas operativas (CO) número de muestra doble n=43.01 0.30% 14.09 n1 44 44 44 44 44 44 44 44 44 44 n2 44 44 44 44 44 44 44 44 44 44 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.055 n1 45 45 45 45 45 45 n2 45 45 45 45 45 45 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 169 P 99.44% 12.93% 47.07 0.59% 90. n1 = n2 = 44 p 0.94% 48.P.(F. c1=0 d1=2 c2=2 Gráfico 86: Curvas operativas (CO) número de muestra doble n=44.61% 90.69% 69. c1=0 d1=2 c2=2.25% 30.03 0.08 0. n1 = n2 = 45 p 0.01 0.06 0.02 0.29% 68.P.35% 2.T) Simulación de plan de muestreo doble con número de muestra doble de 45. c1=0 d1=2 c2=2.03% 7.055 0.25% 4.03 0.02 0.002 0.T) Simulación de plan de muestreo doble con número de muestra doble de 44.59% 15.62% Tabla133: Desarrollo 121 (D121): n1=n2=44.51% .04 0.002 0.57% 31.

P.09 n1 46 46 46 46 46 46 46 46 46 46 n2 46 46 46 46 46 46 46 46 46 46 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.03 0.89% 67.08 0.P.01 0.97% 2.07 0. n1 = n2 = 46 p 0.09 45 45 45 45 45 45 45 45 0 0 0 0 2 2 2 2 2 2 2 2 11.36% Tabla134: Desarrollo 122 (D122): n1=n2=45.08 0. c1=0 d1=2 c2=2.63% 10.69% 3.06% 13.(F.17% 3.13% Tabla135: Desarrollo 123 (D123): n1=n2=46.95% 29.57% 89.23% 6.002 0.06 0. n1 = n2 = 47 c1=0 170 d1=2 c2=2 .02 0.T) Simulación de plan de muestreo doble con número de muestra doble de 46.055 0. c1=0 d1=2 c2=2 Gráfico 88: Curvas operativas (CO) número de muestra doble n=46.0.07 0.(F.91% 45.06 0.04 0.49% 6.T) Simulación de plan de muestreo doble con número de muestra doble de 47. c1=0 d1=2 c2=2. c1=0 d1=2 c2=2 Gráfico 87: Curvas operativas (CO) número de muestra doble n=45.62% 2.

08 0.002 0.30% 1.67% 27.03 0.055 0.(F.06 0.01 0.04 0. n1 = n2 = 48 p 0.(F.89% 44.09 n1 48 48 48 48 48 48 48 48 48 48 n2 48 48 48 48 48 48 48 48 48 48 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.14% 5.87% 12. c1=0 d1=2 c2=2 Gráfico 89: Curvas operativas (CO) número de muestra doble n=47. c1=0 d1=2 c2=2 Gráfico 90: Curvas operativas (CO) número de muestra doble n=48.09 n1 47 47 47 47 47 47 47 47 47 47 n2 47 47 47 47 47 47 47 47 47 47 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.002 0.055 0.01% 1.74% Tabla137: Desarrollo 125 (D125): n1=n2=48.42% 26.79% 5.03% 9.53% 89.02 0.71% 12.02 0.68% 3.81% 9.P. c1=0 d1=2 c2=2.T) 171 . c1=0 d1=2 c2=2.88% 43.92% Tabla136: Desarrollo 124 (D124): n1=n2=47.07 0.P.24% 3.07 0.01 0.55% 89.p 0.03 0.04 0.49% 66.T) Simulación de plan de muestreo doble con número de muestra doble de 48.06 0.08% 65.08 0.

99% 24.06 0.25% 63.002 0.46% 2. n1 = n2 = 49 p 0.30% 8.42% 172 .01 0. c1=0 d1=2 c2=2.51% 88.61% 7.74% 1.06 0.60% 11.87% 42.P.52% 4.50% 1.002 0.(F.53% 10.49% 88.07 0.95% 4.67% 64.02 0.T) Simulación de plan de muestreo doble con número de muestra doble de 50.03 0.08 0.83% 2.09 n1 49 49 49 49 49 49 49 49 49 49 n2 49 49 49 49 49 49 49 49 49 49 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99. c1=0 d1=2 c2=2 Gráfico 91: Curvas operativas (CO) número de muestra doble n=49.86% 40.03 0.08 0.04 0.07 0.055 0.09 n1 50 50 50 50 50 50 50 50 50 50 n2 50 50 50 50 50 50 50 50 50 50 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.57% Tabla138: Desarrollo 126 (D126): n1=n2=49. n1 = n2 = 50 p 0.01 0.04 0.Simulación de plan de muestreo doble con número de muestra doble de 49.02 0.055 0.19% 25.

42% 4. c1=0 d1=2 c2=2.28% Tabla140: Desarrollo 128 (D128): n1=n2=51.T) Simulación de plan de muestreo doble con número de muestra doble de 51.03 0.055 0.11% 2. c1=0 d1=2 c2=2 Gráfico 93: Curvas operativas (CO) número de muestra doble n=51. c1=0 d1=2 c2=2 Gráfico 92: Curvas operativas (CO) número de muestra doble n=50.002 0.82% 62.09 n1 51 51 51 51 51 51 51 51 51 51 n2 51 51 51 51 51 51 51 51 51 51 c1=0 d1=2 c2=2 c1 d1 c2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 0 2 2 P 99.P.04 0.49% 9.28% 1.Tabla139: Desarrollo 127 (D127): n1=n2=50.06 0.47% 87.81% 23.07 0. n1 = n2 = 51 p 0.P.08 0.96% 7.(F.02 0.T) 173 .85% 39. c1=0 d1=2 c2=2.01 0.(F.

09% 31.30% 14.46% 2.68% 3. (F.09 Tabla 142: Desarrollo 130 (D130) valores experimentales de α y β de los planes de muestreo dobles.99% 24.89% 39 99.69% 92.002 0.03% 9.87% 43.60% 78.93% 10.07% 70.14% 5.25% 30.83% 2.02% 6.40% 41.01% 1.07 0.78% 2.25% 63.89% 10.97% 41 99.29% 68.76% 7.76% 19.79% 5.20% 27.67% 92.65% 25.31% 3.50% 1.19% 25.75% 93.05% 11.08 0.81% 9.88% 43.07% 70.08% 65.07 0.43% 38 99.29% 68.30% 20.04 0.P.22% 43 99.2) Obtención de los valores de α y β experimentales 35 99.26% 77.055 0.56% 75.50% 38.55% 89.86% 4.57% 89.02 0.69% 18.01 0.61% 13.02 0.78% 2.28% 34.79% 28.71% 92.42% 12.76% 9.24% 3.88% 7.92% 48 99.69% 3.93% 47.91% 76.74% 8.53% 89.74% 49 99.06 0.17% 3.15% 24.91% 32.53% 10.49% 66.93% 47.53% 15.30% 8.95% 4.85% 6.91% 22.01% 14.24% 3.03 0.87% 42.02% 6.79% 8.91% 0.67% 64.29% 18.59% 90.02% 59.59% 4.36% 45 99.20% 74.71% 12.36% 46 99.60% 11.P.13% 47 99.96% 49.69% 3.42% 26.46% 13.36% 45.86% 4.055 0.97% 2.01 0.24% 5.42% 174 .86% 40.79% 10.92% 4.03 0. (F.04 0.89% 44.97% 2.33% 5.08 0.91% 16.59% 90.75% 3.T) 0.62% 91.28% 17.30% 1.98% 51.62% 91.93% 79.61% 7.41% 40 99.d.74% 1.63% 10.87% 12.91% 45.57% 50 99.02% 58.67% 35.51% 11.29% 12.88% 7.56% 14.01% 54.49% 88.62% 2.66% 91.42% 30.42% 12.58% 42 99.06% 13.67% 27.52% 4.02% 37 99.91% 44 99.83% 73.91% 32.00% 52.30% 14.89% 67.94% 40.25% 30.09 Tabla 141: Desarrollo 129 (D129) valores experimentales de α y β de los planes de muestreo dobles.49% 6.23% 6.T) 43 99.91% 16.02% 55.96% 49.06 0.69% 36 99.87% 16.07% 37.72% 93.23% 6.14% 6.95% 29.74% 93.02% 56.45% 71.64% 91.51% 11.79% 9.51% 88.52% 5.002 0.01% 61.

3) Gráfica de las curvas operativas (CO) de los planes de muestreo dobles simulados Gráfico 94:Curvas Operativas CO de los planes de muestreo dobles n=35 hasta n=40. con los indicadores c1=0 d1=2 c2=2.P.(F.(F.T) Gráfico 95:Curvas Operativas CO de los planes de muestreo dobles n=41 hasta n=46. con los indicadores c1=0 d1=2 c2=2. con los indicadores c1=0 d1=2 c2=2.T) 175 .T) Gráfico 96: Curvas Operativas CO de los planes de muestreo dobles n=25 hasta n=30.(F.P.d.P.

el riesgo del consumidor.4) Selección del plan de muestreo doble óptimo. con los indicadores De la simulación de los planes de muestreo doble. 176 .d. que nos garantice un buen plan de muestreo y cumpla con el riesgo del fabricante. podemos tomar el valor de 50 unidades por ser la máxima cantidad de unidades. el nivel de calidad aceptable y calidad limite.

2% para la constante del medidor y la rigidez dieléctrica.T) 5.T) 177 .125 α β % 10. p1= 0.P.735% 14.277 % 13. Secuencia para el desarrollo de plan de muestreo utilizando la función Densidad Normal a) Se utilizan los valores de referencia obtenidos en los planes de muestreo por atributos.425% 6.1.(F.876% p1 p2 1% 15% Tabla 144: Desarrollo 132 (D132) Valores experimentales de p1 y p2. PARA LAS FUNCIONES DENSIDADES POR VARIABLES Desarrollo de planes de muestreo utilizando las funciones densidades por variables asociados al comportamiento de los medidores de energía eléctrica.311% 16.209 % Tabla 143: Desarrollo 131 (D131) Valores experimentales de α y β obtenidos de la función distribución Binomial. arranque y errores del medidor. los riesgos del consumidor así nivel de calidad aceptable y calidad límite. B. p2= 5.P.854% 15. son las siguientes: α = 3 a 10% β = 10% p1= 1% para marcha en vacio.(F. se tomara los valores del riesgo del fabricante y riesgo del consumidor experimentales obtenidos a partir de la función distribución Binomial.1.706% 7.994% 8. b) Para lotes de 50 a 100 unidades 13.383 % 18.1. Plan de muestreo para lote de medidores de energía eléctrica de 50 a 100 unidades.B.365% 4.560% 3.5% a 9% para tamaños del lote 100<N≤1000 p2= 11% a 15% para tamaños de lote 50 ≤N≤100 B. Según la referencia (3) los riesgos del fabricante.549 % 17.

µ (1-β)+λ (1-p2).99 en la tabla de distribución normal.75 de la misma manera buscamos en la tabla de distribución normal este valor y obtenemos λ (1-p1) =0.33 La probabilidad p2=15% por lo tanto 1-p2=75% que equivale a 0.λ (1-p1). Nivel de calidad aceptable p1=1% por lo tanto 1-p1=99% entonces λ (1-p1) se obtiene buscando el valor de 99% que equivale a 0.m)(µ (1-β)+µ (1-α)λ (1-p1)-λ (1-p2))2 Construyendo tablas de valores a partir de las función densidad normal con los valores de los riesgos del fabricante y del consumidor experimentales.c) Muestreo de aceptación utilizando el método del rango medio K= 1αm. λ (1-p1) =2.µ (1-α)µ (1-α)+µ (1-β) n=(1+K2.βm2.68 178 .

8849 0.8438 0.5636 0.5359 0.8508 0.01 0.9394 0.9192 0.695 0.9265 0.2 0.5675 0.6554 0.2 1.1 0.9236 0.8106 0.512 0.883 0.5 0.05 0.6808 0.04 0.9049 0.8413 0.9082 0.5199 0.7123 0.7995 0.8365 0.6406 0.9418 0.5793 0.8944 0.8238 0.898 0.9463 0.8621 0.504 0.8289 0.7224 0.8708 0.9066 0.9162 0.8686 0.8997 0.9306 0.9279 0.9484 0.5753 0.8212 0.9319 0.9207 0.9382 0.9131 0.6 0.3 0.7852 0.8264 0.9015 0.9441 0.8665 0.9535 0.8962 0.7 0.6368 0.9115 0.7454 0.7257 0.6517 0.7734 0.7881 0.8888 0.6844 0.8186 0.9505 0. 0 0.9147 0.7486 0.7324 0.7549 0.6985 0.8485 0.7823 0. 179 .8315 0.508 0.8133 0.8643 0.6103 0.9032 0.5517 0.5 1.5871 0.879 0.6026 0.881 0.1 1.937 0.6772 0.7611 0.02 0.516 0.7389 0.6591 0.7088 0.5239 0.9429 0.9345 0.6879 0.6255 0.648 0.9099 0.8729 0.9357 0.9495 0.591 0.6443 0.8461 0.7054 0.8869 0.877 0.6217 0.6915 0.5478 0.6293 0.9 1 1.9177 0.5714 0.9545 0 0.7642 0.8577 0.5279 0.6064 0.791 0.8749 0.d) Obtención de los parámetros utilizando tabla de distribución normal.9222 0.8159 0.7291 0.07 0.5398 0.6664 0.4 0.7157 0.9251 0.8599 0.5438 0.8078 0.7019 0.5832 0.9406 0.7794 0.8051 0.8 0.6141 0.8925 0.5596 0.06 0.8907 0.7517 0.758 0.8023 0.834 0.5987 0.719 0.9332 0.4 1.8554 0.9525 0.09 0.7939 0.9452 0.7764 0.7422 0.03 0.67 0.5557 0.7673 0.8531 0.8389 0.9474 0.3 1.9292 0.6628 0.6179 0.9515 0.5948 0.5 0.7357 0.7967 0.6736 0.6 Tabla 145:Desarrollo 133 (D133) Tabla de Distribución Acumulativa normal.08 0.5319 0.7704 0.6331 0.

992 0.9995 0.9875 0.9941 0.9767 0.9898 0.9896 0.9808 0.9931 0.02 0.9996 0.994 0.9812 0.9981 0.9986 0.9974 0.985 0.2 3.4 2.9608 0.9995 0.9834 0.9706 0.8 1.9738 0.9992 0.9857 0.9943 0.9821 0.9983 0.9997 0.9884 0.9984 0.9948 0.9793 0.9988 0.9989 0.9678 0.9994 0.9625 0.997 0.4 0 0.9671 0.9982 0.9938 0.9977 0.9854 0.9992 0.9994 0. 180 .01 0.03 0.9932 0.9842 0.9959 0.9656 0.9993 0.9953 0.9936 0.9996 0.9967 0.9803 0.7 2.9649 0.9996 0.2 2.9997 0.9817 0.9 2 2.9871 0.8 2.9925 0.9971 0.9955 0.999 0.9861 0.9997 0.1 3.9778 0.9826 0.9564 0.9909 0.9974 0.9991 0.9911 0.1 2.9993 0.09 0.6 2.9977 0.06 0.1.9956 0.9633 0.9916 0.9998 Tabla 146:Desarrollo 134 (D134) Continuación tabla de Distribución Acumulativa normal.9788 0.9961 0.9783 0.9761 0.9962 0.9887 0.9985 0.9554 0.9693 0.9991 0.9988 0.9906 0.9591 0.9969 0.9582 0.9964 0.9997 0.9995 0.999 0.9995 0.9996 0.9993 0.08 0.9929 0.9975 0.9772 0.9979 0.4878 0.9946 0.996 0.9846 0.9966 0.9881 0.9987 0.9934 0.9664 0.9599 0.9726 0.9984 0.9945 0.9744 0.9987 0.9997 0.9968 0.975 0.9995 0.9699 0.9927 0.9713 0.9756 0.9994 0.999 0.9976 0.9963 0.9997 0.9972 0.9949 0.9 3 3.9641 0.9864 0.9991 0.9993 0.9997 0.9901 0.9997 0.9994 0.9965 0.9838 0.989 0.9922 0.04 0.9573 0.5 2.9997 0.9951 0.9719 0.9893 0.9995 0.9997 0.9904 0.9952 0.9979 0.998 0.9616 0.9992 0.9992 0.9994 0.9987 0.9981 0.9686 0.9732 0.9913 0.9957 0.9996 0.9982 0.7 1.9798 0.9978 0.9918 0.9986 0.07 0.9996 0.3 2.9989 0.9868 0.3 3.9973 0.05 0.9985 0.9989 0.983 0.

µ (1-β)+λ (1-p2).125 α β % 10.706 % % 16.876% 2.994% 8.913 1.36 α 0.864 5 Tabla 151: Desarrollo 151 (D151)Valores medios de α y β .61 0.926 1.826 0. Desarrollo 135 (D135):Valores experimentales de α y β .560% 3.53 0.λ (1-p1).735% 85.311% 5.549 % % 17.P.294 83.818 0.97 0.(F.146 84.T) β m M Reemplazando valores en: K= 1αm.µ (1-α)µ (1-α)+µ (1-β) n=(1+K2.12 0.954 1.860 1.91 0.961 1.09 0.326 0.209 % Tabla 147.01 0.869 1.45 0.βm2.277 % 86.854 % % 15.425% 6.791 % 14.843 1.383 % % 18.365% 4.937 1.451 82.m)(µ (1-β)+µ (1-α)λ (1-p1)-λ (1-p2))2 Valores de n aceptables: 181 . 86.(F.33 1.(F. 7.T) m 2.04 Tabla 148: Desarrollo 136 (D136) Valores de acumulación de limite calidad aceptable y calidad limite.006 % 13.04 0.69 0.875 % 13.94 0.27 0.617 81.835 0.77 Tabla 149: Desarrollo 137 (D137)Valores acumulativos del riesgo del fabricante Tabla 150: Desarrollo 138 (D138) Valores acumulativos del riesgo del consumidor.T) λ λ (99%) (85%) 1-α µ ( 1−α ) β µ ( 1−β ) 0.851 1.946 1.e) Número de muestra por variables A partir de los riesgos del fabricante como del consumidor ubicando los valores en las tablas de distribución normal construimos las siguientes tablas para obtener el número de muestra por variables.P.P.897 1.

Según los resultados obtenidos se elegirá el plan de muestreo por variables con número de muestra de 10 unidades.741 82 10 0.7811 13 0. Plan de muestreo para lote de medidores de energía eléctrica 100 a 1000 unidades. 182 .7700 7 12 0.8034 9 14 0.813 40 15 Tabla 152: Desarrollo 140 (D140)Números de aceptación del plan por variables.2.7549 7 11 0.79320 13 0. B.K n 0.

(F.T) Tabla 156: Desarrollo 144 D144 Valores de acumulación de nivel de calidad aceptable y calidad limite.527 % Tabla 154: Desarrollo 142 D142 continuación valores de α y β experimentales.77 % 24.µ (1-α)µ (1-α)+µ (1-β) n=(1+K2.P.53 % 25.050 % % 3.745 32.43 α β % 10.40 % 22.33 1.(F.300 % % 2. b) Para lotes de 100 a 1000 unidades de medidores de energía eléctrica.m)(µ (1-β)+µ (1-α)λ (1-p1)-λ (1-p2))2 Construyendo tablas de valores a partir de las función densidad normal con los valores de los riesgos del fabricante y del consumidor experimentales.35 2.89% % 4.46% 8.777 % % 2.T) 33.49% 5.T) λ λ (99%) (91%) 2.37% Tabla 153: Desarrollo 141 D141: Valores de α y β experimentales.093 % % 1.P.61% 7. (F.227 28.772 34.µ (1-β)+λ (1-p2).904 % Tabla 155: Desarrollo 143 D143 Valores de α y β experimentales. 21. 183 .(F.T) 27.50 28.434 α β % 2.13% 6.P.945 29.055 31.B.P.03 % 26.685 % % 3.91% 5.77 % 9.655 30.35 c) Muestreo de aceptación utilizando el método del rango medio K= 1αm.28 % 26.84% 7.1.353 % % 3.052 % % 2.2.βm2.22 % 23.33 1.00 % 23.359 31.427 α β % 4.450 % % 4.103 33. Secuencia para el desarrollo de plan de muestreo utilizando la función Densidad Normal a)Tomando como referencia los valores de la distribución de Binomial para poder determinar nuestro número de muestras por variables.λ (1-p1).

58 0.T) ( 1−β ) 0.08 Tabla 162 Desarrollo 150D150Distribución Acumulativa normal del riesgo del consumidor.T) Tabla 157: Desarrollo 145 D145Distribución Acumulativa normal del riesgo del fabricante.P.935 0.669 0.T) ( 1−β ) 0.T) ( 1−α ) µ Tabla 158: Desarrollo 146 D146: Distribución Acumulativa normal del riesgo del fabricante.914 0.747 0.04 2.4 Tabla 159: Desarrollo 147 D147Distribución Acumulativa normal del riesgo del fabricante.T) µ ( 1−β ) α m 2. ( 1−α ) 0.6 0.48 0.732 0. (1-p1)=2.718 0.92 1.896 0.762 0.68 c) Obtención del número de muestra por variables µ 0.56 0.922 0.941 0.7 1.P.778 0.P.946 1.963 0.955 0.(F.F.53 (F.52 1.951 0.960 0.33 La probabilidad p2=15% por lo tanto 1-p2=75% que equivale a 0.P.711 0.981 2 2.929 0.(F.49 0.75 de la misma manera buscamos en la tabla de distribución normal este valor y obtenemos λ (1-p1) =0.68 0.99 en la tabla de distribución normal.Nivel de calidad aceptable p1=1% por lo tanto 1-p1=99% entonces λ (1-p1) se obtiene buscando el valor de 99% que equivale a 0.88 1.T) µ Tabla 160: Desarrollo 148 D148Distribución Acumulativa normal del riesgo del consumidor.44 2 0.46 0.725 0.77 0.755 0.703 0.972 0.786 0.62 0.326 .66 µ ( 1−α ) 0.82 1.42 0.31 1.26 1.37 1.42 1.979 0.61 µ Tabla 161: Desarrollo D149Distribución Acumulativa normal del riesgo del consumidor.326 184 2.76 1.905 0.696 0.676 0.770 0.57 1.(F.977 0.74 0.66 1.71 0.683 0.689 0.P.96 0.P.975 1.65 0.79 1.66 0.966 0.51 0.47 1.8 0. (F.740 0.656 0.969 0.

909 23 0.T) 0.3.878 20 0. B.864 5 0.λ (1-p1).864 5 Reemplazando valores en: K= 1αm.Tabla 163: Desarrollo 151 D151Valores medios de α y β β m m 0.845 17 0.905 23 (F.P.929 27 (F.925 26 0.917 0.(F.µ (1-β)+λ (1-p2).838 16 0.894 22 0.P. a) Se ingresan los datos de la referencia (5) para observar el plan de muestreo por variables que debe adoptar Tamaño del lote: 100 185 .µ (1-α)µ (1-α)+µ (1-β) n=(1+K2.853 17 0.868 18 0.921 25 25 Tabla 165:Desarrollo 153 D153continuación Números de aceptación del plan por variables.884 20 Tabla 164 Desarrollo 152 D152 Números de aceptación del plan por variables.874 19 0.P.βm2.T) 0.914 24 0.889 21 0.1 Para lotes de medidores de energía eléctrica de 50 a 100 unidades. Para lotes de 501 a 1000 medidores la muestra por variables a tomar son 27 medidores.933 27 Tabla166: Desarrollo 154 D154continuación Números de aceptación del plan por variables.861 18 0.900 23 0. Desarrollo plan de muestreo utilizando software Statgraphics B3. Con lo cual podemos concluir que para lotes de 101 a 500 la muestra por variables será 16 medidores. k n 0.m)(µ (1-β)+µ (1-α)λ (1-p1)-λ (1-p2))2 Valores de n aceptables: k n k n 0.T) 0.

3001 unidades por lote en el LTPD El StatAdvisor Sistema de recomendación de puntos de vista estadístico para una determinada carga de trabajo Este procedimiento genera un plan de muestreo para inspeccionar lotes.19376% defectivo Inspección Total Promedio (ATI) = 20.12215% en 2.848 unidades por lote en el AOQL 91.Características deseadas Riesgo del productor (alfa): 3.0% Plan generado Tamaño de muestra (n) = 13 Distancia crítica (k) = 1.5% Riesgo del comprador (beta) = 9.0% Riesgo del comprador (beta): 10.99992% Límite de Calidad Promedio de Salida (AOQL) = 1. se ha generado un plan de muestreo basado en los riesgos 186 .94984% Porciento defectivo tolerable en lote (LTPD): 5.0% Riesgo del comprador (beta): 10.02% Calidad limite p2: 15% b) Se genera un plan de muestreo según las características ingresadas al software.7864 unidades por lote en el AQL 48. Características deseadas Riesgo del productor (alfa): 10. En este caso.0% Riesgo del productor (alfa) = 8.0% Nivel de calidad aceptable p1: 0.95364 Atributos del plan Nivel de calidad aceptable (AQL): 1.

94984% de las veces.deseados de comprador y vendedor. c) Gráfica de la curva de operación CO del plan de muestreo por variables. Si los lotes rechazados pueden someterse a inspección 100% y todos los ítemes malos son remplazados por buenos.95364 desviaciones estándar alejadas del (los) límite(s) de especificación. Usando tal plan.99992% de las veces. el porciento defectuosos promedio no será mayor del 1. mientras que un lote conteniendo 5. un lote conteniendo 1. 1. al menos. cada uno de los ítemes es medido. y el lote se acepta sin más inspección si la media muestral es. 187 . El plan establece que se deben muestrear 13 ítemes de cada lote de 100.5% de ítemes defectuosos será aceptado sólo 9.12215% (el AOQL).0% de ítemes defectuosos será rechazado sólo 8.

188 .8 0. de aceptación 0.5. TABLAS PARA LA VALIDACION Y PRUEBA DE LA FUNCION DENSIDAD.6 0.Curva de Operación Característica (OC) n=13.5.2 0 0 2 4 6 8 10 12 Porciento defectivo verdadero Gráfico 97: Gráfica del plan de muestreo utilizando software Statgraphics 2. k=1.95364 1 Prob.4 0.

Vocabulario y símbolos. referidos a las tablas 11 y 12.030 Control de aceptación por variables.4. Norma ISO 2859-1. Norma MIL STD-105. Referencia Bibliográfica • • • • • • 189 . Muestreo por Atributos.2. UNE-66. Norma MIL-STD-414. Implementado en el desarrollo de la Tesis.3. En el presente estudio de campo. ISO 3534-2:1993 Estadísticas. 2. CEI 1036:1990 Contadores estáticos de energía activa para corriente alterna (clases 1 y 2) ISO 3534-1:1993 Estadística: Vocabulario y símbolos. Parte 1: Probabilidad y términos estadísticos generales. Statgraphics Norma NMP 007 Norma UNE-EN 61358 Norma UNE-EN 62053 – 21: 2003 CEI 410:1973 Planes y reglas de muestreo para el control por atributos.6. UNE-66. Norma ISO 3951-1. ESTUDIO DE CAMPO. CEI 514: 1975 Control de aceptación de los contadores de corriente alterna de clase 2. Muestreo por Atributos. Muestreo por Variables. A. Muestreo por Variables. Parte 2: Control de calidad estadístico. Minitab.Son aquellas tablas de escogencia con sus respectivos indicadores obtenidos en la sección 2.1 Materiales a. A. Programas estadísticos y probabilísticos • • • • • • • • • Excel.4.020 Control de aceptación por atributos.5. EQUIPOS Y MATERIALES PARA LA DETERMINACIÓN DE LA MUESTRA EN BASE A LA FUNCIÓN DENSIDAD POR ATRIBUTOS Y/O VARIABLES. a. se han empleado los siguientes equipos y materiales.

190 .3. UNE-EN 61538.4 A.2 Equipos a. Computadora personal.2. Tablas estadísticas Tablas estadísticas referenciadas • • Nomograma de Larson Tablas estadísticas Aníbal Torre Tablas de los indicadores de normas NMP.a.007. • Tablas estadísticas propias del autor • Ver simulación de los planes de muestreo de las funciones densidades de escogencia 2.4.

Cargas especiales: Reactivo y resistivo. Materiales a. de inducción de clase2. Analizador de Redes.1. PARA LA APLICACIÓN Y EMISIÓN DE LOS PROTOCOLOS DE PRUEBA APLICADOS A LA MUESTRA EN BASE A LA FUNCIÓN DENSIDAD POR ATRIBUTOS Y/O VARIABLES. c. Se aplican los protocolos asociados a los atributos y/o variables 4. d. 1. g. etc. 6. Lotes de medidores de energía activa. b. Igual a los pasos anteriores se aplica con el patrón 5. Referencia bibliográfica : • Norma UNE-EN 61358 • Norma NMP 007 • Norma NMP 006 B.2. e. Se establecen veredictos y/o conclusiones. 191 . 3.B. Equipos a. medidores monofásicos y trifásicos estáticos de clase 1 y 2. Pinza amperimétrica. f. C. Protocolos para cada tipo de medidor (clase) extraídode acuerdo a la norma. alicates. Se aplican las tablas 11 y 12 para los planes de muestreo de inspección por atributos y variables respectivamente. Cables. Se establecen los lotes de medidores según intervalos 2. B. b. Se procede a contrastar los resultados obtenidos con referencia al patrón. destornillador. Fuente de alimentación. Cronometro.PROCEDIMIENTO EXPERIMENTAL Para el procedimiento se deben de seguir los siguientes pasos mencionados a continuación.

PRECINTOS PATRON UTILIZADO PROCEDIMIENTO LECTURA INCIAL CERTIFICADO Tabla 168: Verificación externa medidores de energía eléctrica activa. b) Protocolo 1: ENSAYO DE AISLAMIENTO 192 . a) Valores de placa MARCA MODELO/TIPO PROCEDENCIA Nº FASES Nº DE HILOS TENSION IB (A) IMAX (A) FRECUENCIA CONSTANTE CLASE Nº SERIE INDICADOR AÑO FABRICACION Tabla 167: Valores de placa de medidores de energía eléctrica activa.1 Protocolos de prueba para medidores de energía eléctrica activa estáticos de clase 1 y de inducción de clase 2. TEMPERATURA INICIAL TEMPERATURA FINAL Tabla 169: Valores de temperatura ambiente zona de trabajo para calibración de medidores de energía eléctrica activa.D. aplicadas con cada una de las funciones densidades de escogencia donde se requisa el uso de los protocolos mencionados en este punto. D.OBTENCIÓN DE DATOS Para la obtención de datos experimentales se utilizan las tablas 11 y 12.

cebado o perforaciones. 193 . y. b) entre los circuitos Que en servicio no esté previsto conectarlos entre si No debe producirse deformaciones . 2 kV a) entre. por una parte. por otra parte.Ensayo con Tensión Alterna VALOR EFICAZ DE LA TENSIÓN DE ENSAYO PUNTOS DE APLICACIÓN DE LA TENSION DE ENSAYO REQUISITOS RESULTA DO A) Ensayo a efectuar con el contador cerrado y la tapa de bornes colocada. todos los circuitos de intensidad y tensión así como los circuitos auxiliares cuya tensión de referencia sea superior a 40 V. conectados entre sí. masa 1) .

el conjunto de las partes conductoras externas a la envolvente. Y. 40V [para el ensayo c]) debe producirse deformaciones .) 1) Este ensayo solo se realiza a los medidores a inducción. unidas entre sí. Todos los circuitos de intensidad y tensión así como los circuitos auxiliares cuya tensión de referencia sea superior a 40 V. cebado o perforaciones.B) Ensayos suplementarios en el caso del contador con envolvente aislante de clase de protección II: 4 kV [para el ensayo a)] a) entre. c) entre. rev/kWh) Requisito Resultado ≤1 Tabla 171: Ensayo de aislamiento de medidores de energía eléctrica activa. rev/kWh) Requisito Resultado . por una parte. el conjunto de las partes conductoras situadas en el interior de la envolvente. c) Protocolo 2: ENSAYO DE MARCHA EN VACIO (cos Ф=1 para medidores a inducción) (V) CONDICIONES (A) t(min) TIEMPO Inicio Fin PULSOS (p). Unidas entre si y por otra parte. d) Protocolo 3: ENSAYO DE ARRANQUE CONDICIONES (V) (mA) cos φ TIEMPO Inicio 194 Fin PULSOS (p). conectados entre sí. No b) control visual. por una parte. Accesibles al dedo de prueba. Tabla 170: Ensayos de aislamiento para medidores de energía eléctrica activa. por otra parte masa.

005.007%.5 Cosφ 1 MEDIDOR A CAL (Im Wh p) PATRO N Wh ERRORES Er% E% INCENTIDUM BRE U(K= u(%) 2) RESULTADOS 195 . Resl pat = 0.002%.00001 Wh CONDICION ES A 0. e%=-0. e) Protocolo 4-9: LIMITES DE ERROR Medidor monofásico estático de clase 1 Deriva patrón: 0. Upat. = 0.>1 Tabla 172: Ensayo de arranque de medidores de energía eléctrica activa.

005.002%.007%. Resl pat = 0. e%=-0.5 Cosφ 1 MEDIDOR A CAL (Re Wh v) 1 PATRO N Wh ERRORES Er% E% INCENTIDU MBRE U(K=2 u(%) ) 196 .00001 Wh CONDICIO NES A 0. = 0. Medidor monofásico de inducción de clase 2 Deriva patrón: 0. Upat.10 RESULTADOS 0.5 50 1 RESULTADOS Tabla 173: Medición de error de medidor monofásico estático de energía eléctrica activa de clase1.

7 5 MEDIDOR A CAL Wh PATR ON Wh ERRORES Er% E% Cosφ (Imp) 1 INCENTIDU MBRE U(K=2 u(%) ) 197 .01%. e%=-0. Resl pat = 1 Wh CONDICIONES Fases R-S-T A 0.01. = 0. . Medidor Trifásico estático de clase 1 Deriva patrón: 0.01%. Upat.10 RESULTADOS 10 40 RESULTADOS 1 39 RESULTADOS Tabla 173: Medición de error de medidor monofásico de inducción de energía eléctrica activa de clase1.

RESULTADO S 15 RESULTADO S 0. f) Protocolo 10: COMPROBACION DE LA CONSTANTE CONDICIONES (V) (A) LM (imp o rev) LP (imp o rev) LM en ENERGIA visualizador (Wh) REQUISITO 198 .5 RESULTADO S R 15 1 RESULTADO S T RESULTADO S R-S-T 120 1 RESULTADO S Tabla 174: Medición de error de medidor trifásico estático de energía eléctrica activa de clase1.

METODOLOGIA La metodología a emplear en el desarrollo de la presentetesis corresponde a Las siguientes instancias 199 .Comprobar relación entre salida de control y la indicación en el visualizador INICIAL FINAL RESULTADO Tabla175: Comprobación de la constante para medidores de energía eléctrica activa. III.

Y1: Medidores de energía eléctrica activa estáticos clase 1 y 2. Y: Muestra de Medidores de Energía. Operacionalización de variables Indicadores: Se tiene los siguientes indicadores: X1: Función densidad probabilística continua. mientras que en las investigaciones ex post-facto el investigador asume que la variable independiente ya ha actuado u ocurrido. Mediante el uso de la estadística – probabilística comprobaremos la hipótesis dada.3. Se tiene las siguientes variables: X: Función Densidad Probabilística. Relación entre las variables de la investigación Variables.3 Tipo de Investigación El tipo de investigación a desarrollar es del tipo experimental. 200 .1. pues en la investigación experimental la variable independiente es tratada. X2: Función densidad probabilística discreta. 3. Diseño de la investigación La presente investigación empleará la siguiente secuencia de diseño: 1. limitándose a señalar las posibles relaciones o efectos sobre la variable dependiente. 3. Y2: Medidores de energía eléctrica de inducción de clase 2.4. 3.2. Y3: Ensayos (Protocolos de prueba).

Etapas de la investigación El tema de partida es la función densidad para la determinación de la muestra en la aceptación de medidores de energía. 2. Protocolos de prueba a los medidores que representan al lote. Las etapas que requiere nuestra investigación parten por: Etapa 1: Sistematización de la información 1. 201 . Elaboración del informe. Revisión bibliográfica y fundamento teórico 3. Se dará el veredicto si se acepta o rechaza el lote de medidores. 3. así mismo los principios que gobierna a los medidores de energía. 4.5. 3. Presentación del informe. 5. Del universo de funciones densidades dadas encontraremos aquella que cumpla con el modelamiento de los medidores de energía. 4. Determinación de la muestra de medidores de energía eléctrica. Recopilación de información 2. Etapa 3: Puesta a prueba del estudio 1. Determinación de la población de funciones densidades. Determinación de la población de medidores de energía eléctrica. 2. Procesamiento de la información 4. Validación y verificación de función densidad. 3. Etapa 2: Análisis y Estudio de la Investigación 1.2. La muestra determinada mediante la función seleccionada se harán las pruebas de verificación. Lasreferencias aportan los diferentes tipos de funciones densidades. Determinación de la muestra de funciones densidades.

A. Función densidad La funciones densidades que se detallan corresponden a aquellas denominas discretas y continuas.6. Muestra Numérica.6.6. Población 202 . 3. Muestra: Medidores de energía estáticos de clase 1 y 2 y de inducción de clase 2.1.6.3. las que se detallan en la tabla 5 y tabla 7 son aquellas consideradas con un buen criterio técnico. 3.Los protocolos que estos requieren para su validación y verificación. 3. Población y muestra La población y la muestra representativa de las funciones densidades relacionadas con el presente estudio de la tesis titulada: Función densidad para la determinación de la muestra en la aceptación de medidores de energía corresponden a: 3. se realizaran con las pruebas pertinentes a los medidores de energía. Muestra: Discreta y/o continua cuya función represente el comportamiento del medidor.2 Tipos de medidores Población: Medidores de energía. Población: La población de las funciones densidades pueden ser discretas y continuas. que coordinan por sus atributos y por sus variables respectivamente.cuyos resultados obtenidos representaran al comportamiento de los medidores.

cuadrada Uniforme Cauchy Normal Weibull Tabla 8: Población de funciones densidades discretas ycontinuas B. Muestra Dado que el número de funciones densidades no es muy elevado.La población a considerar está conformada por las funciones densidades discretas y continuas. Función Hipergeométrica. Y de acuerdo a ello tendríamos lo siguiente: 203 . decidimos tomar como muestra de las 14 funciones densidades a 4: Función Binomial. Las 3 primeras corresponden a funciones densidades de tipo discretas y clase por atributos. función Poisson. Nota: Es conocido que la determinación de la muestra de una población se realiza aplicando formulas estadísticas como la que se detalla más abajo (Arkin y Kolton). Siendo la cuarta función de densidad una función de tipo continua y de clase por variables. con criterio técnico y personal. según el cuadro siguiente: FUNCIONES DENSIDADES No 1 2 3 4 5 6 7 DISCRETAS Geométrica Uniforme Binomial Bernoulli o binomial puntual Hipergeométrica Binomial negativa Poisson CONTINUAS Gamma Exponencial Ji. y la función normal.

5. aplicando la siguiente fórmula estadística. y considerando un margen de N= 14 funciones densidades aplicación de la fórmula tenemos: n= 14 funciones densidades como muestra. Resulta que los 14 funciones densidades que conforma la población se corresponderían como muestra exactamente a la misma cantidad.7. Aplicando la fórmula anterior de Muestreo. seleccionadas de las 14 funciones densidades entre discretas y continuas corresponden a aquellas que representan a la conducta de los medidores de energía.7. 3. error de + 5%.7. VerTablas 4.1.Técnica de Tabulación de Resultados de las evaluaciones de las funciones densidades. (PULIDO 1971) FORMULA n= +1 N (N-1)K2 DONDE: n = tamaño de muestra N= tamaño de la población. resulta un Tamaño de Muestra de 14 funciones densidades. aplicando la fórmula estadística que corresponde a Arkín y Kolton.1. Técnicas e instrumentos de recolección de datos 3. es decir al tener una población pequeña la muestra tiende a ser a la población.1. En consecuencia. la Muestra (población objetivo). a los que se aplica el Muestreo Estratificado Proporcional y de la afijación proporcional de los elementos del estrato.Del total de funciones. De ejecución A. (PULIDO 1971). que corresponde a Arkín y Kolton. Sin embargo. 204 . 6 y 7. De los materiales 3. con un buen criterio técnico en base a las experiencias estadísticas que han devenido en la clasificación y aplicación de las funciones densidades ha permitido con un buen criterio personal la escogencia de los mismos. se determina la MUESTRA de funciones densidades.

considerando los medidores estáticos de clase 1 y 2. es decir.8. además del cálculo probabilístico pertinente. serán procesadas a través de métodos estadísticos. 3.8. El nivel de significancia (a).1. 3. Se registran las evaluaciones de los medidores.2. Específicos Las hipótesis de trabajo.8.8. que el nivel de certeza en la presente investigación es del 95% de seguridad que los resultados obtenidos en el trabajo de campo pueden generalizarse sin equivocarse y que existe un 5% de error. Pues en la investigación experimental la variable independiente es tratada. Es decir que el objeto del problema de estudio será sometido a procedimientos rigurosos. Los instrumentos propio de la investigación. esto significa que en la variable independiente no se han originado cambios. inducción de clase 2.05.1. Generales Se considera que la investigación es de tipo EXPERIMENTAL. que hemos establecido es 0. se acepta la hipótesis principal de investigación y se rechaza la hipótesis nula. De los Métodos 3. Procedimiento estadístico y análisis de datos 3.B. C.Técnica de Tabulación de Resultados de las evaluaciones tipos de medidores. Técnica de Contrastación para la Validación de las funciones densidades.1. las variables están relacionadas ( es significativa) χ 2 Si X 2 c > X 2 t . Para contrastar la hipótesis de investigación.1. serán sometidos a la contrastación de los resultados obtenidos entre los procedimientos convencional y el procedimiento Contrastación Si X 2 c > X 2 t . 205 .

Contrastando la Hipótesis Principal. se determina “s” (desviación estándar.3. comparando el nivel de aplicación de las funciones densidades del grupo experimental. RESULTADOS Los resultados correspondientes. 206 . FERNÁNDEZ y BAPTISTA. (53) Se procesarán la Hipótesis Principal. (1999).1. (52). Particulares Se hará el procesamiento estadístico de los resultados y el cruzamiento de información a fin de determinar la validación de la función densidad en estudio. IV. en el logro de los niveles de aceptación. con los datos de la muestra). Si.05 (95% de confianza en que la correlación entre las variables sea verdadera y 5% de probabilidad de error). devenidos como producto del estudio realizado en la presente tesis. con el grado de información obtenido según el tipo de medidores. se afirma que el coeficiente es significativo al nivel del 0. todas ellas asociados con cado uno de los procesos implementados.8. y su desarrollo. 3. NAGHI (1984). se rechaza la hipótesis principal de la investigación y se acepta la hipótesis nula.05. “s” es menor del valor 0. se han estructurado en resultados parciales y finales.Si X 2 c < X 2 t . Para contrastar la significatividad de “r”. HERNÁNDEZ.

y el número de rechazo (d). el riesgo del consumidor. el nivel de calidad aceptable y calidad limite. Según la obtención de los indicadores de las tablas establecidas para cada una de las tablas de muestreo en una función densidad de escogencia (haciendo uso de monograma. tablas estadísticas simulación y comparación mediantes software statgraphics.4. el número de aceptación(c). 4. Las funciones densidades que conforman a las funciones de escogencia son analizadas para la determinación de la muestra en la aceptación de medidores de energía. Según la naturaleza de la población y muestra de las funciones densidades.1. Y están establecidos según referencia 4. Estos parámetros son el riesgo del fabricante. tales como número de muestra (n). Y son las siguientes: por atributos (función Binomial. se realiza a partir del análisis de cada una de las funciones densidades de escogencia teniendo en cuenta los parámetros utilizados. de tal manera que se analiza las aplicaciones de cada una de las funciones densidades. función Hipergeométrica) y por variables (función normal). De la población de las funciones densidades por atributos y/o por variables se construyen tablas de escogencia. la misma que son de aplicación en la utilización del muestreo en la aceptación de medidores de energía La obtención de los indicadores.1. función Poisson. con un buen criterio técnico y de escogencia se eligieron aquellas funciones densidades por atributos y/o por variables que cumplen con el modelamiento y comportamiento de los medidores de energía.1. se obtienen indicadores para el análisis de dichas funciones densidades. A partir de la muestra de las funciones densidades de escogencia por atributos y/o variables.2. Resultados parciales 4.1. Para la obtención de los indicadores según el tamaño del lote y los parámetros 207 .

útil para la obtención de valores de distribución acumulativas normal. las que se emplean en los métodos del rango medio y/o varianza. cabe mencionar que en una muestra por variables se analiza una característica medible como es en este caso el error de medición del medidor de energía eléctrica. en el desarrollo de la presente tesis se utilizaron el nomograma de Larson útil para la obtención del número de muestra y el número de aceptación. en forma confiable y práctica. El caso de las funciones densidades por variables. obteniendo valores experimentales de los riegos del fabricante y consumidor. 208 . con lo que se obtiene el número de muestra para la aceptación de los medidores de energía. ante ello este nomograma sirvió para indicar los valores aproximados que sirvieron referencia para simular las funciones densidades de escogencia por atributos. Al simular los valores y teniendo presente como criterio: se escoge el plan de adecuado de muestreo por lo general menor cantidad de unidades para ser calibrados y/o criterio adecuado que cumplan con los parámetros. dichos valores experimentales se llevan a las tablas de distribución normal (tabla 145 y 146 de la presente tesis). de tal manera que al reemplazarlos se obtiene el número de muestra por variables.ya mencionados anteriormente se utilizarondiversos métodos. debido a la complejidad en la obtención de los planes de muestreo que convencionalmente se resuelven con ecuaciones de mucha dificultad. se utilizaron los valores experimentales obtenidos de la función Binomial.

101≤N≤500. pues los cálculos con la Binomial pueden resultar ciertamente complejos. puede utilizarse como aproximación a la función Binomial de la Binomial. Este hecho es bastante útil.2. solamente se hace confiable su utilización para pequeños tamaños de lote (50<N<100) • La Función Binomial. pero la dificultad de esta radica en los cálculos posteriores cuando el número de aceptación es diferente de 0.2. Resultados finales 4.4.1. 209 . Para nuestro caso con fines comparativos el lote va de 50≤N≤100. aunque ello implique una restricción al tamaño del lote. es válido para lotes pequeños y/o grandes. porque las tablas con valores de probabilidad acumulados de la ley de Poisson son fácilmente disponibles.Se uniformizo los rangos de los planes de muestreo con los rangos del patrón el cual tiene como máxima cantidad del lote 1000 unidades. Atributos • La Función Hipergeométrica.1. dado se obtuvo como resultado lo siguiente: 4. con el fin de comparar y evaluar nuestra función densidad. La función densidad se valida comparando los resultados obtenidos(según tabla 11 y 12) con los valores del patrón (ver referencia 4 y tabla 10.2. Desde el punto de vista de la validez de una función densidad específica para ciertos rangos e intervalos. • La Función Poisson.1). Se obtuvieron valores para cada una de las funciones densidades según los tamaños del lote a través de las simulaciones de los posibles planes de muestreo para cada intervalo. 501≤N≤1000.1.

se obtuvieron menores tamaños de muestra para cada intervalo. De la confiabilidad de los instrumentos (estadísticos. tablas. El riesgo del consumidor β es el riesgo que tiene el consumidor de que los lotes de baja confiabilidad sean aceptados. 4. para una protección dada de la calidad en contra de posibles porcentajes de defectivos (reflejados en la curva de operación).4. Software. referido al patrón donde para una muestra de tamaño dado. Los parámetros de riesgos se han obtenido a través de pruebas estadísticas realizadas a los medidores de energía eléctrica a través del tiempo.2. con las variables se pueden emplear muestras más pequeñas que las de atributos. por lo general se obtiene mejor protección para la calidaden lugar de por atributos.1. de los procesos se basan en los riesgos del productor y del consumidor.2.2. el riesgo del productor α es el riesgo que tiene el productor de que lotes de aceptable confiabilidad sean rechazados. o dicho en forma un poco diferente.2. 210 . la presente tesis toma como referencia estos valores para la construcción de los métodos y obtención de valores experimentales que se encuentran dentro de los rangos de confiabilidad de los procesosnormados y corroborados a través del softwareestadístico (statgraphics). del cual se han obtenido valores que cumplen el comportamiento de los medidores de energía eléctrica. normas) La confiabilidad. Variables • Función normal.

a partir de normas internacionales basadas en muestreos. Existen normas referentes a la calibración de medidores de energía. pero la discusión nuestra se basa en un nuevo método para la aceptación de grandes cantidades de lotes de medidores. se emplean funciones densidades normadas por el INDECOPI y aprobadas para la calibración. ¿Existe en el Perú.asociados a la función densidad que permita determinar el número de muestra de medidores de energía eléctrica represente al lote de grandes cantidades.1.V.2. Discusión de los resultados 5. 211 que . 5.1. De la acotación anterior se desprende la inquietud para cuestionarnos sobre: ¿Qué estudios anteriores se han realizado referente a lo relacionado con la presente tesis?. Discusión del problema En el Perú. De la comparación entre lo existente y mis resultados obtenidos en la presente tesis. alguna norma que aplique funciones densidades que difieran de las ya existentes en la contrastación y/o calibración para la aceptación de medidores de energía? Dichas interrogantes permiten iniciar la discusión y ello nos invita a diseñar una propuesta para aportar un nuevo enfoque basada en la FUNCIÓN DENSIDAD PARA LA DETERMINCAIÓN DE LA MUESTRA EN LA ACEPTACIÓN DE MEDIDORES DE ENERGÍA que implica el análisis.2. ¿En el Perú se ha realizado investigación de este tipo o solo se adoptan normas internacionales?. contrastación en la aceptación de medidores de energía. DISCUSIÓN DE RESULTADOS 5.

dieron como resultado la publicación de los requisitos que aseguran la aptitud para el uso de estos. AENOR. Los estudios realizados de los medidores de energía a través de años de experiencia. etc. Estas normas permiten corroborar y validar nuestros resultados y además posibilitan observar las variaciones de los resultados con respecto a nuestro método. usados en la obtención de la función densidad de la muestra. 212 . se puede observar que la dispersión de nuestro método converge con el patrón con lo que quedara validado.(normas aplicadas a los medidores de energía eléctrica).A partir de los resultados de nuestrométodo y el enfoque que se le da a la investigación del punto desde vista científico. Los instrumentos usados en la investigación están validados según normas por el INDECOPI. El análisisde la validación de nuestros instrumentos. IEC.

La determinación de las funciones densidades corresponden aquellas que representan en operación y comportamiento a las medidores de energía eléctrica. Cabe destacar la importancia de la probabilidad y la estadística en la aplicación en las ramas de la Ingeniería Eléctrica siendo en este caso la metrología y las mediciones eléctricas. 213 . Normas ISO y UNE. considerando funciones densidades para la muestra por atributos o para la muestra por variables.V I. Se aplica experimentalmente: La función densidad para la determinación de la muestra en la aceptación de medidores de energía. El criterio técnico se sustenta en estudios estadísticos realizados a través del tiempo. por lo que se sugiere su aplicación directa. dejando constancia de una nueva forma de obtener dichos resultados permitiendo tener la holística de una gama de funciones densidades para tal propósito. extraídas con un buen criterio técnico y personal de escogencia. Basados en la determinación de la función densidad para la determinación de la muestra en la aceptación de medidores de energía. Se da a conocer los objetivos logrados y la construcción de los conceptos. aplicación de las tablas( Tablas 11 y 12) de la presente tesis referidas a los planes de muestreo para las funciones densidades de escogencia por atributos y por variables. para luego someterlos a regímenes protocolares de prueba para validarlos. y se hace inca pie en la validación de su procedimiento. Sustentadas técnicamente en normas (Norma MIL.En este punto cabe mencionar el uso de referencias comparativas de las normas. para luego establecen con los veredictos y conclusiones están referidas a la concreción de los logros alcanzados. CONCLUSIONES En la presente Tesis se plasma los resultados de la investigación para obtener: Función densidad para la determinación de la muestra en la aceptación de medidores de energía. 1. y no limitarse a las pocas funciones densidades ya existentes tales como sugiere la norma. a la aplicación de los protocolos asociados a los atributos y/o variables las mismas que se aplican con el patrón para proceder a contrastar los resultados. esto corresponde al establecimiento de los lotes de medidores.

De los instrumentos y regímenes protocolares. 3. el desarrollo de la presente tesis se emplearon los instrumentos siguientes: Instrumento para las funciones densidades de escogencia. validan las funciones densidades de escogencia referenciadas según las normas vicarias MIL STD 414 y MIL STD 105 D y que tiene como instrumento a las curvas de operación y trapecio de aceptación. Ensayo 10 (Verificación de la constante del medidor). además el establecimiento de las funciones densidad patrón esta validado por las normas UNE-EN 61358. 2. 4. ensayo 4 a 9 (Precisión). ensayo 2 (Marcha en vacio). IEC). La validación de los instrumentos empleados en la presente tesis. Regímenes protocolares: ensayo 1(Propiedades Dieléctricas). están validadas y referenciadas según las normas UNE – EN 61358. Las funciones densidades de escogencia (Binomial. desmembrada el procedimiento del muestreo para aceptación por atributos y/o variables. NMP 007. NMP 007.EN 61358. así mismo con un buen criterio personal sugeridas según Kart Gieck y Reines Gieck en “Manual de formulas estadísticas”. las mismas que están especificadas en las tablas 11 y 12 . Poisson. ensayo 3 (arranque).5. Hipergeométrica y Normal) representa a la muestra de las funciones densidades probabilísticas y son de escogencia porque representan en conducta y comportamiento a los medidores de energía. Los regímenes protocolares para la determinación probabilística de la muestra. establecidas en las tablas 4. NMP 007. En el establecimiento del patrón se ha considerado como patrón a las normas UNE. han sido consideradas con la finalidad de uniformizar y contrastar resultados. considerando cada uno de los indicadores como referencia para comparar las funciones densidades de escogencia para la prueba.NMP. 214 .6 y 7 de la presente tesis de fuentes propias elaborado por el tesista. los regímenes protocolares para la determinación probabilística de la muestra de medidores de energía eléctrica hacen referencia a la norma UNE-EN 61358 y NMP 007.

para la aplicación de plan de muestreo doble para atributos (Binomial y Poisson) Un muestreo simple aplica lotes de 50 a 1000 unidades. La obtención de los indicadores de las funciones densidades se han implementado según plan de muestreo (muestreo simple. 215 . Se simulan los planes de muestreo con probabilidad de aceptación tomando los valores posibles de condiciones para luego seleccionar el plan de muestreo optimo con los indicadores. se tranzan las rectas a-p1 y b-p2.La función densidad Patrón corresponde a la función densidad Poisson. cuál será el número de muestra a tomar. En la obtención de los indicadores se utilizo el nomograma de Larson en él se ubicaron el riesgo del fabricante. la que nos permite determinar el número de muestra y número de aceptación. el objetivo fue simular tablas de aceptación con los números de muestras. dicha función según la referencia a la norma nos otorga la magnitud de los indicadores para la comparación y contrastación. Teniendo como referencia los posibles planes. el riesgo del consumidor el nivel de calidad aceptable y la calidad límite. cuya utilización se basa en la ubicación de los valores de los riesgos del fabricante y del consumidor. 7. 6. según fórmula de función densidad de escogencia. 8. Poisson e Hipergeométrica). el criterio considerado es seleccionar el número de muestra que requiera menor cantidad de medidores generalmente. la intersección de las rectas se ubicaron los puntos de referencia de los supuestos planes de muestreo por atributos. doble se aplica lotes de 100 a 100 unidades. 5. con este nomograma permite referenciar los posible planes de muestreo la misma que se aplica para la simulación de planes de muestreo. El desarrollo del plan de muestreo para la función Binomial densidad aplica únicamente el nomograma de Larson. porque el punto de intersección no coincide exactamente con los posibles planes. El nomograma de Larson dio referencias pero no se pudo concluir. La simulación de los planes de muestreo se ha empleado la hoja de cálculo Excel. muestreo doble) para el caso de funciones densidades por atributos aplican muestreo simple Muestreo simple (Binomial. calidad aceptable y calidad limite. Este plan de muestreo simple es comparativa opcionalmente utilizando software statgrapich).

se obtienen un plan mínimo y un plan máximo. c2 y d1.Al obtener estas simulaciones se pudo analizar los planes de muestreo obtenidos. Los valores acumulativos normales obtenidos se evalúan en las formulas para muestreo por variables y se obtuvo el número de muestra para una aceptación por variables. Se simularon los posibles valores de las probabilidades de aceptación con los números de muestras de referencia aplicando las teorías de las funciones de distribución Binomial. los cuales pueden tomar diferentes valores que se acercan a los riesgos del fabricante. el nivel de calidad aceptable y calidad límite. En muestreo por variables se escoge el método que se desea utilizar. Se evalúan los riesgos del fabricante como del comprador obtenido a partir de los muestreos de aceptación por atributos. Pero se uniformiza con el patrón a fin de comparar el método de nuestra investigación. estos valores se utilizo de referencia ya que son los planes escogidos que cumplen con los riegos del fabricante como del consumidor estos se evaluaron en la función densidad normal para la obtención de valores acumulativos normales.1 para aproximarse a Poisson.1 para aproximarse a la Binomial. Para los muestreos dobles teniendo como referencia los números de aceptación del muestreo simple se simularon los planes de muestreo doble a partir de las formulas Binomial y Poissón. y compararlos con los parámetros dados en la referencia 4. Binomial para aproximarse a la normal np>10. Poisson e Hipergeométrica y la probabilidad de aceptación con sumatorias y combinaciones. 10. 216 . En el muestreo doble se tienen nuevos indicadores c1. consumidor. Después del análisis de las simulaciones se pudo obtener el número de muestra n y su número de aceptación c. Para la simulación de las funciones densidades se tuvieron que hacer aproximaciones Hipergeométrica N/n<0. En los resultados obtenidos a través de nuestros métodos pueden compararse de manera rápida y sencilla utilizando software estadístico statgraphics. 11. Método del rango medio y/o método de la desviación estándar. 12. La Binomial p<0. Para cada intervalo se obtuvieron resultados que no se distanciaron del que obtuvimos con nuestro método.9.

Los instrumentos empleados para la validación y prueba de las tablas 11 y 12 referidas a los planes de muestreo de las funciones densidades de escogencia por atributos y variables. Analizador de Redes. Norma UNE-EN 61358.Lotes de medidores de energía activa. Pinza amperimétrica. Norma UNE-EN 62053 – 21: 2003.007.13. Muestreo por Variables. Muestreo por Atributos. Muestreo por Atributos. En la aplicación y emisión de los resultados de los protocolos aplicados a la muestra se han aplicado a lotes de medidores estáticos de energía eléctrica activa. Statgraphics.Referencia Bibliográfica:Norma NMP 007. Tablas estadísticas propias del autor simulación de los planes de muestreo de las funciones densidades de escogencia 2. Tablas estadísticas Aníbal Torre. Cargas especiales: Reactivo y resistivo. Minitab. Muestreo por Variables. Programas estadísticos y probabilísticos: Excel. Protocolos para cada tipo de medidor (clase) extraído de acuerdo a la norma. Norma NMP 006. 14. donde se han requerido equipos y materiales para la determinación de la muestra y demás indicadores estos son. medidores monofásicos y trifásicos estáticos de clase 1 y 2. Norma MIL STD-105. son aquellas usadas en nuestro estudio de campo.4. UNE-EN 61538. Norma ISO 3951-1. de inducción de clase2. Norma NMP 007. Cronometro.Norma UNE-EN 61358. VII.Norma ISO 2859-1. Tablas estadísticas: Tablas estadísticas referenciadas Nomograma de Larson.Norma MIL-STD-414.5. OBSERVACIONES 217 . Fuente de alimentación. Tablas de los indicadores de normas NMP.

se analizo su aplicación. Existen otras normas la cuales están siendo utilizadas que sirvieron de referencia bibliográfica: NormaIEC– 61036 y UNE 62053-21 Los protocolos de prueba se realizan aplicando equipos del laboratorio del servicio nacional del metrología del Indecopi y de la FIEE UNAC.1 (tabla de muestreo patrón) de la presente tesis. donde se delibera su fórmula y forma de función densidad. se da en referencia a las Normas Militares Americanas que fueron instaladas debido a la necesidad de la mejora de la calidad de equipos usados durante la 2da guerra mundial.Las observaciones siguientes son aquellas que coordinan con cada una de las 14 conclusiones expresadas en la presente tesis. el cual hace mención al número de muestra n. 2. El patrón utilizado para comparar los planes de muestreo obtenidos a partir de nuestras funciones densidades de escogencia esta mencionado en la tabla 10. 3. con un buen criterio técnico y de escogencia se tomaron las funciones ubicadas en la tabla 5 donde se muestra la población de funciones densidades de escogencia discretas (Hipergeométrica. El método que hace referencia la presente tesis tales como los planes de muestreo. que luego dieron paso a las normas ISO Normar internacional de estandarización y posteriormente el uso especifico en la aceptación de medidores de energía 218 . De igual manera en la tabla 7 se muestra la población de funciones densidades de escogencia continua (Normal) donde se delibera su fórmula y forma de función densidad. Binomial y Poisson). Estos instrumentos son lo que actualmente rigen la normativa Peruana. curvas de operación. y medidores estáticos de clase 1 Norma UNEEN 61358. comparándola con los planes de muestreo de funciones densidades de escogencia por atributos tabla 11 y planes de muestreo de funciones densidades por variables tabla 12. De la gama de funciones densidades en tabla 4 y 6 se ubicaron la población de funciones densidades discretas y continuas respectivamente. 1. el número de aceptación c y número de rechazo d. etc.. De los instrumentos utilizados en la presente tesis se refieren a las normas utilizadas en la calibración y aceptación de medidores de energía de inducción de clase 1 y 2 Norma NMP 007. 4.

2. 5. Estos equipos tenían un tiempo de vida útil alto porque que hace que el nomograma de Larson interesante en la aplicación de planes de muestreo. Los planes con c=0 no siempre son los más apropiados. El criterio de tamaño de muestra igual a un porcentaje del tamaño del lote no es un buen criterio. Al aumentar el tamaño de muestra con el número deaceptación se obtienen curvas CO más cercanas a la ideal. se pueden obtener planes de muestreo para cada lote de medidores a calibrar. Al disminuir el número de aceptación la curva CO cae másrápido y con ello los planes se vuelven más estrictos. 6. Teniendo valores de los riesgos del fabricante como del consumidor y nos niveles de calidad aceptable y límite. Se utilizo este nomograma debido a que se puede obtener valores aproximados que posteriormente mediante la hoja de cálculo Excel se corroboran mediante simulaciones. Con el nomograma de Larson se obtiene para un determinado lote de medidores de energía su número de muestra y su número de aceptación. para muestreo doble tiene número de muestra n. número de aceptación c y número de rechazo d.La influencia del tamaño del lote en el diseño de planes demuestreo adecuados es menor de lo que comúnmente secree. validando nuestra función densidad de escogencia. UNE EN 61358. 219 . Cabe Resaltas que el nomograma de Larson fue utilizado por la compañía Wester Electric en la fabricación de teléfonos de alta calidad. Los indicadores para los planes de muestreo simple para función densidad por atributos tiene número de muestra n y número de aceptación c. ya que es el primer paso para la ubicación de los indicadores el número de muestra n y número de aceptación c. mientras que en una función por variables solo se rige a los intervalos y solo tiene número de muestra n. estos valores se obtienen a través de años de experiencia de las empresas fabricantes de medidores de energía. Al simular cada una de las funciones densidades de escogencia se pudo observar que no existe un plan de muestreo que tenga la curva OCideal. 8. donde se obtiene el patrón y los protocolos de prueba.eléctrica Normas NMP 007. el nomograma solo se utiliza para muestreo simple. El nomograma de Larson es una herramienta útil. 7.

con un buen criterio se selecciono aquellos planes donde cumplían con las condiciones de la referencia 4 y se selecciono el plan con menor número de muestra para los intervalos de 50 a 100 y 100 a 500. Los valores de los indicadores de las tablas 11 y 12 (planes de muestreo de las funciones densidades de escogencia por atributos y variables) dichas 220 . 10.9. 12. 13. se percibió programa estadístico corroborando el método utilizado en la presente tesis. en este plan se considera según los protocolos de prueba de 4 a 9 (precisión) donde se analiza una característica medible (error del medidor de energía eléctrica). cabe mención que para la selección del número de muestra será a criterio del tesista. 11. con lo cual se trabajo en los intervalos y se escogió el plan más pertinente según criterio se tomo el número de muestra del muestreo simple n. generalmente se escogen las muestras pequeñas pero en nuestro caso podemos escoger el plan que creamos conveniente con el sustento técnico pertinente con este a fin de garantizar que el tamaño de muestra garantiza nuestro plan de muestreo. En un plan de muestreo por variables solo existe número de muestra n. se tomo como criterio la uniformidad de los indicadores y arrojo como resultado que en la simulación de los planes de muestreo el número de muestra n aumentaba debido a la sumatoria de las probabilidades. Al simular las funciones densidades de escogencia para cada uno de los intervalos se obtuvieron planes de muestreo los cuales fueron llevados a tablas en donde se comparo los valores experimentales de los riesgos del fabricante y del consumidor. debido que pueden existir varias posibilidades. Al realizar las comparaciones del software statgraphics con nuestro que nuestro método no converge de la utilización del método. Para el intervalo de 501 a 1000 unidades se selecciono el mayor debido a que la cantidad del lote es mayor se tiene que asegurar la aceptación o rechazo del lote. En el muestreo doble se utilizaron las simulación de las funciones densidades y las formulas a fin de comparar resultados. El número de muestra que se obtuvo fue menor con respecto al número de muestra por atributos. con estos datos y aplicando las tablas de distribución normal se obtiene el número de muestra utilizando el método conveniente.

Se recomienda aplica el método para la aplicación de la función densidad para la determinación de la muestra en la aceptación de medidores de energía eléctrica que vienen de fabrica. marca zera.5/1. un equipo patrón.2% con pinzas. referidos a los intervalos 50≤N≤100.5. Una fuente de calibración Translite 0 – 0. el número de aceptación y el número de rechazo.No obstante estos valores se obtuvieron a fin de validar la función densidadreferenciada con el patrón.002% directo 0.5/15/120 A 60Hz. 3. para la posterior utilización de la misma en la aceptación de medidores de energía eléctrica.560 minutos. En la aplicación de los protocolos aplicados a los medidores de energía eléctrica según norma se utilizaron los siguientes equipos Equipos del servicio nacional de metrología Indecopi: 1. el número de muestra. 501≤N≤1000.7. RECOMENDACIONES Las siguientes recomendaciones referentes al estado de la técnica del estudio realizada en la presente Tesis son las siguientes: 1. 101≤N≤500. tipo mt3000.6. 2. clase 0. 221 .Un equipo patrón marca zera tipo tpz 308-06. Computadora personal. dispuestos en columnas y filas. clase 0. son los resultados del estudio de la presente tesis.Una fuente de 0-40kV 60 hz marca moser Glaser – Alemania. 4. está conformada por el tipo de ensayo.1% directo 0. Un cronometro digital de 0. Un Higrometro Digital de 0-50 C y 100 % de humedad relativa. 14. VIII.2% con pinzas.tablas: como por ejemplo la tabla 11.

con la finalidad de comparar nuestros resultados. 4.2. Se deben utilizar las nuevas normas vigentes que se rigen en otros países tales como: UNE-EN 62053-2. 5. si no se contase con la información acerca de la calidad se recomienda hacer la construcción de tablas estadísticas que posteriormente sirvan de referencia para juzgar lotes. 3. 222 . IEC 62053-21 para la aplicación de los medidores de energía. El método planteado en la presente Tesis se puede aplicar para el diseño de un programa que permita facilitar la calibración de los medidores de energía eléctrica. Aplicar los resultados de la presente tesis en futuros estudios tales como: el uso de la confiabilidad referida a la vida media y aceptación de medidores de energía eléctrica. La aplicación de la estadística se orienta a la calibración de equipos eléctricos.

IX. APENDICE
A continuación los documentos siguientes, corresponden a aquellos que resultaron del desarrollo de la presente Tesis. APENDICE 1: Nomograma de Larson. APENDICE 2: Sinopsis Muestreo Simple APENDICE 3: Sinopsis Muestreo Doble APENDICE 4: Sinopsis Muestreo por Variables APENDICE 5: Muestreo simple para lotes de 50 a 100. Ejemplo de la simulación de los indicadores de la Función Binomial. APENDICE 6: Plan de muestreo de inspección por atributos de las funciones densidades de escogencia. APENDICE 7: Plan de muestreo de inspección por variables de la función densidad de escogencia.

223

APÉNDICE 1 NOMOGRAMA DE LARSON Nomograma de Larson desarrollado por la Western Electric para el desarrollo de planes de muestreo de equipos de alta vida útil.

224

APÉNDICE 2 SINOPSIS MUESTREO SIMPLE 1.- Con el riesgo del fabricante, el riesgo del consumidor el nivel de calidad aceptable y la calidad límite, se ubicaron dichos puntos en el nomograma de Larson, se tranzan las rectas a-p1 y b-p2, la intersección de las rectas se ubicaran los puntos de referencia de los supuestos planes de muestreo por atributos. 2. El nomograma de Larson dio referencias pero no se puede concluir, cualserá el número de muestra a tomar, porque el punto de intersección no coincide exactamente con los posibles planes. 3. Teniendo como referencia los posibles planes, el objetivo es simular tablas de aceptación con los números de muestras. 4. Se simularon los posibles valores de las probabilidades de aceptación con los números de muestras de referencia aplicando las teorías de las funciones de distribución Binomial, Poisson e Hipergeométrica y la probabilidad de aceptación con sumatorias y combinaciones. 5. Al obtener estas simulaciones se pudo analizar los planes de muestreo obtenidos, y compararlos con los parámetros dados en la referencia 3, se obtienen un plan mínimo y un plan máximo. 6. Después del análisis de las simulaciones se pudo obtener el número de muestra siguiente criterios según la cantidad del lote luego para ser utilizado en la aceptación del lote.

225

APÉNDICE 3 SINOPSIS MUESTREO DOBLE Teniendo como referencia los números de aceptación del muestreo simple se simulan los planes de muestreo doble a partir de las formulas Binomial y Poissón. En el muestreo doble se tienen nuevos parámetros c1, c2 y d1, los cuales pueden tomar diferentes valores que se acercan a los riesgos del fabricante, consumidor, el nivel de calidad aceptable y calidad límite. Pero se uniformiza con el patrón a fin de comparar los métodos de nuestra investigación. Y observar cuanto se dispersa de este.

226

APÉNDICE 4 SINOPSIS MUESTREO POR VARIABLES El procedimiento para obtener la muestra en una inspección por variables es la siguiente: 1. Se escoge el método que se desea utilizar. a) Método del rango medio. b) método de la desviación estándar. 2. Se evalúan los riesgos del fabricante como del comprador obtenido a partir de los muestreos de aceptación por atributos, estos valores se utilizan de referencia ya que son los planes escogidos que cumplen con los riegos del fabricante como del consumidor estos se evaluaran en la función densidad normal. 3. A partir de estos valores obtenido anteriormente se evalúan en las formulas para muestreo por variables y se obtiene el número de muestra para una aceptación por variables. 4. De los planes obtenidos obtenemos la siguiente tabla con los valores que evaluaremos teniendo en cuenta las probabilidades de aceptación y los riesgos del fabricante como del consumidor para obtener nuestro plan por variables. 5. El plan de variables escogido, será del propio criterio del tesista, debido que pueden existir varias posibilidades, generalmente se escogen las muestras pequeñas pero en nuestro caso podemos escoger el plan que creamos conveniente con el sustento técnico pertinente con este a fin de garantizar que el tamaño de muestra garantiza nuestro plan de muestreo.

227

228 .

01 0.216 0.10 0.15 n 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 P 0.12 0.03 0. c=0.895 0.002 12 0.T) Simulación de planes de muestreo con número de muestra de 12 y 13 con número de aceptación 0.03 n 13 13 13 13 0.248 0.08 0.13 0.02 0.05 0.715 0.569 0.002 0.08 0.638 0.13 0. (F.04 0.279 0.354 0. Simulación de planes de muestreo con número de muestra de 10 y 11 con número de aceptación 0. c 0 0 0 0 p n P 0.190 0.06 0.539 0.801 0.904 0.349 0.06 0.APÉNDICE 5 MUESTREO SIMPLE PARA LOTES DE 50 A 100 EJEMPLO SIMULACIÓN INDICADORES FUNCIÓN BINOMIAL.245 0.11 0.02 0.314 0.07 0. c=0 y n=11.400 0.197 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.978 0.817 0.14 0.01 0.694 229 c 0 0 0 0 p 0.04 0.P.599 0.312 0.484 0.15 n 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 P 0.11 0.167 Tabla 14: Desarrollo 2 (D2): n = 10 y c=0 Tabla 15: Desarrollo 3 (D3): n = 11 y c=0 Gráfico 5: Curvas operativas (CO) número de muestra n= 10.976 0.02 0.05 0.02 0.07 0.002 0.01 0.12 0.002 0.10 0.785 0.221 0.67 3 . c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.434 0.76 9 0.980 0.886 0.665 0.450 0.03 0.14 0.09 0.389 0.09 0.506 0.03 12 12 12 P 0.97 4 0.737 0.278 0.87 8 0.01 0.

860 0.286 0.12 0.174 0.03 0.565 0.01 0.08 0.463 0.19 0 0.739 0.15 12 12 12 12 12 12 12 12 12 12 12 12 0.633 0.38 9 0.09 0.754 0.002 0.08 0.229 0.09 0.282 0.206 0.11 0. c=0 y n=13.216 0.05 0. Tabla 17: Desarrollo 5 (D5): n = 13 y c=0 Gráfico 6: Curvas operativas (CO) número de muestra n= 12.14 0.97 04 0.002 0.04 0.476 0.12 1 Tabla 16: Desarrollo 4 (D4): n = 12 y c=0.11 0.02 0.542 0.09 0.12 0.395 0.14 1 0.488 0.22 0 0.0 0 0 0 0 0 0 0 0 0 0 0 0.869 0.07 0.P.05 0.06 0.51 3 0.419 0.33 8 0.25 4 0. c=0.13 n 15 15 15 15 15 15 15 15 15 15 15 15 15 15 P 0.06 0.142 230 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.653 0.14 0.13 n 14 14 14 14 14 14 14 14 14 14 14 14 14 14 P 0.06 0.08 0.142 0 0 0 0 0 0 0 0 0 0 0 0 0.06 0.164 0.10 0.15 13 13 13 13 13 13 13 13 13 13 13 13 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.10 0.03 0.01 0.368 0.(F.362 0.247 0.09 0.11 0.13 0.267 0.188 0.10 0.05 0.05 0.04 0.613 0.11 0.322 0.08 0.12 0.44 7 0.10 0.147 0.07 0.16 4 0.243 0.972 4 0.167 0.07 0.12 0.13 0.T) Simulación de planes de muestreo con número de muestra de 14 y 15 con número de aceptación 0.311 0.29 3 0.04 0.540 0.337 0.07 0.196 0.124 .421 0.58 8 0.04 0.02 0.

9685 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 0.074 P 0.06 0.07 0.121 0.14 0.108 0.09 4 0.07 0.14 0.12 0.0 0 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.313 0.104 0.24 2 0.103 0 0 0.T) Simulación de planes de muestreo con número de muestra de 16 y 17 con número de aceptación 0.13 0.10 0.41 8 0.15 14 14 0.02 0.221 0.59 6 0.12 0.090 0. Gráfico 7: Curvas operativas (CO) número de muestra n= 14.002 0.34 9 0.13 8 0.11 4 0.03 0.03 0.155 0.20 1 0.16 7 0.01 0.50 0 0.15 n 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 16 0.372 0.70 9 0.002 0.724 0.10 0.29 1 0. Tabla 19: Desarrollo 7 (D7): n = 15 y c=0.02 0.851 0.087 Tabla 18: Desarrollo 6 (D6): n = 14 y c=0.06 3 .96 7 0.614 0.129 0.263 0.520 0.14 0.08 0.07 7 0.09 0.05 0.11 0.15 n P c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 231 p 0.13 0.185 0. (F.01 0. c=0.04 0.14 0. c=0 y n=15.06 0.440 0.15 15 15 0.04 0.08 0.09 0.05 0.P.84 3 0.11 0.

309 0.681 0.06 0.150 0.578 0.088 0.377 0.002 0.09 0.123 0.08 0.328 0.(F. c=0.835 0.961 0. Gráfico 9: Curvas operativas (CO) número de muestra n= 18.460 0.Tabla 20: Desarrollo 8 (D8): n = 16 y c=0.07 0.480 0.01 0. c=0. c 0 0 p 0.02 0.06 0.01 0.(F.P.10 0.002 0.T) Simulación de planes de muestreo con número de muestra de 20 con número de aceptación 0.T) Simulación de planes de muestreo con número de muestra de 18 y 19 con número de aceptación 0.397 0.167 0.12 0.03 0.252 0. c=0 y n=15.13 0.002 0.11 0.100 0.01 232 n 20 20 P 0.14 0.08 0.826 0.963 0.066 0.12 0.04 0.P.11 0. c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0. Tabla 23: Desarrollo 11 (D11): n = 19 y c=0. Tabla 21: Desarrollo 9 (D9): n = 17 y c=0.135 0.03 0.082 0.05 0.046 Tabla 22: Desarrollo 10 (D10): n = 18 y c=0.05 0.057 0.07 0.271 0.9646 0.561 0. c=0 y n=19. Gráfico 8: Curvas operativas (CO) número de muestra n= 14.04 0.205 0.109 0.13 0.14 0.09 0.10 0.695 0.818 .054 c 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 p 0.183 0.15 n 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 P 0.071 0.15 n 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 P 0.02 0.223 0.

33% 44.70% 12.01% 0.87% 0.53% 63.34% 22.11 20 0.83% 27.062 73.43% CUMPLE 17 0.70% 6.08% 22.09% NO CUMPLE 0.44% 81.11% 10.38% 61.94% 34.85% 24.38% 61. Gráfico 10: Curvas operativas (CO) número de muestra n= 19.58% 49.70% 21.01% 39.28% CUMPLE 0.82% 56.37% 7.12% 26.31% 15.16% 31.38% 9.71% 73.47% 69.95% 7.43% 52.25% 28.36% 14.13% 19.63% 45.31% 26.74% CUMPLE 16 0.15 20 56.14 20 65.15% 6.00% 4.90% 0 67.33% 0.27% 54.86% 0.53% 15.00% 6.03% 16.69% NO CUMPLE 11 0.02 20 0.30% 20.078 86.00% 12.68% 13.86% 36.51% 21.04 20 0.01% 12.93% 33.67% 28.77% 32. 233 .80% 47.31% CUMPLE 18 0.74% 38.20% 1.86% 48.965 83.70% 14.097 0.22% NO CUMPLE 0 0 0 0 0 0 0 0 0 13 0 0.039 54.02% 8.11% 18.01% 37.40% 43.15% 72.00% 5.23% 20.23% 12.80% 16.00% 10 0.00% 3.74% 66.00% 8.06 20 0.24% 24.00% 13.50% 12.88% 50. Según la tabla para n=14 cumple la acotación anterior.07 20 0.27% 10.84% 22.98% 18.79% 11.20% 31.59% 17.93% 59.45% 69. c=0 y n=20.30% 0 58.234 0.968 85.(F.64% 78.976 88.00% 11.51% 57.75% 0 76.03 20 0.57% 18.04% 44.P.61% 19.82% 51.38% 27.75% 24.93% 29.049 63.04% 47.00% 2.290 0.29% 70.122 15 0.967 84.35% 25.63% 24.53% 80.358 0.08 20 0.18% 27.05 20 0.668 0.62% 5.98% 16.96% 35.p 0.00% 15.544 0.38% 10.70% 22.189 0.48% 59.96% 41.41% 8.00% 10.53% 33.77% 8.33% 39.42% 21.13 20 75.56% 16.44% 31.976 89.09 20 0.00% 7.978 90.87% 53.37% 14.81% 34.152 0.05% 36.21% 46.07% 71.28% 0.87% 31. c=0.00% 14.59% 41.88% 19.36% CUMPLE Tabla 24: Desarrollo 12 (D12): n = 20 y c=0.72% 32.83% 29.442 0.96% 39.29% 18.93% 10.1014 20 0.T) Simulaciones de los posibles planes de muestreo para lote de 50 a 100 unidades Nota: Se elige generalmente el plan que requiera menor cantidad de unidades para calibrar para aceptar o rechazar el lote.972 0.44% 38.00% 9.12% 16.47% 48.41% 14.12% 24.77% 42.73% NO CUMPLE 12 0.12 20 86.08% 12.974 0 87.36% 0.9704 0.

distribuido de tal forma que para cada ensayo tiene sus indicadores. Se muestra los planes de muestreo por atributos de las funciones densidades de escogencia.APENDICE 6 PLAN DE MUESTREO DE INSPECCIÓN POR ATRIBUTOS DE LAS FUNCIONES DENSIDADES DE ESCOGENCIA. 234 . de 101 a 500 unidades. Se distribuye para cada intervalo de 50 a 100 unidades. 501 a 1000 unidades distribuidos en filas y los valores de los indicadores distribuidos en columnas de forma vertical.

235 .

Se distribuye para cada intervalo de 50 a 100 unidades. 236 .APENDICE 7 PLAN DE MUESTREO DE INSPECCIÓN POR VARIABLES DE LAS FUNCIONESDENSIDADES DE ESCOGENCIA. de 101 a 500 unidades. 501 a 1000 unidades distribuidos en filas y los valores de los indicadores para el protocolo de precisión. Se muestra los planes de muestreo por variables de las funciones densidades de escogencia. distribuido de tal forma que para cada ensayo tiene sus indicadores.

ANEXOS A continuación los documentos anexados. en el desarrollo de la presente Tesis: Anexo 1: R530. Anexo 5: Military Standard MIL STD 414“Inspección por Variables”. Anexo 6: Norma Metrológica Peruana NMP 006. Anexo 3: Norma Metrológica Peruana NMP 007“Inspección de aceptación de medidores de energía activa para corriente alterna de la clase 2”.X. Anexo 4: Military Standard MIL STD 105E“Inspección por Atributos”. corresponden a aquellos que contribuyeron de modo alguno.5.8 I59 PC. 1 y 2”.010 “Procedimiento para la calibración de medidores de energía eléctrica activaestáticos de clase 1 y 2 medidores ainducción clase 2”. Anexo 7: Simbología 237 . Anexo 2: Una Norma Española UNE-EN 61358 “Control de aceptación de los contadores estáticos de energíaactiva para corriente alterna y conexión directa (clases 1 y 2). “Medidores de energía activa para corriente Alterna de clases 0.

Estos medidores de energía eléctrica en corriente alterna solo serán calibrados en energía eléctrica activa a la frecuencia de 60 Hz. Este procedimiento se aplica para la calibración de medidores de energía eléctrica estáticos de clase de exactitud 1 y 2. 238 . los que deberán satisfacer los requisitos de las normas UNE-EN 61358:1996 y NMP 007. Este procedimiento solo se aplicará al medidor de energía en forma independiente. ya inducción de clase 2. sin conexión a un transformador de medida.5 inductivo.1997 respectivamente.010 “PROCEDIMIENTO PARA LA CALIBRACIÓN DE MEDIDORES DE ENERGÍA ELÉCTRICA ACTIVA ESTÁTICOS DE CLASE 1 Y 2 MEDIDORES A INDUCCIÓN CLASE 2”.ANEXO 1 R530.8 I59 PC. tanto en sistema monofásico como trifásico para los factores de potencia 1 y 0.

con cierto detalle. ANEXO 3 239 . Esta Norma Internacional describe.ANEXO 2 CONTROL DE ACEPTACIÓN DE LOS CONTADORES ESTÁTICOS DE ENERGÍA ACTIVA PARA CORRIENTE ALTERNA Y CONEXIÓN DIRECTA (CLASE 1 Y2). Las condiciones del ensayo de aceptación tienen tolerancias mayores que las de los ensayos de tipo. varios métodos para los ensayos y controles de aceptación delos contadores estáticos de energía activa. nuevos y entregados en lotes de 50 unidades y más.

NORMA METROLÓGICA PERUANA NMP 007 . El desplazamiento del eje de las abscisas no es aplicable para ensayos de aceptación ANEXO 4 240 . entregados en grandes cantidades. debido a que: Las condiciones de ensayos de aceptación tienen tolerancias más amplias que las de los ensayos de tipo.1997 La presente Norma Metrológica Peruana describe en detalle los métodos para inspección de aceptación y ensayo de medidores de energía activa de la Clase 2 nuevos. se permite límites de error mayores que los admitidos para los ensayos de tipo especificados en la NMP 006: 1997. En esta Norma Metrológica Peruana.

5. 1 y 2 para la medición de energía eléctrica activa en corriente alterna. ANEXO 5 241 .NORMA METROLÓGICA PERUANA NMP 006 La presente Norma Metrológica Peruana solo se aplica a los medidores de inducción de energía activa nuevos de las Clases de precisión 0. a una frecuencia comprendida entre 45 y 65 Hz y se aplica solamente a sus ensayos de tipo.

). fue desarrollado durante la II Guerra Mundial ante la necesidad de garantizar la calidad de pertrechos militares (municiones. Es un sistema de inspección de aceptación por atributos porque es una colección de esquemas de muestreo que a su vez comprenden planes de muestreo. mantenimiento y procedimientos administrativos. etc. Se aplica a productos finales. donde E indica la revisión). Es un sistema de muestreo de aceptación por atributos. materias primas. ANEXO 6 242 . operaciones.NORMA MILITAR MIL.STD – 105E El Military Standard 105 (MIL-STD-105E (1989). manteniendo al mismo tiempo un límite para el riego del cliente de aceptar ocasionalmente un lote de poca calidad. basado en el NCA y su objetivo es inducir al proveedor a mantener un promedio del proceso al menos igual que el NCA de aceptación. durante su producción en lotes. Esta norma es el sistema de inspección de aceptación más difundido a nivel mundial.

entre otros requisitos.NORMA MILITAR MIL – STD – 414 La MIL-STD-414 establece los procedimientos y tablas de muestreo para la inspección por variables de acuerdo al porcentaje de no conformes. ANEXO 7 243 . Para su aplicación. o sea con una desviación estándar no mayor de la del proceso y que el parámetro x que se mide siga una distribución normal o cercana a ella. es necesario que el error de medición sea despreciable. Esta norma que especifica un sistema de muestreo para aceptación formado por planes de aceptación por variables en los cuales la aceptabilidad de un lote es implícitamente determinada a partir de un estimado del porcentaje de unidades no conformes basado en muestreo aleatorio.

SIMBOLOGÍA 244 .

NCA CL δ Calidad limite Rango de desviaciones sistemáticas entre los valores de u para una determinada característica de todos los lotes. Nivel de calidad aceptable. Número de aceptación. Valor medio de la variable x en la muestra. Número de medidores defectuosos en la muestra para una determinada característica. d Pr P CO X xi µ Variable ( por ejemplo error del medidor) Valor individual de x Valor medio de la variable x en un lote para una determinada característica. Rango de los valores de x en un subgrupo de una muestra. X Valor medio. s σ σ λ p j Desviación estándar de la variable x en un lote. Tamaño de muestra. Desviación estándar Riesgo fabricante Riesgo consumidor Tamaño de un subgrupo 245 wj α β α m m . Desviación estándar de la variable x en la muestra. Variable aleatoria estandarizada Valor de para la proporción p de los valores de x que sobrepasen el limite definido. Curva característica operativa. Proporción de medidores defectuosos en el lote para una determinada característica. Desviación estándar de la variable x en un lote j.N n c cn Tamaño de lote. Número de rechazo(plan de muestreo doble) Probabilidad de aceptación.

4.XI. 2007.1 REFERENCIA BIBLIOGRÁFICA 1. México:1999 2. México:1992 3. Administrar para la Calidad. McGraw Hill. Humberto. Curso: Planes de Muestreo para la aceptación. UNE-EN 61358Control de aceptación de los contadores estáticos de energíaactiva para corriente alterna y conexión directa (clases 1 y 2) 246 . Gutiérrez Mario.Cantú Delgado. Limusa. Horacio Napolitano. REFERENCIALES 11. Desarrollando una Cultura de la Calidad. Muestreo por atributos.

1997. Johnson. 2.5. Vocabulario Internacional de Términos fundamentales y generales de metrología. 7. “Probabilidad y Estadística para Ingenieros”. SEIP. Smirnov – I. Kurt Gieck y Reiner Gieck. 2003 10. Mediciones eléctricas – contraste de medidores. 15. 11. ¨Fundamentos de Metrología Eléctrica. Susan Milton y Jesse C. Universidad Nacional del Sur.5. OIML. 6. ISO. Probabilidad y Estadística Aplicaciones y Metodos (George Canavos) Virginia Commonwealth university MG GRAW – HILL 14. ArnoldMG GRAW – HILL 13.DI INDECOPI 12. Richard A. NMP 006 Medidores de energía activa para corriente alterna de clases 0. 3. IEC. V. N.. PAG: 804 GΫNTER G. 247 . Ing. IUPAC. Instalaciones Eléctricas. Ediciones Técnicas Marcombo S. VAAP – Moscú. 1977. SIEMENS. Prentice-Hall-Hispanoamericana S.A. Karcz . Informativo para acreditación de organismos de evaluación a conformidad – SNA – acr – 01. Ing.A. Vocabulario Internacional de términos básicos y generales de metrología (VIM) – BIPM. Tablas Estadísticas Pedro Díaz Bustos. 1 y 2. NMP 007 Inspección de aceptación de medidores de energía activa para corriente alterna de la clase 2. José Hugo Argañaraz. Tomo III Potencia y Energía ¨. Dunin – Barkowsky.2 BIBLIOGRAFIA 1. 9. IFCC. 8. 11. Probabilidad y EstadísticaJ. Andrés M.V. Boixareu Editores. 1989. ¨Cálculo de Probabilidades Y Estadística Matemática¨. Quinta Edición. 1969. Manual de fórmulas técnicas.

Canavos. Bill Bolton. Omega. 7. Sri Lanka. Sir Chittampalam A Gardiner Mawatha. 6. Virginia Commonwealt University. Dirección general de Electricidad – Ministerio De Energía y Minas. “Probabilidad y Estadística Aplicaciones y Métodos”. 248 .T McGRAWHILL. 1987. MARKS . “Specification for Static (Electronic) Three Phase Energy Meters Accuracy Class 1 CEB Standard 071 – 1998”. 2003. 50. 1996.M Nº 012-2003-EM/DN. Ceylon Electricity Board No. George C. 8. ¨Manual del Ingeniero Mecánico. Colombo 2. 1988. Volumen III”. R. McGRAW-HILL.4. Alfa 5. ¨Mediciones y Pruebas Eléctricas y Electrónicas¨.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.