Cosas importantes a tener en cuenta en esta actividad (Nota personal)
p) y “¿qué valor deja tal
porcentaje…?” (nos dan un área y buscamos el valor; en R usamos las
que empiezan por q).Para la normal, además, estandarizamos: \(Z=\dfrac{X-\mu}{\sigma}\) nos dice a cuántas desviaciones de la media está un valor.
En una uniforme todos los valores del rango son igual de probables. Aquí \(X\) va de \(a=20\) a \(b=50\), un rango de 30 unidades. La probabilidad de un intervalo es la fracción del rango que ocupa.
Procedimiento
Cálculo en R
a1 <- 20; b1 <- 50
p1a <- punif(30, a1, b1)
p1b <- punif(42, a1, b1, lower.tail = FALSE)
p1c <- punif(40, a1, b1) - punif(25, a1, b1)
x1d <- qunif(0.80, a1, b1)
E1 <- (a1 + b1) / 2
V1 <- (b1 - a1)^2 / 12
tabla(c("P(X ≤ 30)", "P(X > 42)", "P(25 ≤ X < 40)", "Valor con P(X ≤ x) = 0.80", "E[X]", "V[X]"),
c(f(p1a), f(p1b), f(p1c), f(x1d, 2), f(E1, 2), f(V1, 2)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 30) | 0.3333 |
| P(X > 42) | 0.2667 |
| P(25 ≤ X < 40) | 0.5000 |
| Valor con P(X ≤ x) = 0.80 | 44.00 |
| E[X] | 35.00 |
| V[X] | 75.00 |
Gráfica
graficar(function(x) dunif(x, a1, b1), 15, 55, sombras = list(c(25, 40)),
guias = c("E[X] = 35" = E1),
titulo = "Problema 1 · Uniforme(20, 50)",
subtitulo = "Zona naranja: P(25 ≤ X < 40), la mitad del rango")Respuesta
La normal es la campana simétrica. Lo clave es medir a cuántas desviaciones de la media está cada valor; aquí cada “paso” de 15 unidades equivale a una desviación.
Procedimiento. Estandarizamos con \(z=\dfrac{x-100}{15}\):
Cálculo en R
mu2 <- 100; s2 <- 15
p2a <- pnorm(85, mu2, s2)
p2b <- pnorm(120, mu2, s2, lower.tail = FALSE)
p2c <- pnorm(115, mu2, s2) - pnorm(90, mu2, s2)
x2d <- qnorm(0.95, mu2, s2)
ic2 <- qnorm(c(0.025, 0.975), mu2, s2)
tabla(c("P(X ≤ 85)", "P(X > 120)", "P(90 ≤ X < 115)", "Valor con P(X ≤ x) = 0.95",
"95% central: límite inferior", "95% central: límite superior"),
c(f(p2a), f(p2b), f(p2c), f(x2d, 2), f(ic2[1], 2), f(ic2[2], 2)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 85) | 0.1587 |
| P(X > 120) | 0.0912 |
| P(90 ≤ X < 115) | 0.5889 |
| Valor con P(X ≤ x) = 0.95 | 124.67 |
| 95% central: límite inferior | 70.60 |
| 95% central: límite superior | 129.40 |
Gráfica
graficar(function(x) dnorm(x, mu2, s2), 40, 160, sombras = list(ic2),
guias = c("μ = 100" = 100),
titulo = "Problema 2 · Normal(100, 15²)",
subtitulo = "Zona naranja: el 95 % central de los valores")Respuesta
Aquí ayuda la simetría: el área a \(k\) desviaciones por debajo de la media es igual a la que está a \(k\) desviaciones por encima.
Procedimiento. Con \(z=\dfrac{x-72}{8}\):
Cálculo en R
mu3 <- 72; s3 <- 8
p3a <- pnorm(60, mu3, s3)
p3b <- pnorm(80, mu3, s3, lower.tail = FALSE)
p3c <- pnorm(76, mu3, s3) - pnorm(68, mu3, s3)
x3d <- qnorm(0.90, mu3, s3)
x3e <- qnorm(0.05, mu3, s3, lower.tail = FALSE)
tabla(c("P(X < 60)", "P(X ≥ 80)", "P(68 ≤ X ≤ 76)", "Percentil 90", "Valor que deja 5% por encima"),
c(f(p3a), f(p3b), f(p3c), f(x3d, 2), f(x3e, 2)))| Pregunta | Resultado |
|---|---|
| P(X < 60) | 0.0668 |
| P(X ≥ 80) | 0.1587 |
| P(68 ≤ X ≤ 76) | 0.3829 |
| Percentil 90 | 82.25 |
| Valor que deja 5% por encima | 85.16 |
Gráfica
graficar(function(x) dnorm(x, mu3, s3), 40, 104, sombras = list(c(68, 76)),
guias = c("media = 72" = 72),
titulo = "Problema 3 · Normal(72, 8²)",
subtitulo = "Zona naranja: P(68 ≤ X ≤ 76), el tramo simétrico alrededor de la media")Respuesta
Una diferencia de 50 unidades puede ser mucha o poca según la variabilidad. Con \(\sigma=40\), son poco más de una desviación. Por eso siempre traducimos a desviaciones.
Procedimiento. Con \(z=\dfrac{x-500}{40}\):
Cálculo en R
mu4 <- 500; s4 <- 40
p4a <- pnorm(450, mu4, s4)
p4b <- pnorm(575, mu4, s4, lower.tail = FALSE)
p4c <- pnorm(540, mu4, s4) - pnorm(480, mu4, s4)
lim4 <- qnorm(c(0.10, 0.90), mu4, s4)
x4e <- qnorm(0.99, mu4, s4)
tabla(c("P(X ≤ 450)", "P(X > 575)", "P(480 < X < 540)",
"80% central: límite inferior", "80% central: límite superior", "Percentil 99"),
c(f(p4a), f(p4b), f(p4c), f(lim4[1], 2), f(lim4[2], 2), f(x4e, 2)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 450) | 0.1056 |
| P(X > 575) | 0.0304 |
| P(480 < X < 540) | 0.5328 |
| 80% central: límite inferior | 448.74 |
| 80% central: límite superior | 551.26 |
| Percentil 99 | 593.05 |
Gráfica
graficar(function(x) dnorm(x, mu4, s4), 360, 640, sombras = list(lim4),
guias = c("P99" = x4e),
titulo = "Problema 4 · Normal(500, 40²)",
subtitulo = "Zona naranja: el 80 % central. La línea punteada marca el percentil 99")Respuesta
La exponencial describe el tiempo de espera hasta que ocurre algo. La tasa \(\lambda=0.25\) dice cuántos eventos ocurren por unidad de tiempo, y \(1/\lambda\) es la espera promedio. Sus fórmulas son sencillas:
\[P(X\le x)=1-e^{-\lambda x},\qquad P(X>x)=e^{-\lambda x}\]
Procedimiento
Cálculo en R
l5 <- 0.25
p5a <- pexp(2, l5)
p5b <- pexp(5, l5, lower.tail = FALSE)
p5c <- pexp(6, l5) - pexp(2, l5)
x5d <- qexp(0.90, l5)
E5 <- 1 / l5
V5 <- 1 / l5^2
tabla(c("P(X ≤ 2)", "P(X > 5)", "P(2 < X ≤ 6)", "Valor con P(X ≤ x) = 0.90", "E[X]", "V[X]"),
c(f(p5a), f(p5b), f(p5c), f(x5d, 3), f(E5, 1), f(V5, 1)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 2) | 0.3935 |
| P(X > 5) | 0.2865 |
| P(2 < X ≤ 6) | 0.3834 |
| Valor con P(X ≤ x) = 0.90 | 9.210 |
| E[X] | 4.0 |
| V[X] | 16.0 |
Gráfica
graficar(function(x) dexp(x, l5), 0, 24, sombras = list(c(2, 6)),
guias = c("E[X] = 4" = E5),
titulo = "Problema 5 · Exponencial(λ = 0.25)",
subtitulo = "Zona naranja: P(2 < X ≤ 6)")Respuesta
Una variable es lognormal cuando su logaritmo es normal: \(\ln(X)\sim N(3.5,\,0.40^2)\). Ojo: 3.5 y 0.40 son parámetros de \(\ln(X)\), no de \(X\). Por eso pasamos los límites a escala logarítmica antes de estandarizar.
Procedimiento. Con \(z=\dfrac{\ln(x)-3.5}{0.40}\):
\[E[X]=e^{\mu+\sigma^2/2},\qquad V[X]=\left(e^{\sigma^2}-1\right)e^{2\mu+\sigma^2}\]
Cálculo en R
ml6 <- 3.5; sl6 <- 0.40
p6a <- plnorm(25, ml6, sl6)
p6b <- plnorm(50, ml6, sl6, lower.tail = FALSE)
p6c <- plnorm(40, ml6, sl6) - plnorm(20, ml6, sl6)
med6 <- qlnorm(0.50, ml6, sl6)
x6e <- qlnorm(0.90, ml6, sl6)
E6 <- exp(ml6 + sl6^2 / 2)
V6 <- (exp(sl6^2) - 1) * exp(2 * ml6 + sl6^2)
tabla(c("P(X ≤ 25)", "P(X > 50)", "P(20 ≤ X < 40)", "Mediana", "Percentil 90", "E[X]", "V[X]"),
c(f(p6a), f(p6b), f(p6c), f(med6, 2), f(x6e, 2), f(E6, 2), f(V6, 2)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 25) | 0.2411 |
| P(X > 50) | 0.1515 |
| P(20 ≤ X < 40) | 0.5779 |
| Mediana | 33.12 |
| Percentil 90 | 55.29 |
| E[X] | 35.87 |
| V[X] | 223.29 |
Gráfica
graficar(function(x) dlnorm(x, ml6, sl6), 0.01, 120, sombras = list(c(20, 40)),
guias = c("mediana" = med6, "media" = E6),
titulo = "Problema 6 · Lognormal(3.5, 0.40²)",
subtitulo = "Zona naranja: P(20 ≤ X < 40). Nótese la cola larga hacia la derecha")Respuesta
La gamma modela el tiempo total hasta que ocurren
\(\alpha\) eventos. Cuidado con la
convención: \(\lambda=0.5\) es una
tasa (en R: rate = 0.5); la escala equivalente
sería \(1/\lambda=2\).
Procedimiento. El área acumulada no tiene fórmula
simple, así que usamos pgamma. Para media y varianza
sí:
\[E[X]=\frac{\alpha}{\lambda}=\frac{3}{0.5},\qquad V[X]=\frac{\alpha}{\lambda^2}=\frac{3}{0.5^2}\]
Las probabilidades de intervalos se obtienen restando acumuladas: \(P(X>8)=1-P(X\le 8)\) y \(P(3\le X<7)=P(X\le 7)-P(X\le 3)\). El percentil 95 es el \(x\) con \(P(X\le x)=0.95\).
Cálculo en R
al7 <- 3; l7 <- 0.5
p7a <- pgamma(4, shape = al7, rate = l7)
p7b <- pgamma(8, shape = al7, rate = l7, lower.tail = FALSE)
p7c <- pgamma(7, shape = al7, rate = l7) - pgamma(3, shape = al7, rate = l7)
x7d <- qgamma(0.95, shape = al7, rate = l7)
E7 <- al7 / l7
V7 <- al7 / l7^2
tabla(c("P(X ≤ 4)", "P(X > 8)", "P(3 ≤ X < 7)", "Percentil 95", "E[X]", "V[X]"),
c(f(p7a), f(p7b), f(p7c), f(x7d, 3), f(E7, 1), f(V7, 1)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 4) | 0.3233 |
| P(X > 8) | 0.2381 |
| P(3 ≤ X < 7) | 0.4880 |
| Percentil 95 | 12.592 |
| E[X] | 6.0 |
| V[X] | 12.0 |
Gráfica
graficar(function(x) dgamma(x, shape = al7, rate = l7), 0, 24, sombras = list(c(3, 7)),
guias = c("E[X] = 6" = E7),
titulo = "Problema 7 · Gamma(α = 3, λ = 0.5)",
subtitulo = "Zona naranja: P(3 ≤ X < 7)")Respuesta
Qué nos piden. La beta vive siempre entre 0 y 1, ideal para proporciones. Como \(\beta>\alpha\), la curva se carga hacia valores menores a 0.5, con una cola hacia la derecha.
Procedimiento. El área acumulada se calcula con
pbeta. Media y varianza:
\[E[X]=\frac{\alpha}{\alpha+\beta}=\frac{2.5}{6.5},\qquad V[X]=\frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}=\frac{2.5\times 4}{6.5^2\times 7.5}\]
Cálculo en R
a8 <- 2.5; b8 <- 4
p8a <- pbeta(0.30, a8, b8)
p8b <- pbeta(0.60, a8, b8, lower.tail = FALSE)
p8c <- pbeta(0.50, a8, b8) - pbeta(0.20, a8, b8)
x8d <- qbeta(0.75, a8, b8)
E8 <- a8 / (a8 + b8)
V8 <- a8 * b8 / ((a8 + b8)^2 * (a8 + b8 + 1))
tabla(c("P(X ≤ 0.30)", "P(X > 0.60)", "P(0.20 ≤ X < 0.50)", "Percentil 75", "E[X]", "V[X]"),
c(f(p8a), f(p8b), f(p8c), f(x8d), f(E8), f(V8)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 0.30) | 0.3522 |
| P(X > 0.60) | 0.1300 |
| P(0.20 ≤ X < 0.50) | 0.5723 |
| Percentil 75 | 0.5088 |
| E[X] | 0.3846 |
| V[X] | 0.0316 |
Gráfica
graficar(function(x) dbeta(x, a8, b8), 0.001, 0.999, sombras = list(c(0.20, 0.50)),
guias = c("E[X] = 0.385" = E8),
titulo = "Problema 8 · Beta(2.5, 4)",
subtitulo = "Zona naranja: P(0.20 ≤ X < 0.50)")Respuesta
La Weibull se usa para tiempos de vida o de falla.
La forma \(k\) dice cómo cambia el
riesgo con el tiempo, y la escala \(\lambda=1000\) da el orden de magnitud (en
R: scale). Tiene fórmula cerrada:
\[P(X\le x)=1-e^{-(x/\lambda)^k},\qquad P(X>x)=e^{-(x/\lambda)^k}\]
Procedimiento
Cálculo en R
k9 <- 2; s9 <- 1000
p9a <- pweibull(500, k9, s9)
p9b <- pweibull(1200, k9, s9, lower.tail = FALSE)
p9c <- pweibull(1000, k9, s9) - pweibull(600, k9, s9)
med9 <- qweibull(0.50, k9, s9)
x9e <- qweibull(0.90, k9, s9)
tabla(c("P(X ≤ 500)", "P(X > 1200)", "P(600 ≤ X < 1000)", "Mediana", "Percentil 90"),
c(f(p9a), f(p9b), f(p9c), f(med9, 2), f(x9e, 2)))| Pregunta | Resultado |
|---|---|
| P(X ≤ 500) | 0.2212 |
| P(X > 1200) | 0.2369 |
| P(600 ≤ X < 1000) | 0.3298 |
| Mediana | 832.55 |
| Percentil 90 | 1517.43 |
Gráfica
graficar(function(x) dweibull(x, k9, s9), 0, 2800, sombras = list(c(600, 1000)),
guias = c("mediana" = med9),
titulo = "Problema 9 · Weibull(k = 2, λ = 1000)",
subtitulo = "Zona naranja: P(600 ≤ X < 1000)")Respuesta
El tiempo de validación se reparte parejo entre 1.5 y 4.5 segundos: uniforme con \(a=1.5\) y \(b=4.5\) (rango de 3 s). El criterio de ingeniería tiene dos partes: que \(P(X<3)\) supere el 45 %, y llamar “excepcionalmente lenta” a una validación dentro del 10 % más lento.
Procedimiento
Cálculo en R
a10 <- 1.5; b10 <- 4.5
p10b <- punif(3, a10, b10)
p10c <- punif(4, a10, b10) - punif(2, a10, b10)
x10d <- qunif(0.90, a10, b10)
cumple10 <- p10b > 0.45
tabla(c("P(X < 3)", "P(2 < X < 4)", "Inicio del 10% más lento", "¿P(X < 3) > 0.45?"),
c(f(p10b), f(p10c), paste(f(x10d, 2), "s"), ifelse(cumple10, "Sí", "No")))| Pregunta | Resultado |
|---|---|
| P(X < 3) | 0.5000 |
| P(2 < X < 4) | 0.6667 |
| Inicio del 10% más lento | 4.20 s |
| ¿P(X < 3) > 0.45? | Sí |
Gráfica
graficar(function(x) dunif(x, a10, b10), 1.2, 4.8, sombras = list(c(x10d, b10)),
guias = c("P90 = 4.2 s" = x10d),
titulo = "Problema 10 · Validación, Uniforme(1.5, 4.5)",
subtitulo = "Zona naranja: el 10 % de las validaciones más lentas",
xlab = "Segundos")Respuesta
Hay dos reglas distintas que conviene no mezclar:
Procedimiento
Cálculo en R
mu11 <- 500; s11 <- 8
p11b <- pnorm(515, mu11, s11) - pnorm(485, mu11, s11) # aceptación
p11c <- pnorm(520, mu11, s11, lower.tail = FALSE)
rev11 <- qnorm(c(0.02, 0.98), mu11, s11) # región de revisión
fuera11 <- 10000 * (1 - p11b)
tabla(c("Proporción dentro de 485–515 g", "P(X > 520)",
"Peso que deja el 2% más liviano", "Peso que deja el 2% más pesado",
"Bolsas fuera del intervalo (de 10 000)"),
c(f(p11b), f(p11c), f(rev11[1], 2), f(rev11[2], 2), round(fuera11)))| Pregunta | Resultado |
|---|---|
| Proporción dentro de 485–515 g | 0.9392 |
| P(X > 520) | 0.0062 |
| Peso que deja el 2% más liviano | 483.57 |
| Peso que deja el 2% más pesado | 516.43 |
| Bolsas fuera del intervalo (de 10 000) | 608 |
Para el análisis del último punto, comparamos distintos niveles de variabilidad y una máquina descentrada:
esc <- data.frame(
Escenario = c("μ = 500, σ = 4", "μ = 500, σ = 8 (el del problema)", "μ = 500, σ = 12",
"μ = 500, σ = 15", "μ = 505, σ = 8 (descentrada)"),
mu = c(500, 500, 500, 500, 505),
sigma = c(4, 8, 12, 15, 8)
)
esc$fuera <- with(esc, 1 - (pnorm(515, mu, sigma) - pnorm(485, mu, sigma)))
kable(data.frame(Escenario = esc$Escenario,
`Fuera de 485–515` = pc(esc$fuera, 2),
`Bolsas fuera por cada 10 000` = round(esc$fuera * 10000),
check.names = FALSE),
align = "lrr")| Escenario | Fuera de 485–515 | Bolsas fuera por cada 10 000 |
|---|---|---|
| μ = 500, σ = 4 | 0.02% | 2 |
| μ = 500, σ = 8 (el del problema) | 6.08% | 608 |
| μ = 500, σ = 12 | 21.13% | 2113 |
| μ = 500, σ = 15 | 31.73% | 3173 |
| μ = 505, σ = 8 (descentrada) | 11.19% | 1119 |
Gráfica
graficar(function(x) dnorm(x, mu11, s11), 470, 530,
sombras = list(c(-Inf, rev11[1]), c(rev11[2], Inf)),
guias = c("485 g" = 485, "515 g" = 515),
titulo = "Problema 11 · Peso de las bolsas, Normal(500, 8²)",
subtitulo = "Zonas naranjas: 2 % más liviano y 2 % más pesado (revisión). Líneas: límites de aceptación",
xlab = "Peso (g)")Respuesta
Nota. Las bolsas entre 483.57 y 485 g (y entre 515 y 516.43 g) tampoco se aceptan, aunque no entran en la regla de revisión del 2 %.
Convertir porcentajes de estudiantes (“el 10 % superior”, “el 15 % inferior”) en puntajes de corte, es decir, buscar percentiles. Para pasar a cantidades de estudiantes, multiplicamos por el total.
Procedimiento
Cálculo en R
mu12 <- 70; s12 <- 10
p12b <- pnorm(85, mu12, s12) - pnorm(65, mu12, s12)
x12c <- qnorm(0.90, mu12, s12) # corte del 10% superior
x12d <- qnorm(0.15, mu12, s12) # corte del 15% inferior
p12e <- pnorm(90, mu12, s12, lower.tail = FALSE)
reco12 <- 600 * 0.10
acom12 <- 600 * 0.15
tabla(c("P(65 ≤ X ≤ 85)", "Puntaje mínimo del 10% superior", "Puntaje máximo del 15% inferior",
"P(X > 90)", "Estudiantes reconocidos (de 600)", "Estudiantes con acompañamiento (de 600)"),
c(f(p12b), f(x12c, 2), f(x12d, 2), f(p12e), reco12, acom12))| Pregunta | Resultado |
|---|---|
| P(65 ≤ X ≤ 85) | 0.6247 |
| Puntaje mínimo del 10% superior | 82.82 |
| Puntaje máximo del 15% inferior | 59.64 |
| P(X > 90) | 0.0228 |
| Estudiantes reconocidos (de 600) | 60 |
| Estudiantes con acompañamiento (de 600) | 90 |
Gráfica
graficar(function(x) dnorm(x, mu12, s12), 30, 110,
sombras = list(c(-Inf, x12d), c(x12c, Inf)),
guias = c("P15" = x12d, "P90" = x12c),
titulo = "Problema 12 · Calificaciones, Normal(70, 10²)",
subtitulo = "Izquierda: 15 % inferior (acompañamiento). Derecha: 10 % superior (reconocimiento)",
xlab = "Puntaje")Respuesta
El tiempo hasta la primera interrupción es exponencial. Si la media es 200 horas, la tasa es su inverso: \(\lambda=\dfrac{1}{200}=0.005\) por hora.
Procedimiento
\[P(X>250\mid X>150)=\frac{P(X>250)}{P(X>150)}=\frac{e^{-1.25}}{e^{-0.75}}=e^{-0.5}=P(X>100)\]
Cálculo en R
l13 <- 1 / 200
p13b <- pexp(300, l13, lower.tail = FALSE)
p13c <- pexp(250, l13) - pexp(100, l13)
x13d <- qexp(0.20, l13)
# Condicional con la definición, y directo con la falta de memoria
p13e_cond <- pexp(250, l13, lower.tail = FALSE) / pexp(150, l13, lower.tail = FALSE)
p13e_dir <- pexp(100, l13, lower.tail = FALSE)
tabla(c("λ (por hora)", "P(X > 300)", "P(100 < X < 250)", "Tiempo con 20% acumulado",
"P(X > 250 | X > 150), por definición", "P(X > 100), usando falta de memoria"),
c(f(l13, 3), f(p13b), f(p13c), paste(f(x13d, 2), "h"), f(p13e_cond), f(p13e_dir)))| Pregunta | Resultado |
|---|---|
| λ (por hora) | 0.005 |
| P(X > 300) | 0.2231 |
| P(100 < X < 250) | 0.3200 |
| Tiempo con 20% acumulado | 44.63 h |
| P(X > 250 | X > 150), por definición | 0.6065 |
| P(X > 100), usando falta de memoria | 0.6065 |
Gráfica
graficar(function(x) dexp(x, l13), 0, 1000, sombras = list(c(0, x13d)),
guias = c("20 % acumulado ≈ 44.6 h" = x13d),
titulo = "Problema 13 · Interrupciones, Exponencial(λ = 0.005)",
subtitulo = "Zona naranja: el 20 % de las interrupciones que ocurren primero",
xlab = "Horas")Respuesta
Los costos (en millones de pesos) son asimétricos: la mayoría moderados y algunos muy altos. Eso encaja con una lognormal, donde \(\ln(X)\sim N(1.2,\,0.5^2)\). Igual que en el Problema 6, 1.2 y 0.5 pertenecen al logaritmo del costo.
Procedimiento
Cálculo en R
ml14 <- 1.2; sl14 <- 0.5
p14b <- plnorm(3, ml14, sl14)
p14c <- plnorm(5, ml14, sl14, lower.tail = FALSE)
med14 <- qlnorm(0.50, ml14, sl14)
x14e <- qlnorm(0.95, ml14, sl14)
E14 <- exp(ml14 + sl14^2 / 2)
tabla(c("P(X < 3)", "P(X > 5)", "Costo mediano", "Valor superado solo por el 5%", "Costo medio"),
c(f(p14b), f(p14c), paste(f(med14, 3), "millones"), paste(f(x14e, 3), "millones"),
paste(f(E14, 3), "millones")))| Pregunta | Resultado |
|---|---|
| P(X < 3) | 0.4197 |
| P(X > 5) | 0.2064 |
| Costo mediano | 3.320 millones |
| Valor superado solo por el 5% | 7.557 millones |
| Costo medio | 3.762 millones |
Gráfica
graficar(function(x) dlnorm(x, ml14, sl14), 0.01, 16, sombras = list(c(x14e, Inf)),
guias = c("mediana" = med14, "media" = E14),
titulo = "Problema 14 · Costo, Lognormal(1.2, 0.5²)",
subtitulo = "Zona naranja: el 5 % de las reparaciones más costosas",
xlab = "Costo (millones de pesos)")Respuesta
Una solicitud pasa por varias etapas seguidas, y el tiempo total encaja con una gamma: la forma \(\alpha=4\) se puede ver como “4 etapas” y \(\lambda=0.20\) por minuto indica qué tan rápido avanza cada una. La meta de servicio: que al menos el 80 % de las solicitudes termine en menos de 30 minutos.
Procedimiento
pgamma.Cálculo en R
al15 <- 4; l15 <- 0.20
E15 <- al15 / l15
p15c <- pgamma(30, al15, l15)
p15d <- pgamma(25, al15, l15) - pgamma(15, al15, l15)
x15e <- qgamma(0.90, al15, l15)
cumple15 <- p15c >= 0.80
tabla(c("Tiempo promedio", "P(X < 30)", "P(15 < X < 25)", "Percentil 90", "¿P(X < 30) ≥ 0.80?"),
c(paste(f(E15, 1), "min"), f(p15c), f(p15d), paste(f(x15e, 2), "min"),
ifelse(cumple15, "Sí", "No")))| Pregunta | Resultado |
|---|---|
| Tiempo promedio | 20.0 min |
| P(X < 30) | 0.8488 |
| P(15 < X < 25) | 0.3822 |
| Percentil 90 | 33.40 min |
| ¿P(X < 30) ≥ 0.80? | Sí |
Gráfica
graficar(function(x) dgamma(x, al15, l15), 0, 80, sombras = list(c(0, 30)),
guias = c("E[X] = 20" = E15, "30 min" = 30),
titulo = "Problema 15 · Atención, Gamma(α = 4, λ = 0.20)",
subtitulo = "Zona naranja: solicitudes resueltas en menos de 30 minutos",
xlab = "Minutos")Respuesta
Qué nos piden. curva se carga hacia valores altos: la planta suele trabajar a buena capacidad. La gerencia define: alta utilización = más de 0.80, baja utilización = menos de 0.50.
Procedimiento
Cálculo en R
a16 <- 5; b16 <- 2
E16 <- a16 / (a16 + b16)
p16c <- pbeta(0.80, a16, b16, lower.tail = FALSE) # alta utilización
p16d <- pbeta(0.50, a16, b16) # baja utilización
x16e <- qbeta(0.90, a16, b16)
dias16 <- 250 * p16c
tabla(c("Utilización promedio", "P(X > 0.80)", "P(X < 0.50)",
"Nivel superado solo por el 10% de los días", "Días esperados con X > 0.80 (de 250)"),
c(f(E16), f(p16c), f(p16d), f(x16e), f(dias16, 1)))| Pregunta | Resultado |
|---|---|
| Utilización promedio | 0.7143 |
| P(X > 0.80) | 0.3446 |
| P(X < 0.50) | 0.1094 |
| Nivel superado solo por el 10% de los días | 0.9074 |
| Días esperados con X > 0.80 (de 250) | 86.2 |
Gráfica
graficar(function(x) dbeta(x, a16, b16), 0.001, 0.999, sombras = list(c(0.80, 1)),
guias = c("E[X] = 0.714" = E16, "P90" = x16e),
titulo = "Problema 16 · Utilización, Beta(5, 2)",
subtitulo = "Zona naranja: días de alta utilización (más del 80 %)",
xlab = "Proporción de capacidad utilizada")Respuesta
La Weibull modela cuánto dura un componente. La forma \(k=2.5\) dice cómo cambia el riesgo de falla con la edad, y la escala \(\lambda=5000\) h marca el orden de magnitud de la vida útil. Mantenimiento quiere reemplazar los rodamientos antes de que haya fallado más del 10 %; es decir, buscamos el tiempo en que la probabilidad acumulada de falla es 0.10.
Procedimiento. Con \(P(X\le x)=1-e^{-(x/5000)^{2.5}}\):
Cálculo en R
k17 <- 2.5; s17 <- 5000
p17b <- pweibull(3000, k17, s17)
p17c <- pweibull(6000, k17, s17, lower.tail = FALSE)
x17d <- qweibull(0.10, k17, s17) # tiempo con 10% de fallas
med17 <- qweibull(0.50, k17, s17)
reemplazo <- 2000 # propuesta: redondeo hacia abajo
p17g <- pweibull(reemplazo, k17, s17) # fallas esperadas antes del reemplazo
tabla(c("P(X < 3000)", "P(X > 6000)", "Tiempo con 10% de fallas", "Mediana",
"Reemplazo propuesto", "P(falla antes del reemplazo)"),
c(f(p17b), f(p17c), paste(f(x17d, 1), "h"), paste(f(med17, 1), "h"),
paste(reemplazo, "h"), f(p17g)))| Pregunta | Resultado |
|---|---|
| P(X < 3000) | 0.2434 |
| P(X > 6000) | 0.2065 |
| Tiempo con 10% de fallas | 2032.5 h |
| Mediana | 4318.2 h |
| Reemplazo propuesto | 2000 h |
| P(falla antes del reemplazo) | 0.0962 |
Gráficas. La primera muestra la vida útil; la segunda, la tasa de falla \(h(t)=\dfrac{k}{\lambda}\left(\dfrac{t}{\lambda}\right)^{k-1}\), que indica qué tan probable es que un rodamiento que sigue vivo en el tiempo \(t\) falle justo ahora.
graficar(function(x) dweibull(x, k17, s17), 0, 12000, sombras = list(c(0, x17d)),
guias = c("10 % de fallas" = x17d, "mediana" = med17),
titulo = "Problema 17 · Vida útil, Weibull(2.5, 5000)",
subtitulo = "Zona naranja: el 10 % de rodamientos que fallan primero",
xlab = "Horas")t17 <- seq(1, 12000, length.out = 500)
h17 <- (k17 / s17) * (t17 / s17)^(k17 - 1)
ggplot(data.frame(t = t17, h = h17), aes(t, h)) +
geom_line(color = col_curva, linewidth = 1.2) +
labs(title = "Tasa de falla del rodamiento",
subtitle = "Con k = 2.5 > 1, el riesgo crece a medida que el rodamiento envejece",
x = "Horas", y = "Tasa de falla h(t)") +
theme_minimal(base_size = 12) +
theme(plot.title = element_text(face = "bold", color = col_curva),
panel.grid.minor = element_blank())Respuesta
resumen <- data.frame(
Problema = 1:17,
Modelo = c("Uniforme(20, 50)", "Normal(100, 15²)", "Normal(72, 8²)", "Normal(500, 40²)",
"Exponencial(0.25)", "Lognormal(3.5, 0.40²)", "Gamma(3, 0.5)", "Beta(2.5, 4)",
"Weibull(2, 1000)", "Uniforme(1.5, 4.5)", "Normal(500, 8²)", "Normal(70, 10²)",
"Exponencial(0.005)", "Lognormal(1.2, 0.5²)", "Gamma(4, 0.20)", "Beta(5, 2)",
"Weibull(2.5, 5000)"),
`Resultado clave` = c(
paste0("P(X ≤ 30) = ", f(p1a), "; E[X] = ", f(E1, 0), "; V[X] = ", f(V1, 0)),
paste0("P(X ≤ 85) = ", f(p2a), "; 95% central: (", f(ic2[1], 1), ", ", f(ic2[2], 1), ")"),
paste0("P(X < 60) = ", f(p3a), "; P90 = ", f(x3d, 2)),
paste0("P(X ≤ 450) = ", f(p4a), "; P99 = ", f(x4e, 1)),
paste0("P(X ≤ 2) = ", f(p5a), "; E[X] = ", f(E5, 0), "; V[X] = ", f(V5, 0)),
paste0("Mediana = ", f(med6, 2), "; E[X] = ", f(E6, 2)),
paste0("P(X ≤ 4) = ", f(p7a), "; E[X] = ", f(E7, 0), "; V[X] = ", f(V7, 0)),
paste0("P(X ≤ 0.30) = ", f(p8a), "; E[X] = ", f(E8)),
paste0("P(X ≤ 500) = ", f(p9a), "; Mediana = ", f(med9, 1)),
paste0("P(X < 3) = ", f(p10b), " → cumple el criterio (> 0.45)"),
paste0("Aceptadas: ", pc(p11b, 2), "; ~", round(fuera11), " fuera por cada 10 000"),
paste0("10% superior desde ", f(x12c, 1), " pts; 15% inferior hasta ", f(x12d, 1), " pts"),
paste0("λ = ", f(l13, 3), "; mantenimiento a las ", f(x13d, 1), " h; P(X > 250 | X > 150) = ", f(p13e_cond)),
paste0("Mediana = ", f(med14, 2), " M; Media = ", f(E14, 2), " M"),
paste0("E[X] = ", f(E15, 0), " min; P(X < 30) = ", f(p15c), " → cumple la meta (≥ 0.80)"),
paste0("E[X] = ", f(E16, 3), "; P(X > 0.80) = ", f(p16c), "; ~", round(dias16), " días de 250"),
paste0("10% de fallas a las ", f(x17d, 0), " h; mediana = ", f(med17, 0), " h; reemplazo: ", reemplazo, " h")
),
check.names = FALSE
)
kable(resumen, align = "clll")| Problema | Modelo | Resultado clave |
|---|---|---|
| 1 | Uniforme(20, 50) | P(X ≤ 30) = 0.3333; E[X] = 35; V[X] = 75 |
| 2 | Normal(100, 15²) | P(X ≤ 85) = 0.1587; 95% central: (70.6, 129.4) |
| 3 | Normal(72, 8²) | P(X < 60) = 0.0668; P90 = 82.25 |
| 4 | Normal(500, 40²) | P(X ≤ 450) = 0.1056; P99 = 593.1 |
| 5 | Exponencial(0.25) | P(X ≤ 2) = 0.3935; E[X] = 4; V[X] = 16 |
| 6 | Lognormal(3.5, 0.40²) | Mediana = 33.12; E[X] = 35.87 |
| 7 | Gamma(3, 0.5) | P(X ≤ 4) = 0.3233; E[X] = 6; V[X] = 12 |
| 8 | Beta(2.5, 4) | P(X ≤ 0.30) = 0.3522; E[X] = 0.3846 |
| 9 | Weibull(2, 1000) | P(X ≤ 500) = 0.2212; Mediana = 832.6 |
| 10 | Uniforme(1.5, 4.5) | P(X < 3) = 0.5000 → cumple el criterio (> 0.45) |
| 11 | Normal(500, 8²) | Aceptadas: 93.92%; ~608 fuera por cada 10 000 |
| 12 | Normal(70, 10²) | 10% superior desde 82.8 pts; 15% inferior hasta 59.6 pts |
| 13 | Exponencial(0.005) | λ = 0.005; mantenimiento a las 44.6 h; P(X > 250 | X > 150) = 0.6065 |
| 14 | Lognormal(1.2, 0.5²) | Mediana = 3.32 M; Media = 3.76 M |
| 15 | Gamma(4, 0.20) | E[X] = 20 min; P(X < 30) = 0.8488 → cumple la meta (≥ 0.80) |
| 16 | Beta(5, 2) | E[X] = 0.714; P(X > 0.80) = 0.3446; ~86 días de 250 |
| 17 | Weibull(2.5, 5000) | 10% de fallas a las 2033 h; mediana = 4318 h; reemplazo: 2000 h |
Documento elaborado en R Markdown. Usa el botón Code de cada bloque, o el menú Code de la parte superior, para mostrar u ocultar el código.