TALLER 2 Solucion

ESPECIALIZACIÓN EN GERENCIA DEL MANTENIMIENTO Y CONFIABILIDAD
ESTADÍSTICA Y CONFIABILIDAD. NRC: 53568
TALLER 2. ESTADÍSTICA
ANA MILENA ANGARITA ACOSTA

Ing. Metalúrgica
GILBERTO ALONSO VERA PABON

Ing. Electricista
Módulo II. Estadística y Confiabilidad

Especialización Gerencia en Mantenimiento y Confiabilidad
EDWIN DUGARTE
Decano Escuela de Ingeniería
UNIVERSIDAD PONTIFICA BOLIVARIANA

SECCIONAL BUCARAMANGA
2018
1. El 5% de las unidades producidas en una fábrica resultan defectuosas cuando el

proceso de fabricación se encuentra bajo control. Si el proceso está fuera de control,
se produce un 30% de unidades defectuosas. La probabilidad de que el proceso se
encuentre bajo control es de 0.92. Si A denota el evento La unidad producida es
defectuosa y B denote el evento el proceso de fabricación se encuentra bajo control.
A AC
B 0,046 0,874 0,92
BC 0,024 0,056 0,08
0,07 0,93 1
a) ¿Son independientes A y B?
Para comprobar si A y B son independientes es necesario usar alguna de las dos

propiedades de la independencia. De esta manera:
 Primera Identidad
Pr ⁡( A/ B)=Pr ⁡( A)
Pr ( A ∩B ) 0,046
Pr ⁡( A/ B)= = =0,05
Pr ( B ) 0,92
Pr ( A )=0,07
Pr ⁡( A/ B)=Pr ⁡( A)
0,05 ≠ 0,0 7
 Segunda Identidad
Pr ( A ∩ B )=Pr ( A )∗Pr ( B )
0,046=0,07∗0,92
0,046 ≠ 0,0644
Con base en lo anterior se puede decir que la ocurrencia de que “La unidad producida es
defectuosa” y de que “El proceso de fabricación se encuentra bajo control” no son
independientes, es decir debe ocurrir el uno para que se produzca el otro.
b) Si se escoge aleatoriamente una unidad y resulta defectuosa, entonces ¿Cuál es

la probabilidad de que el proceso se encuentre bajo control?
Pr ( A ∩B ) 0,046
Pr ⁡( A/ B)= = =0,0 5
Pr ( B ) 0,92
La probabilidad entonces de que el proceso se encuentre bajo control mientras se escoge

una unidad y esta resulta defectuosa, es equivalente al 5%.
c) Si se escoge aleatoriamente una unidad producida, ¿Cuál es la probabilidad de

que el proceso se haya encontrado bajo control o la unidad haya resultado
defectuosa?
Pr ( A ∪ B )=Pr ( A ) + Pr ( B )−Pr ⁡( A ∩ B)
Pr ( A ∪ B )=0,07 +0,92−0,046
Pr ( A ∪ B )=0,94 4
La probabilidad de que al escoger una unidad producida y que el proceso se haya

encontrado bajo control o la unidad haya resultado defectuosa, es igual al 94,4%.
2. Una gran institución financiera después de revisar sus archivos ha clasificado los
préstamos que ha adjudicado de acuerdo con el grado de riesgo en las modalidades
Poco riesgo (P), Riesgo moderado (M), alto riesgo (A). Además clasificó cada
préstamo según la entidad o persona a quién se le aprobó como personal (B),
mercantil (M). Los siguientes eventos y sus respectivas cuantificaciones se
presentaron: El 55% de los préstamos determinados de poco riesgo fueron de tipo
personal, el 45% de los préstamos determinados de riesgo moderado fueron de tipo
personal y el 80% de los préstamos determinados de alto riesgo fueron de tipo
mercantil. Si en total el 40% de los préstamos fue de poco riesgo, el 50% de riesgo
moderado y el 10% de alto riesgo.
P M A
B 0,22 0,225 0,02 0,465
m 0,18 0,275 0,08 0,535
0,4 0,5 0,10 1
Cuál es la probabilidad que al seleccionar aleatoriamente un préstamo se encuentre que:
a) ¿Sea un préstamo mercantil en la categoría de alto riesgo?

La probabilidad de que el préstamo sea mercantil en la categoría de alto riesgo es del

8%.
b) ¿Sea un préstamo de poco riesgo dado que es personal?
Pr ( P ∩ B ) 0,22
Pr ⁡( P/ B)= = =0,473
Pr ( B ) 0,465
La probabilidad de que un préstamo sea de poco riesgo dado que es personal,

equivale aproximadamente al 47,3%.
c) ¿Sea un préstamo de riesgo moderado o de poco riesgo?
Pr ( M ∪P )=Pr ( M ) + Pr ( P )
Pr ( M ∪ P )=0,50+0,40
Pr ( M ∪ P )=0,90
La probabilidad de que un préstamo sea moderado o de poco riesgo es del 90%.
d) ¿Sea un préstamo de alto riesgo o mercantil?
Pr ( A ∪m )=Pr ( A ) + Pr ( m )−Pr ( A ∩ m )
Pr ( A ∪m )=0,1+ 0,535−0,08
Pr ( A ∪ m )=0,55 5
La probabilidad de que un préstamo sea de alto riesgo o mercantil es de

aproximadamente del 55,5%.
e) ¿sea de alto riesgo si es mercantil?
Pr ( A ∩m ) 0,08
Pr ⁡( A/m)= = =0,14 9
Pr ( m ) 0,535
La probabilidad de que un préstamo sea de alto riesgo si es mercantil es del 19,9%.
3. Suponga que la vida de cierto tipo de tubos electrónicos tiene una distribución
exponencial con vida media de 500 horas. Si X representa la vida del tubo (tiempo q
dura el tubo).
Como es sabido, en el modelo exponencial la media es equivalente al valor esperado, el
cual a su vez al aplicar las fórmulas matemáticas para determinar la desviación estándar,
es igual al valor esperado, en este caso 500 horas. La desviación estándar es necesario
hallarla ya que es el parámetro utilizado para moldear la función en Minitab18.
a) Modele la situación que se le presenta. Construya su gráfica.
Al encontrar los valores de los parámetros que hacen parte del modelo exponencial, se
puede determinar cómo queda planteada la función de distribución de probabilidad:
−1
1 500 (x)
f ( x )= e
500
Al modelar el modelo con ayuda de Minitab 18, teniendo en cuenta una escala de 500
horas, se tiene la siguiente gráfica de distribución de probabilidad:
Probabilidad de Vida de Tubos Electrónicos

Exponencial; Escala=500; Valor umbral=0
0,0020
0,0015
Densidad
0,0010
0,0005
0,0000
0 1000 2000 3000 4000 5000 6000 7000 8000
X
b) Hallar la probabilidad que se queme antes de las 300 horas.

La probabilidad de que los tubos electrónicos se quemen antes de las 300 horas es igual
54,99%.
Probabilidad de quema de los tubos antes de las 300 horas

0,0020
0,0015
Densidad
0,0010
0,0005
0,5499
0,0000
0 299
X
c) Si un tubo particular ha durado 300 horas. ¿Cuál es la probabilidad de que dure

más de 400 horas más?
Para este caso se debe hallar la probabilidad de que ocurra el evento A (300 horas) con
respecto a la ocurrencia del evento B (más de 700 horas). De esta manera:
Pr ⁡( B ∩ A) Pr ⁡( B)
Pr ⁡( B/ A )= =
Pr ⁡( A) Pr ⁡( A)
La probabilidad de B, se determina mediante el uso de Minitab18:
probabilidad de que la vida de los tubos sea mayor a 700 horas

0,0020
0,0015
Densidad
0,0010
0,0005
0,2466
0,0000
0 700
X
De igual manera se determina la probabilidad de A:
Probabilidad de que la vida de los tubos sea mayor a 300 horas

0,0020
0,0015
Densidad
0,0010
0,0005
0,5488
0,0000
0 300
X
Pr ( B ∩ A ) Pr ( B ) 0,2466
Pr ⁡( B/ A )= = = =0,449
Pr ( A ) Pr ( A ) 0,5488
De esta manera, la probabilidad de que un tubo que ha durado 300 horas y dure más de
400 horas más, es del 44,9%
d) Si se están usando 10 de tales tubos calcular la probabilidad de que más de cinco
de ellas continúen trabajando después de 360 horas.
Para este caso se usa una distribución Binomial, donde el número de ensayos es igual a
10, y la probabilidad de que los cinco tubos continúen operando después de 360 horas se
determina mediante la distribución exponencial:
probabilidad de que los tubos duren mas de 360 horas

0,0020
0,0015
Densidad
0,0010
0,0005
0,4868
0,0000
0 360
X
Entonces, la función de distribución Binomial queda de la siguiente manera:
P ( X=x )= 10 0,4868x ∗(1−0,4868)(10− x)

( )
x
Usando Minitab18, la probabilidad de que 5 de esos 10 tubos de muestra sigan operando

después de 360 horas es de aproximadamente 59,2%.
probabilidad de que 5 de 10 tubos sigan operando después de 360 horas

Binomial; n=10; p=0,4868
0,25
0,20
Probabilidad
0,15
0,5902
0,10
0,05
0,00
0 5
X
4. Sea X una variable aleatoria de Weibull de parámetro α > 1 que representa la duración
de un componente hasta que se averíe. Para montar un circuito, buscamos
componentes que nos duren al menos 500 unidades de tiempo. Para seleccionar esos
componentes nos dan a elegir entre 2 tipos. Los componentes del Tipo 1 están sin
estrenar, mientras que los componentes del Tipo 2 no son nuevos. ¿Qué tipo de
componentes es el más adecuado para nosotros? Explique.
Cuando α > 1, la distribución Weibull se asemeja a una distribución exponencial, donde la
tasa de fallos aumenta con el tiempo. Al tener dos tipos de componentes: Tipo 1 están sin
estrenar (α < 1) y Tipo 2 no son nuevos (α >1), se puede decir que el tipo 1 es el tipo de
componente adecuado para suplir la necesidad del planteamiento del problema. Esto
debido a que como la tasa de fallos aumenta con el tiempo necesito componentes que no
fallen en el tiempo en igual medida que el sistema.
5. El tiempo de funcionamiento hasta que se avería el transmisor de señal de un satélite
de telecomunicaciones sigue una distribución exponencial de media 10000 días. Para
que el lanzamiento del satélite y la inversión realizada sea rentable se exige que la
duración sea, al menos, de 15 años.
Como es sabido, en el modelo exponencial la media es equivalente al valor esperado, el

cual a su vez al aplicar las fórmulas matemáticas para determinar la desviación estándar,
es igual al valor esperado, en este caso 1000 horas. La desviación estándar es necesario
hallarla ya que es el parámetro utilizado para moldear la función en Minitab18.
Al encontrar los valores de los parámetros que hacen parte del modelo exponencial, se
puede determinar cómo queda planteada la función de distribución de probabilidad:
−1
1 (x)
f ( x )= e 10000
10000
Al modelar el modelo con ayuda de Minitab 18, teniendo en cuenta una escala de 10000
horas, se tiene la siguiente gráfica de distribución de probabilidad:
obabilidad de falla en un transmisor de señal de satélite de telecomunicacion

0,00010
0,00008
Densidad
0,00006
0,00004
0,00002
0,00000
0 20000 40000 60000 80000 100000 120000 140000 160000
X
b) Calcular la probabilidad de que un transmisor elegido al azar, resulte rentable.
Para que el transmisor resulte rentable debe seguir trabajando más de 15 años o más de
5475 horas. Se calcula la probabilidad para este valor modelando en Minitab18,
obteniendo un valor del 57,84% de ocurrencia.
Probabilidad de que un transmisor resulte rentable

0,00010
0,00008
Densidad
0,00006
0,00004
0,00002
0,5784
0,00000
05475
X
c) Si una instalación industrial fabrica 10 transmisores, ¿cuál es la probabilidad de

que por lo menos 8 de los diez cumplan las especificaciones?
Para este caso se usa una distribución Binomial, donde el número de ensayos es igual a
10, y la probabilidad de que los ocho transmisores continúen operando después de 360
horas se determina mediante la distribución exponencial, que se ejecutó en el inciso
anterior.
Entonces, la función de distribución Binomial queda de la siguiente manera:
P ( X=x )= (10x ) 0,5784 ∗(1−0,5784)

x (10− x)
Usando Minitab18, la probabilidad de que 8 de esos 10 trasmisores de muestra cumplan

las especificaciones es de aproximadamente 13,49%.
Probabilidad de que 8 de 10 transmisores cumplan las especificaciones

0,25
0,20
Probabilidad
0,15
0,10
0,05
0,1349
0,00
1 8
X
6. Un sistema está formado por 3 componentes conectados en serie. El sistema falla

cuando falla uno de los componentes. Los componentes C1 y C2 tienen tiempo de
vida T1 y T2 que se distribuyen como una exponencial de media 28000 horas. La
distribución de probabilidad de la vida, T3, del componente C3 es N(3000, 200). Los
tiempos de vida de los tres componentes son independientes.
a) Modele cada una de las situaciones que se le presentan. Construya su gráfica.

b) Calcular la probabilidad de que el componente C1 dure más de 3000 horas.
R/ 0.8984
c) Calcular la probabilidad de que el componente C1 dure más de 6000 horas, si ha
durado ya 3000 horas.
R/ 0.8983
d) Calcular la probabilidad de que el sistema dure más de 3000 horas.
R/ 0.3533
e) Para reforzar el componente C3 se instala un componente gemelo en paralelo.

Calcular la probabilidad de que el sistema dure más de 3000 horas.
R/ 0.5052
Tiempos de vida promedios:

T1yT2=28000
Se modeló en la distribución EXPONENCIAL con un parámetro de escala para T1 y T2 de

28000
Al calcular la probabilidad que C1 dure mas de 3000 horas se aprecia el siguiente

resultado:
PC1: 0.8984
Gráfica de distribución
Exponencial, Escala=28000, Valor umbral=0
0.00004
0.00003
Densidad
0.00002
0.00001
0.8984
0.00000
3000
0
X
Ahora, calcular la probabilidad que C1 dure 6000 horas si ya ha durado 3000
PC1 PC2
ESO DA PC2|C1 = P(C2nC1)/PC1= PC2/PC1 = 0.8071/0.8984 = 0.8983 = 89.83%
PC2= 0.8071
0.00004
0.00003
Densidad
0.00002
0.00001
0.8071
0.00000
6000
0
X
AHORA, calculando la probabilidad de C3 con T3=3000 y valor umbral de 200
Se calcula la probabilidad de C3 que dure > 3000 horas
PC3=0.3932
0.00035
0.00030
0.00025
Densidad
0.00020
0.00015
0.00010
0.00005
0.3932
0.00000
200 3000
X
PC1=PC2=0.8984 ; PC3=0.3932
Según los tres componentes en serie tenemos la probabilidad que el sistema funcione:
PC1*(PC2/PC1)*PC3/(PC2/PC1) = 0.8984*(0.8984/0.8984)*0.3932/(0.8984/0.8984) =
0.3533
AHORA, al instalar un componente idéntico paralelo en C3, presenta el siguiente

comportamiento probabilístico el sistema:
PC1*(PC2/PC1)-PC3= 0.8984*(0.8984/0.8984)-0.3932= 0.5052
7. Un departamento de reparación de maquinaria recibe un promedio de cinco

solicitudes de servicio por hora.
Para este caso se usa la distribución de Poisson, siendo las 5 solicitudes por hora una
media, que a su vez en esta distribución es el valor esperado.
Al modelar esta distribución de estadística matemática, se obtiene la siguiente función:
5 x e−1,5
Pr ( X=x )=
x!
La grafica correspondiente para esta función de distribución se obtiene por medio de la

herramienta Minitab18:
Reparaciones de maquinaria
Poisson; Media=5
0,20
0,15
Probabilidad
0,10
0,05
0,00
0 2 4 6 8 10 12 14
X
b) ¿Cuál es la probabilidad de que se reciban tres solicitudes en media hora?
Para determinar esta probabilidad se debe hallar un nuevo λ , y modelar de nuevo la

función. De esta manera:
5 solicitudes………..1 hora
λ………………..0,5 horas
λ=2,5
2,5 3 e−2,5
Pr 3 =
( )
3!
Usando Minitab18, se obtiene que la probabilidad de que lleguen tres solicitudes en

media hora es de aproximadamente 21,38%.
Probabilidad que lleguen tres solcitudes de reparación en media hora

Poisson; Media=2,5
0,25
0,2138
0,20
Probabilidad
0,15
0,10
0,05
0,00
0 3 8
X
c) ¿Cuál es la probabilidad de que se reciban menos de tres solicitudes en un

cuarto de hora?
λ………………..0,25 horas
λ=1,25
x=2
e−1,25∗1,25 x e−1,25∗1,2 5x
P ( X=x )= ; P ( X <3 ) =∑
x! x=0 x!
e−1,25∗1,25 0 e−1,25∗1,2 51 e−1,25∗1,2 52

P ( X <3 ) = [ 0!
+
1!
+
2! ]
=0,868 5

probabilidad de recibir menos de tres solcitudes en un cuarto de hora

Poisson; Media=1,25
0,4
0,8685
0,3
Probabilidad
0,2
0,1
0,0
2 5
X
d) ¿Cuál es la probabilidad de que se reciban al menos 3 solicitudes en dos

horas?
λ…………………2 horas
λ=10
e−10∗10x
P( X =x)= ; P ( X ≥3 )=1−P ( X <3 )
x!
x=2
e−10∗10 x
P ( X ≥3 )=1−∑
x=0
[ x! ]
= ¿1-0,00277=0,9972

Probabilidad que se reciban al menos 3 solicitudes en dos horas

Poisson; Media=10
0,14
0,12
0,10 0,9972
Probabilidad
0,08
0,06
0,04
0,02
0,00
2 3
X
8. El número de imperfecciones que tiene una placa fotográfica sigue la distribución de

Poisson de parámetro 0,1 imperfecciones por cm2.
Al modelar esta distribución de estadística matemática, se obtiene la siguiente función:
0,1x e−0,1
Pr ( X=x )=
x!
La grafica correspondiente para esta función de distribución se obtiene por medio de la

herramienta Minitab18:
probabilidad de imperfecciones de una placa fotográfica

Poisson; Media=0,1
0,9
0,8
0,7
0,6
Probabilidad
0,5
0,4
0,3
0,2
0,1
0,0
-0,5 0,0 0,5 1,0 1,5 2,0 2,5
X
b) Si de tal placa se toma una muestra de 30 cm2,
a. ¿cuál es la probabilidad de que esa muestra contenga exactamente tres

irregularidades?
0,1 imperfectos…….1cm2
λ……………..30 cm2
λ= 3
e−3 33
Pr ( X=3 ) = =0,224 0
3!
Usando Minitab18, se obtiene que la probabilidad de que contenga exactamente tres

irregularidades en 30cm2 es de aproximadamente 22,40%.
Probabilidad de que 30 cm2 tenga exactamente 3 irregularidades
Poisson; Media=3
0,25
0,2240
0,20
Probabilidad
0,15
0,10
0,05
0,00
0 3 9
X
b. Por lo menos 5 irregularidades

5
e−3 3i
P ( X ≤5 )=∑
i=0 i!
Usando Minitab18, se obtiene que la probabilidad de tenga por lo menos 5

irregularidades en 30 cm2 es de aproximadamente 18,47%.
Probabilidad de que en 30cm2 hayan por lo menos 5 irregularidades

Poisson; Media=3
0,25
0,20
Probabilidad
0,15
0,10
0,05
0,1847
0,00
0 5
X
c. A lo más 2 irregularidades
2
e−3 3i
P ( X ≥2 ) =∑
i=0 i!
Usando Minitab18, se obtiene que la probabilidad de tenga por a lo más 2

irregularidades en 30 cm2 es de aproximadamente 80,09%.
Probabilidad de que en 30 cm2 hayan a lo mas 2 irregularidades

Poisson; Media=3
0,25
0,20
Probabilidad
0,15
0,10
0,8009
0,05
0,00
0 2
X
c) Si ahora se toma en forma independiente 5 muestras de 30 cm2, ¿cuál es la

probabilidad de que exactamente dos de ellas contengan a lo sumo una
irregularidad?
Para determinar esta probabilidad se debe usar la distribución binomial, siento el número
de ensayos igual a 5 y la probabilidad de que haya a lo sumo una irregularidad en 30 cm 2.
Esta probabilidad se halla usando Minitab18, siguiendo en primera instancia el modelo de
Poisson.
0,1 imperfectos…….1cm2
λ……………..30 cm2
λ= 3
1
e−3 31
P ( X ≤1 ) =∑
i=0 1!
La probabilidad de que en 30 cm2 haya a lo sumo una imperfección es equivalente al
95,02%.
Probabilidad de que en 30 cm2 haya a lo sumo una irregularidad

Poisson; Media=3
0,25
0,20
Probabilidad
0,15
0,9502
0,10
0,05
0,00
0 1
X
Ahora, aplicando la distribución de Poisson se encuentra que la probabilidad de que 2 de

las 5 muestras de 30cm2 presenten a lo sumo una irregularidad es igual al 0,1115%
robabilidad de que 2 muestras de 30cm2 presenten a lo sumo 1 irregularida

0,8
0,7
0,6
Probabilidad
0,5
0,4
0,3
0,2
0,1
0,001115
0,0
2 5
X
9. Un proceso de manufactura produce una pieza metálica circular. Los diámetros de

las piezas tienen según se ha comprobado, una distribución normal con una media
de 25 cm y una desviación estándar de 50 mm.
Al modelar los datos del problema a la distribución normal, la función de distribución de la

probabilidad queda definida de la siguiente manera:
2
−1 x−25
1 2 5 ( )
f ( x )= e
5 √2 π
Con la ayuda de la herramienta de Minitab, se obtiene la gráfica de esta distribución:
Distribución diámetros de piezas circulares

Normal; Media=25; Desv.Est.=5
0,09
0,08
0,07
0,06
Densidad
0,05
0,04
0,03
0,02
0,01
0,00
10 15 20 25 30 35 40
X
b) Qué probabilidad existe de que tenga un diámetro...
I. ¿Entre 24,925 y 25,075 cm?
Graficando y modelando con minitab se obtiene que la probabilidad de que las piezas
tengan un diámetro entre los valores definidos en el inciso es igual al 1,197%
Probabilidad de que los diametros tengan valores entre 24,925 y 25,075

0,09
0,01197
0,08
0,07
0,06
Densidad
0,05
0,04
0,03
0,02
0,01 24,925 25,075
0,00
25
X
II. ¿De por lo menos 24,905 cm?
De igual manera, la probabilidad de que el diámetro de las piezas circulares sea de por lo
menos 24,905 cm, es igual al 50,76%
Probabilidad de que el diametro sea de por lo menos 24,905

0,09
0,08
0,07
0,06
Densidad
0,05
0,04
0,03
0,5076
0,02
0,01
24,905
0,00
25
X
10. En una fábrica el tiempo para producir un artículo está distribuido normalmente con
un promedio de 40 minutos y una varianza de 16 min 2. Se debe producir un lote de
8000 artículos.
Para resolver este caso, es necesario modelar los datos con el modelo de distribución
normal, teniendo en cuenta que se debe determinar la desviación estándar por medio
de la varianza dada.
μ= 40 min
σ2= 16 min2
√ σ 2= √16
σ =4 min=desviación
El modelo de la distribución normal quedaría definido entonces de la siguiente manera:
2
−1 x−40
1 2( 4 )
f ( x )= e
4 √2 π
Graficando la función se obtiene:
Tiempo para producir un artículo

0,10
0,08
Densidad
0,06
0,04
0,02
0,00
30 35 40 45 50 55
X
a. ¿Cuántos artículos requerirán de un tiempo de fabricación mayor de 45 minutos?
Primero debo hallar la probabilidad para el tiempo estipulado y luego mediante una
regla de tres determinar el número de artículos con ese tiempo.
La probabilidad de que el tiempo de producción sea mayor de 45 minutos, es igual a

10,56%.
Probabilidad de que el tiempo de fabricación sea mayor de 45 min

0,10
Densidad 0,08
0,06
0,04
0,02
0,1056
0,00
40 45
X
8000 artículos………..100%
X………………….10,56%
X=844,8 artículos.
En conclusión, 844,8 artículos requieren un tiempo mayor de 45 minutos para su
producción.
b. ¿Cuántos artículos requerirán de un tiempo de fabricación no inferior a los 35

min? ni superior a los 45 minutos?
De la misma manera en que se realizó el inciso anterior, se halla que la probabilidad de

que sea necesario emplear un tiempo estimado entre los valores dados es igual al 78,87%
Probabilidad de que el tiempo de fabricación este entre 35 y 45 minutos

0,7887
0,10
0,08
Densidad
0,06
0,04
0,02
0,00
35 40 45
X
8000 artículos………..100%
X………………….78,87%
X=6309,6 artículos
Con base en lo anterior 6309,6 artículos requieren un tiempo mayor de 45 minutos

para su producción.
11. La duración de un determinado tipo de lavadora automática tiene una distribución

aproximadamente normal, con una media de 3,1 años y una desviación típica de
14,4 meses. Si la lavadora está garantizada por un año.....
Modelando la función a la distribución normal se tiene que:
2
−1 x−37,2
1 2 (
14,4 )
f ( x )= e
14,4 √ 2 π
a. ¿Qué proporción del total de unidades producidas tendrá que ser reemplazada?
La proporción del total de unidades producidas que tendrá que ser reemplazada, si la
lavadora está garantizada por 1 año:
2
x=12 −1 x−37,2
1 2 (
∗
14,4 )
P ( X ≤12 )= ∑ ∗e =0,03 9
x=0 14,4∗√ 2 π
La proporción del total de unidades producidas que tendrá que ser reemplazada por
garantía es del 4%.
Proporción de unidades que deben ser reemplazadas

Normal; Media=37,2; Desv.Est.=14,4
0,030
0,025
0,020
Densidad
0,015
0,010
0,005
0,04006
0,000
12 37,2
X
b. Si este año se han vendido 500, ¿Cuántas de ellas se espera que sean
reemplazadas?
500 unidades……..100%
X………………..4%
X= 20 unidades.
Se espera que para este año, se reemplacen 20 unidades.
c. ¿cuáles son las probabilidades que una lavadora dure entre 70 y 80 meses?
2
x=80 −1 x−37,2
1 2 (
∗
14,4 )
P ( 70≤ X ≤ 80 )= ∑ ∗e
x=70 14,4∗√ 2 π
La probabilidad de que una lavadora dure entre 70 y 80 meses es de aproximadamente

0,98%
Probabilidad que una lavadora dure entre 70 y 80 meses

Normal; Media=37,2; Desv.Est.=14,4
0,030
0,025
0,020
Densidad 0,015
0,010
0,005
0,009892
0,000
37,2 70 80
X
12. En el archivo Excel que se le adjunta, en la hoja1, datos que representan el tiempo
de funcionamiento de un proceso hasta la presencia de un evento, que por lo general
se puede interpretar como un fallo. Con esta información, se requiere que realice los
siguientes procesos y presente un informe:
a) Apoyándose en las herramientas de Minitab18, ajuste un modelo exponencial para

la variable en la base de datos. Especifique los parámetros del modelo, el modelo
y su gráfica.
De acuerdo al ajuste realizado en minitab, se tiene la siguiente información
Gráfica de revisión general de distribución para tiempo hasta la

Cálculos de ML-Datos completos
Tabla de estadísticas
Función de densidad de probabilidad Exponencial
Media 1447,73
99,9
Desv.Est. 1447,73
90 Mediana 1003,49
0,0006
50 IQR 1590,49
Porcentaje
0,0004
Falla 73
10
PDF
Censor 0
AD* 0,407
0,0002
1
0,0000
0,1
0 2000 4000 6000 1 10 100 1000 10000
tiempo hasta la presencia de un tiempo hasta la presencia de un
Función de supervivencia Función de riesgo

100
0,000725
Porcentaje
0,000700
Tasa
50
0,000675
0,000650
0
0 2000 4000 6000 0 2000 4000 6000
tiempo hasta la presencia de un tiempo hasta la presencia de un
Al ser un modelo exponencial, el parámetro a tener en cuenta para escribir la función de

distribución es la media de los datos, la cual representa el valor esperado para la función,
que a su vez es el mismo valor del parámetro de escala, necesario para graficar el modelo
de distribución. Para este caso, el valor esperado y la variación estándar equivalen a

1447,73.
−1
1 x
f ( x )= e 1447,73
1447,73
Tiempo de funcionamiento de un proceso hasta la presencia de un evento

Exponencial; Escala=1447,73; Valor umbral=0
0,0007
0,0006
0,0005
Densidad
0,0004
0,0003
0,0002
0,0001
0,0000
0 5000 10000 15000 20000
X
b) Calcular la probabilidad de que el tiempo hasta la presencia del evento esté entre
1000 y 5000.
babilidad de que el tiempo hasta la presencia del evento esté entre 1000 y 5
0,0007
0,0006
0,0005
Densidad
0,0004
0,0003
0,0002
0,0001 0,4696
0,0000
0 1000 5000
X
La probabilidad de que el tiempo hasta la presencia del evento este entre 1000 y 5000 es
de aproximadamente 46,96%.
c) Si se hace una revisión de 6 procesos, ¿cuál es la probabilidad de que menos de 3
presenten un tiempo hasta la presencia del evento mayor de 6000?
La probabilidad para que la presencia de un evento sea mayor de 6000 se calcula con el
modelo exponencial, obteniendo así un valor equivalente a 1,585%
presencia del evento mayor de 6000

0,0007
0,0006
0,0005
Densidad
0,0004
0,0003
0,0002
0,0001
0,01585
0,0000
0 6000
X
Ahora, se debe aplicar una distribución binomial para poder determinar la probabilidad de
que menos de 3 procesos de 6, se presenten un tiempo hasta la presencia del evento
mayor de 6000. Donde el número de ensayos es 6 y la probabilidad es la determinada
anteriormente.
0,9
0,8
0,7
0,6
Probabilidad
0,5
0,4
0,3
0,2
0,1 0,9999
0,0
2
X
La probabilidad de que lo planteado suceda es del 99%.
siguientes procesos y presente un informe: (Valor 1,6 puntos)
a) Apoyándose en las herramientas de Minitab18, ajuste un modelo Weibull de 3

parámetros para la variable en la base de datos. Especifique los parámetros del
modelo, el modelo y su gráfica.
Por medio de minitab se pueden determinar los valores de los parámetros de los datos
modelados.

Función de densidad de probabilidad Weibull de 3 parámetros
Forma 6,26876
99,9
Escala 11317,3
0,0002
90 Umbral 3547,28
50 Media 14071,8
Porcentaje
Desv.Est. 1958,58
10
PDF
0,0001 Mediana 14221,8

IQR 2645,18
1 Falla 73
Censor 0
0,0000 0,1
AD* 0,663
10000 12500 15000 17500 5000 10000
tiempo hasta la presencia de _1 tiempo hasta la presencia de _1 - Valor umbral

100 0,002
Porcentaje
Tasa
50 0,001
0 0,000
10000 12500 15000 17500 10000 12500 15000 17500
tiempo hasta la presencia de _1 tiempo hasta la presencia de _1
 Parámetro Escala β=11317,3

 Parámetro Forma α= 6,26876
 Parámetro Umbral Ɵ=3547,28
De esta manera, la función de distribución de probabilidad para el modelo Weibull de tres
parámetros aplicados a los datos proporcionados es la siguiente:
α
−( x−Ɵ )
α
f ( x )= α (x )α−1∗exp
( β )
β
6,26876
−(x−3547,28)
f ( x )=
6,26876
( x )6,26876−1∗exp
( 11317,3 )
6,26876
11317,3
La gráfica del modelo es la siguiente
Weibull; Forma=6,26876; Escala=11317,3; Valor umbral=3547,28
0,00020
0,00015
Densidad
0,00010
0,00005
0,00000
6000 8000 10000 12000 14000 16000 18000 20000
X
b) Calcular la probabilidad de que el tiempo hasta la presencia del evento sea mayor
que 10000.
0,9709
0,00020
0,00015
Densidad
0,00010
0,00005
0,00000
10000
X
La probabilidad de que el tiempo hasta la presencia del evento sea mayor que 10000 es
igual al 97,09%.
c) Si se hace una revisión de 7 procesos, ¿cuál es la probabilidad de que más de 3

presenten un tiempo hasta la presencia del evento menor de 12000?
La probabilidad de que la presencia del evento sea menor de 12000 es igual al 14,83%.
0,00020
0,00015
Densidad
0,00010
0,00005
0,1483
0,00000
12000
X
Aplicando ahora una distribución binomial, se determina que la probabilidad de que más
de 3 presenten un tiempo hasta la presencia del evento menor de 12000 es del 7,16%
0,4
0,3
Probabilidad
0,2
0,1
0,07168
0,0
0 3
X
siguientes procesos y presente un informe:
a) Apoyándose en las herramientas de Minitab18, ajuste un modelo Lognormal de 3

parámetros para la variable en la base de datos. Especifique los parámetros del
modelo, el modelo y su gráfica.

Función de densidad de probabilidad Lognormal de 3 parámetros
Ubic. 14,4401
99,9
Escala 0,0008225
99
Umbral -1859188
0,0002 90 Media 8337,61
Porcentaje
Desv.Est. 1536,06
PDF
50 Mediana 8336,97
0,0001 IQR 2072,11
10 Falla 73
1 Censor 0
0,0000 AD* 1,468
0,1
5000 7500 10000 12500 1863000 1866000 1869000 1872000
tiempo hasta la presencia de _2 tiempo hasta la presencia de _2 - Valor umbral

100
0,0015
Porcentaje
0,0010
Tasa
50
0,0005
0 0,0000
5000 7500 10000 12500 5000 7500 10000 12500
tiempo hasta la presencia de _2 tiempo hasta la presencia de _2
μ=8337,61
σ=1536,06
Ɵ=-1859188
Con base en los parámetros encontrados con la gráfica general de distribución, el modelo
log normal se puede escribir matemáticamente de la siguiente manera:
−1 ln ( x ) −μ
f ( x )=
1
∗exp 2 ( σ )
xσ √ 2 π
−1 ln ( x ) −8337,61
f ( x )=
1
∗exp 2
( 1536,06 )
x∗1536,06 √ 2 π
b) Calcular la probabilidad de que el tiempo hasta la presencia del evento sea menor
de 5000.
Si se hace una revisión de 8 procesos, ¿cuál es la probabilidad de que menos de 3 a 5
presenten un tiempo hasta la presencia del evento mayor de 6000?
Lognormal, Ubic.=9.02846, Escala=7.34343, Valor umbral=0
0.025
0.020
Densidad
0.015
0.010
0.005
0.5278
0.000
0 5000
X
La probabilidad de que el tiempo hasta la presencia del evento sea menor de 5000 es
0.5278
Al aplicar una probabilidad a 6000 es de: 0.5179
Lognormal, Ubic.=9.02846, Escala=7.34343, Valor umbral=0
0.025
0.020
Densidad
0.015
0.010
0.005
0.5179
0.000
0 6000
X

TALLER 2 Solucion

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

TALLER 2 Solucion

Hochgeladen von

Copyright:

Verfügbare Formate

ESPECIALIZACIÓN EN GERENCIA DEL MANTENIMIENTO Y CONFIABILIDAD

ESTADÍSTICA Y CONFIABILIDAD. NRC: 53568

ANA MILENA ANGARITA ACOSTA

GILBERTO ALONSO VERA PABON

Módulo II. Estadística y Confiabilidad

UNIVERSIDAD PONTIFICA BOLIVARIANA

1. El 5% de las unidades producidas en una fábrica resultan defectuosas cuando el

B 0,046 0,874 0,92

BC 0,024 0,056 0,08

Para comprobar si A y B son independientes es necesario usar alguna de las dos

b) Si se escoge aleatoriamente una unidad y resulta defectuosa, entonces ¿Cuál es

La probabilidad entonces de que el proceso se encuentre bajo control mientras se escoge

c) Si se escoge aleatoriamente una unidad producida, ¿Cuál es la probabilidad de

La probabilidad de que al escoger una unidad producida y que el proceso se haya

B 0,22 0,225 0,02 0,465

m 0,18 0,275 0,08 0,535

0,4 0,5 0,10 1

Cuál es la probabilidad que al seleccionar aleatoriamente un préstamo se encuentre que:

a) ¿Sea un préstamo mercantil en la categoría de alto riesgo?

La probabilidad de que el préstamo sea mercantil en la categoría de alto riesgo es del

b) ¿Sea un préstamo de poco riesgo dado que es personal?

La probabilidad de que un préstamo sea de poco riesgo dado que es personal,

c) ¿Sea un préstamo de riesgo moderado o de poco riesgo?

La probabilidad de que un préstamo sea moderado o de poco riesgo es del 90%.

d) ¿Sea un préstamo de alto riesgo o mercantil?

La probabilidad de que un préstamo sea de alto riesgo o mercantil es de

e) ¿sea de alto riesgo si es mercantil?

La probabilidad de que un préstamo sea de alto riesgo si es mercantil es del 19,9%.

Probabilidad de Vida de Tubos Electrónicos

b) Hallar la probabilidad que se queme antes de las 300 horas.

Probabilidad de quema de los tubos antes de las 300 horas

c) Si un tubo particular ha durado 300 horas. ¿Cuál es la probabilidad de que dure

probabilidad de que la vida de los tubos sea mayor a 700 horas

De igual manera se determina la probabilidad de A:

Probabilidad de que la vida de los tubos sea mayor a 300 horas

probabilidad de que los tubos duren mas de 360 horas

Entonces, la función de distribución Binomial queda de la siguiente manera:

P ( X=x )= 10 0,4868x ∗(1−0,4868)(10− x)

Usando Minitab18, la probabilidad de que 5 de esos 10 tubos de muestra sigan operando

probabilidad de que 5 de 10 tubos sigan operando después de 360 horas

Como es sabido, en el modelo exponencial la media es equivalente al valor esperado, el

obabilidad de falla en un transmisor de señal de satélite de telecomunicacion

b) Calcular la probabilidad de que un transmisor elegido al azar, resulte rentable.

Probabilidad de que un transmisor resulte rentable

c) Si una instalación industrial fabrica 10 transmisores, ¿cuál es la probabilidad de

Entonces, la función de distribución Binomial queda de la siguiente manera:

P ( X=x )= (10x ) 0,5784 ∗(1−0,5784)

Usando Minitab18, la probabilidad de que 8 de esos 10 trasmisores de muestra cumplan

Probabilidad de que 8 de 10 transmisores cumplan las especificaciones

6. Un sistema está formado por 3 componentes conectados en serie. El sistema falla

a) Modele cada una de las situaciones que se le presentan. Construya su gráfica.

e) Para reforzar el componente C3 se instala un componente gemelo en paralelo.

Tiempos de vida promedios:

Se modeló en la distribución EXPONENCIAL con un parámetro de escala para T1 y T2 de

Al calcular la probabilidad que C1 dure mas de 3000 horas se aprecia el siguiente

Ahora, calcular la probabilidad que C1 dure 6000 horas si ya ha durado 3000

ESO DA PC2|C1 = P(C2nC1)/PC1= PC2/PC1 = 0.8071/0.8984 = 0.8983 = 89.83%

AHORA, calculando la probabilidad de C3 con T3=3000 y valor umbral de 200

Se calcula la probabilidad de C3 que dure > 3000 horas

AHORA, al instalar un componente idéntico paralelo en C3, presenta el siguiente

PC1*(PC2/PC1)-PC3= 0.8984*(0.8984/0.8984)-0.3932= 0.5052

7. Un departamento de reparación de maquinaria recibe un promedio de cinco

a) Modele la situación que se le presenta. Construya su gráfica.

PC1(PC2/PC1)-PC3= 0.8984(0.8984/0.8984)-0.3932= 0.5052