Cosas importantes a tener en cuenta en esta actividad (Nota personal)

  • En una variable continua, la probabilidad es un área bajo la curva. El área total vale 1.
  • Un solo punto tiene probabilidad cero. Por eso \(P(X \le x)\) y \(P(X < x)\) dan lo mismo.
  • Hay dos tipos de pregunta: “¿qué probabilidad hay de…?” (nos dan un valor y buscamos un área; en R usamos las funciones que empiezan por 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.


Parte A · Problemas de cálculo directo

Problema 1 · Uniforme entre 20 y 50

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

  1. Densidad: \(f(x)=\dfrac{1}{b-a}=\dfrac{1}{30}\) para \(20\le x\le 50\).
  2. Probabilidades (largo del intervalo ÷ 30):
    • \(P(X\le 30)=\dfrac{30-20}{30}\)
    • \(P(X>42)=\dfrac{50-42}{30}\)
    • \(P(25\le X<40)=\dfrac{40-25}{30}\)
  3. Valor con \(P(X\le x)=0.80\): \(x = 20 + 0.80\times 30\).
  4. Media y varianza: \(E[X]=\dfrac{a+b}{2}\) y \(V[X]=\dfrac{(b-a)^2}{12}\).

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

  • \(P(X\le 30)=\) 0.3333: un tercio de los valores queda por debajo de 30.
  • \(P(X>42)=\) 0.2667: algo más de una cuarta parte supera 42.
  • \(P(25\le X<40)=\) 0.5000: la mitad del rango cae entre 25 y 40.
  • El valor que deja el 80 % por debajo es 44.
  • \(E[X]=\) 35 (el centro del rango) y \(V[X]=\) 75.

Problema 2 · Normal con media 100 y desviación 15

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 \(z=\dfrac{x-100}{15}\):

  • \(P(X\le 85)\): \(z=-1\), así que buscamos \(P(Z\le -1)\).
  • \(P(X>120)\): \(z=1.33\), así que buscamos \(P(Z>1.33)\).
  • \(P(90\le X<115)\): \(z_1=-0.67\) y \(z_2=1\), así que \(P(Z<1)-P(Z<-0.67)\).
  • Valor con \(P(X\le x)=0.95\): \(z_{0.95}=1.645\) y \(x=100+1.645\times 15\).
  • 95 % central: deja 2.5 % en cada cola, de \(100-1.96\times 15\) a \(100+1.96\times 15\).

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

  • \(P(X\le 85)=\) 0.1587 (≈ 15.9%): quedar una desviación o más por debajo de la media.
  • \(P(X>120)=\) 0.0912 (≈ 9.1%).
  • \(P(90\le X<115)=\) 0.5889: casi 6 de cada 10 valores caen en ese tramo.
  • El valor que deja el 95 % por debajo es 124.67.
  • El 95 % central va de 70.6 a 129.4.

Problema 3 · Normal con media 72 y desviación 8

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 \(z=\dfrac{x-72}{8}\):

  • \(P(X<60)\): \(z=-1.5\).
  • \(P(X\ge 80)\): \(z=1\). Por simetría vale lo mismo que \(P(X\le 64)\).
  • \(P(68\le X\le 76)\): \(z=\pm 0.5\), intervalo simétrico, así que \(P=2\,P(0<Z<0.5)\).
  • Percentil 90: \(z_{0.90}=1.2816\), entonces \(x=72+1.2816\times 8\).
  • Valor que deja el 5 % arriba (percentil 95): \(z_{0.95}=1.645\), entonces \(x=72+1.645\times 8\).

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

  • \(P(X<60)=\) 0.0668 (≈ 6.7%).
  • \(P(X\ge 80)=\) 0.1587 (≈ 15.9%).
  • \(P(68\le X\le 76)=\) 0.3829: casi 4 de cada 10 valores quedan a menos de media desviación de la media.
  • Percentil 90: 82.25.
  • El valor que deja el 5 % por encima es 85.16.

Problema 4 · Normal con media 500 y desviación 40

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 \(z=\dfrac{x-500}{40}\):

  • \(P(X\le 450)\): \(z=-1.25\).
  • \(P(X>575)\): \(z=\dfrac{75}{40}=1.875\).
  • \(P(480<X<540)\): \(z_1=-0.5\) y \(z_2=1\).
  • 80 % central: deja 10 % en cada cola; sus límites son los percentiles 10 y 90, \(x=500\mp 1.2816\times 40\).
  • Percentil 99: \(z_{0.99}=2.326\), entonces \(x=500+2.326\times 40\).

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

  • \(P(X\le 450)=\) 0.1056 (≈ 10.6%).
  • \(P(X>575)=\) 0.0304 (≈ 3.0%): superar 575 es poco frecuente.
  • \(P(480<X<540)=\) 0.5328: un poco más de la mitad de los valores.
  • El 80 % central va de 448.7 a 551.3.
  • El percentil 99 es 593.1: solo 1 de cada 100 valores lo supera.

Problema 5 · Exponencial con tasa 0.25

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

  • \(P(X\le 2)=1-e^{-0.25\times 2}=1-e^{-0.5}\)
  • \(P(X>5)=e^{-0.25\times 5}=e^{-1.25}\)
  • \(P(2<X\le 6)=e^{-0.5}-e^{-1.5}\)
  • Valor con \(P(X\le x)=0.90\): despejamos \(1-e^{-0.25x}=0.90\), o sea \(x=\dfrac{-\ln(0.10)}{0.25}\).
  • \(E[X]=\dfrac{1}{\lambda}=4\) y \(V[X]=\dfrac{1}{\lambda^2}=16\).

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

  • \(P(X\le 2)=\) 0.3935: casi 4 de cada 10 veces el evento ocurre en las primeras 2 unidades de tiempo.
  • \(P(X>5)=\) 0.2865: cerca del 29% de las veces hay que esperar más de 5.
  • \(P(2<X\le 6)=\) 0.3834.
  • El valor que deja el 90 % por debajo es 9.21.
  • \(E[X]=\) 4 y \(V[X]=\) 16 (la desviación, 4, es igual a la media: rasgo típico de la exponencial).

Problema 6 · Lognormal con \(\mu = 3.5\) y \(\sigma = 0.40\)

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 \(z=\dfrac{\ln(x)-3.5}{0.40}\):

  • \(P(X\le 25)\): \(z=\dfrac{3.2189-3.5}{0.40}=-0.70\).
  • \(P(X>50)\): \(z=\dfrac{3.9120-3.5}{0.40}=1.03\).
  • \(P(20\le X<40)\): \(z_1=-1.26\) y \(z_2=0.47\).
  • Mediana: \(e^{3.5}\) (la mediana de \(\ln X\) es 3.5).
  • Percentil 90: \(x=e^{3.5+1.2816\times 0.40}\).
  • Media y varianza:

\[E[X]=e^{\mu+\sigma^2/2},\qquad V[X]=\left(e^{\sigma^2}-1\right)e^{2\mu+\sigma^2}\]

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

  • \(P(X\le 25)=\) 0.2411 (≈ 24%).
  • \(P(X>50)=\) 0.1515 (≈ 15%).
  • \(P(20\le X<40)=\) 0.5779: más de la mitad de los valores.
  • Mediana 33.12; percentil 90 55.29.
  • \(E[X]=\) 35.87 y \(V[X]=\) 223.29. La media es mayor que la mediana porque la cola derecha, larga, “jala” el promedio hacia arriba.

Problema 7 · Gamma con forma \(\alpha = 3\) y tasa \(\lambda = 0.5\)

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

  • \(P(X\le 4)=\) 0.3233 (≈ 32%).
  • \(P(X>8)=\) 0.2381 (≈ 24%).
  • \(P(3\le X<7)=\) 0.4880: casi la mitad de los valores.
  • Percentil 95 ≈ 12.59: solo 5 de cada 100 valores lo superan.
  • \(E[X]=\) 6 y \(V[X]=\) 12.

Problema 8 · Beta con \(\alpha = 2.5\) y \(\beta = 4\)

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

  • \(P(X\le 0.30)=\) 0.3522 (≈ 35%).
  • \(P(X>0.60)=\) 0.1300 (≈ 13%): los valores altos son poco frecuentes.
  • \(P(0.20\le X<0.50)=\) 0.5723: más de la mitad de los valores.
  • Percentil 75: 0.5088.
  • \(E[X]=\) 0.3846 y \(V[X]=\) 0.0316. El centro queda por debajo de 0.5, como se esperaba al ver que \(\beta>\alpha\).

Problema 9 · Weibull con forma \(k = 2\) y escala \(\lambda = 1000\)

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

  • \(P(X\le 500)=1-e^{-(0.5)^2}=1-e^{-0.25}\)
  • \(P(X>1200)=e^{-(1.2)^2}=e^{-1.44}\)
  • \(P(600\le X<1000)=e^{-0.36}-e^{-1}\)
  • Mediana: \(x=1000\,(\ln 2)^{1/2}\).
  • Percentil 90: \(x=1000\,(\ln 10)^{1/2}\).

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

  • \(P(X\le 500)=\) 0.2212 (≈ 22%).
  • \(P(X>1200)=\) 0.2369 (≈ 24%).
  • \(P(600\le X<1000)=\) 0.3298: cerca de un tercio de los valores.
  • Mediana ≈ 832.6: la mitad de los valores queda por debajo.
  • Percentil 90 ≈ 1517.4.

Parte B · Minicasos

Problema 10 · Validación de pedidos (uniforme entre 1.5 y 4.5 s)

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

  1. Modelo: \(X\sim U(1.5,\,4.5)\), con \(f(x)=\dfrac{1}{3}\).
  2. \(P(X<3)=\dfrac{3-1.5}{3}\).
  3. \(P(2<X<4)=\dfrac{4-2}{3}\).
  4. Inicio del 10 % más lento (percentil 90): \(x=1.5+0.90\times 3\).
  5. Evaluación: comparamos \(P(X<3)\) con 0.45.

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

  • Modelo: uniforme continua entre 1.5 s y 4.5 s.
  • \(P(X<3)=\) 0.5000 (50%) y \(P(2<X<4)=\) 0.6667 (≈ 67%).
  • Una validación es “excepcionalmente lenta” si tarda 4.20 s o más.
  • ¿Se cumple el criterio? Sí. La probabilidad de tardar menos de 3 s es del 50 %, por encima del 45 % exigido, aunque el margen es pequeño (5 puntos porcentuales).

Problema 11 · Máquina empacadora (normal, media 500 g y desviación 8 g)

Hay dos reglas distintas que conviene no mezclar:

  • Aceptación: la bolsa se acepta si pesa entre 485 y 515 g.
  • Revisión individual: se revisa si cae en el 2 % más liviano o en el 2 % más pesado.

Procedimiento

  1. Modelo: \(X\sim N(500,\,8^2)\).
  2. Aceptación: \(z=\dfrac{485-500}{8}=-1.875\) y \(z=\dfrac{515-500}{8}=1.875\), así que \(P(-1.875<Z<1.875)\).
  3. \(P(X>520)\): \(z=\dfrac{520-500}{8}=2.5\).
  4. Región de revisión (percentiles 2 y 98): \(x=500\mp 2.054\times 8\).
  5. Bolsas fuera de especificación en 10 000: \(10\,000\times(1-P_{\text{aceptación}})\).
  6. Análisis: comparar qué pasa con otras desviaciones o si la máquina se descentra.

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

  • Modelo: normal con \(\mu=500\) g y \(\sigma=8\) g.
  • Cumplen el intervalo de aceptación el 93.92% de las bolsas (0.9392).
  • \(P(X>520)=\) 0.0062 (≈ 0.6%): es muy raro que una bolsa pese más de 520 g.
  • Se revisan individualmente las bolsas con peso menor a 483.57 g o mayor a 516.43 g.
  • De 10 000 bolsas, se esperan unas 608 fuera del intervalo de aceptación.
  • ¿Basta con centrar en 500 g? No. Con el mismo promedio, las bolsas fuera de especificación pasan de 0.02% a 31.7% según la variabilidad (σ = 4 frente a σ = 15). Y un descentrado de solo 5 g (μ = 505) ya sube la proporción a 11.2%. Lo que define cuántas bolsas se salen no es solo el promedio, sino también qué tan dispersos son los pesos.

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 %.


Problema 12 · Calificaciones (normal, media 70 y desviación 10)

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

  1. Modelo: \(X\sim N(70,\,10^2)\).
  2. \(P(65\le X\le 85)\): \(z_1=\dfrac{65-70}{10}=-0.5\) y \(z_2=\dfrac{85-70}{10}=1.5\).
  3. 10 % superior (percentil 90): \(x=70+1.2816\times 10\).
  4. 15 % inferior (percentil 15): \(x=70-1.0364\times 10\).
  5. \(P(X>90)\): \(z=\dfrac{90-70}{10}=2\).
  6. Con 600 estudiantes: \(600\times 0.10\) y \(600\times 0.15\).

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

  • Modelo: normal con \(\mu=70\) y \(\sigma=10\) puntos.
  • \(P(65\le X\le 85)=\) 0.6247 (≈ 62%).
  • Reconocimiento (10 % superior): se necesitan al menos 82.8 puntos.
  • Acompañamiento (15 % inferior): corresponde a quienes obtengan 59.6 puntos o menos.
  • \(P(X>90)=\) 0.0228 (≈ 2.3%).
  • Con 600 estudiantes se espera que 60 reciban reconocimiento y 90 sean convocados a acompañamiento. Son cantidades esperadas: en la práctica pueden variar un poco (por ejemplo, 57 o 63 en lugar de 60).

Problema 13 · Interrupciones de un servidor (exponencial, media 200 h)

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

  1. \(\lambda=1/200=0.005\) por hora.
  2. \(P(X>300)=e^{-0.005\times 300}=e^{-1.5}\).
  3. \(P(100<X<250)=e^{-0.5}-e^{-1.25}\).
  4. Tiempo con 20 % acumulado: \(1-e^{-0.005x}=0.20\Rightarrow x=\dfrac{-\ln(0.80)}{0.005}\).
  5. Si ya operó 150 h, la probabilidad de durar al menos 100 h más es:

\[P(X>250\mid X>150)=\frac{P(X>250)}{P(X>150)}=\frac{e^{-1.25}}{e^{-0.75}}=e^{-0.5}=P(X>100)\]

  1. Esto ocurre por la falta de memoria de la exponencial.

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

  • Modelo: exponencial con \(\lambda=0.005\) por hora.
  • \(P(X>300)=\) 0.2231 (≈ 22%): el servidor pasa más de 300 h sin fallar en poco más de 1 de cada 5 casos.
  • \(P(100<X<250)=\) 0.3200 (32%).
  • La probabilidad acumulada llega al 20 % a las 44.6 horas: ese es el límite para programar el mantenimiento preventivo.
  • Si ya operó 150 h sin fallas, la probabilidad de que aguante al menos 100 h más es 0.6065 (≈ 61%).
  • ¿Qué propiedad lo permite? La falta de memoria: el servidor “no recuerda” las 150 h que lleva funcionando, así que la probabilidad de aguantar 100 h más es la misma que tenía al arrancar, \(P(X>100)=e^{-0.5}\).

Problema 14 · Costos de reparación (lognormal, \(\ln(X)\) con media 1.2 y desviación 0.5)

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

  1. Modelo: \(X\sim \text{Lognormal}(1.2,\,0.5^2)\).
  2. \(P(X<3)\): \(z=\dfrac{\ln 3-1.2}{0.5}=\dfrac{1.0986-1.2}{0.5}=-0.20\).
  3. \(P(X>5)\): \(z=\dfrac{\ln 5-1.2}{0.5}=\dfrac{1.6094-1.2}{0.5}=0.82\).
  4. Mediana: \(e^{1.2}\).
  5. Valor superado solo por el 5 % (percentil 95): \(x=e^{1.2+1.645\times 0.5}\).
  6. Media: \(e^{\mu+\sigma^2/2}=e^{1.2+0.125}\), que comparamos con la mediana.

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

  • Modelo: lognormal con \(\ln(X)\) de media 1.2 y desviación 0.5.
  • \(P(X<3)=\) 0.4197 (≈ 42%): menos de la mitad de las reparaciones cuesta menos de 3 millones.
  • \(P(X>5)=\) 0.2064 (≈ 21%).
  • Costo mediano: 3.32 millones. La mitad de las reparaciones cuesta menos que eso.
  • Costo superado solo por el 5 % de las reparaciones: 7.56 millones.
  • Media vs. mediana: la media (3.76 millones) es mayor que la mediana (3.32 millones). No tienen por qué coincidir, porque la distribución tiene cola larga a la derecha: unas pocas reparaciones muy costosas suben el promedio, pero casi no mueven la mediana. Con datos así, la mediana describe mejor el costo “típico”.

Problema 15 · Soporte técnico (gamma, forma 4 y tasa 0.20 por minuto)

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

  1. Modelo: \(X\sim\text{Gamma}(\alpha=4,\,\lambda=0.20)\).
  2. Tiempo promedio: \(E[X]=\dfrac{\alpha}{\lambda}=\dfrac{4}{0.20}\).
  3. \(P(X<30)\) con pgamma.
  4. \(P(15<X<25)=P(X<25)-P(X<15)\).
  5. Tiempo que no supera el 90 % de las solicitudes: percentil 90.
  6. Evaluación: comparar \(P(X<30)\) con 0.80.

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

  • Modelo: gamma con \(\alpha=4\) y \(\lambda=0.20\) por minuto.
  • Tiempo promedio de atención: 20 minutos.
  • \(P(X<30)=\) 0.8488 (≈ 85%) y \(P(15<X<25)=\) 0.3822 (≈ 38%).
  • El 90 % de las solicitudes se resuelve en 33.4 minutos o menos.
  • ¿Se cumple la meta? Sí. Cerca del 84.9% de las solicitudes se resuelve en menos de 30 minutos, por encima del 80 % buscado. Ojo: el promedio (20 min) no bastaba para saberlo, porque la promesa depende de la proporción de casos que termina a tiempo.

Problema 16 · Utilización de la planta (beta con \(\alpha = 5\) y \(\beta = 2\))

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

  1. Modelo: \(X\sim\text{Beta}(5,\,2)\).
  2. Utilización promedio: \(E[X]=\dfrac{\alpha}{\alpha+\beta}=\dfrac{5}{7}\).
  3. \(P(X>0.80)=1-P(X\le 0.80)\).
  4. \(P(X<0.50)\).
  5. Nivel superado solo por el 10 % de los días: percentil 90.
  6. Días esperados en 250: \(250\times P(X>0.80)\) (la probabilidad actúa como proporción de días).

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

  • Modelo: beta con \(\alpha=5\) y \(\beta=2\).
  • Utilización promedio: 0.714, cerca del 71.4% de la capacidad.
  • Alta utilización (> 80 %): probabilidad 0.3446 (≈ 34.5%).
  • Baja utilización (< 50 %): probabilidad 0.1094 (≈ 10.9%); son poco frecuentes.
  • Nivel superado solo por el 10 % de los días: 0.907 (≈ 90.7% de la capacidad).
  • En 250 días se esperan unos 86 días con utilización superior al 80 % (valor exacto: 86.2).

Problema 17 · Vida útil de rodamientos (Weibull, forma 2.5 y escala 5000 h)

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 \(P(X\le x)=1-e^{-(x/5000)^{2.5}}\):

  1. Modelo: \(X\sim\text{Weibull}(k=2.5,\,\lambda=5000)\).
  2. \(P(X<3000)=1-e^{-(0.6)^{2.5}}\).
  3. \(P(X>6000)=e^{-(1.2)^{2.5}}\).
  4. Tiempo con 10 % de fallas: \(x=5000\,(-\ln 0.90)^{1/2.5}\).
  5. Mediana: \(x=5000\,(\ln 2)^{1/2.5}\).
  6. Interpretación de \(k\): si \(k>1\), el riesgo de falla aumenta con la edad.
  7. Reemplazo: un tiempo menor o igual al del punto 4, para que a lo sumo el 10 % haya fallado.

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

  • Modelo: Weibull con \(k=2.5\) y \(\lambda=5000\) h.
  • \(P(X<3000)=\) 0.2434 (≈ 24%) y \(P(X>6000)=\) 0.2065 (≈ 21%).
  • El 10 % de fallas se alcanza a las 2033 horas.
  • Mediana de la vida útil: 4318 horas; la mitad de los rodamientos falla antes.
  • Sobre \(k=2.5\): como \(k>1\), la tasa de falla aumenta con el tiempo; el rodamiento se desgasta (lo muestra la segunda gráfica). Con \(k=1\) el riesgo sería constante y con \(k<1\) decrecería.
  • Reemplazo preventivo propuesto: cada 2000 horas. A ese tiempo habría fallado cerca del 9.6% de los rodamientos (0.0962), por debajo del 10 % exigido. El límite exacto es 2033 horas; se propone 2000 por ser una cifra redonda y ligeramente más segura.

Resumen de respuestas

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.