Descripción de ejercicio

10.-Se ha encontrado que los tiempos de falla para un proceso de producción automatizado se
distribuyen aleatoriamente con una distribución de Weibull con parámetros β = 2 y α = 10. Derive la
ecuación (6), y luego utilícelo para generar cinco valores a partir de esta distribución de Weibull,
utilizando cinco números aleatorios tomados de la Tabla A.1.

Solución del problema :

β= 2
α= 10
y= 0
promedio
x ri Wi Promedio 2.02248
1 0.99307 2.34790 2.34790
2 0.78180 2.08584 2.21687
3 0.29320 1.79913 2.07762
4 0.37445 1.85421 2.02177
5 0.67828 2.02532 2.02248

Conclusión:

Como sabemos la distribución de Weibull es una distribución continua y triparamétrica, es decir,

está completamente definida y con ellos nos ayudó a definir los parámetros necesarios para
encontrar los tiempos de falla.

Descripción de ejercicio
11.- Se recopilaron datos sobre los tiempos de servicio en una ventanilla de autocine en el Shady
Lane National Banco. Estos datos se resumen en intervalos de la siguiente manera

Intervalo Frecuencia
15-30 10
30-45 20
45-60 25
60-90 35
90-120 30
120-180 20
180-300 10
Configure una tabla como la Tabla 3 para generar tiempos de servicio mediante el método de
búsqueda de tabla y genere cinco valores de tiempo de servicio, usando números aleatorios de
cuatro dígitos de la Tabla A.1

Solución del problema :

i x(i-1) x(i) Frecuencia p(x) P(X) i lim inf lim sup

1 15 30 10 0.1 0.10 1 0 0.10
2 30 45 20 0.2 0.20 2 0.10 0.20
3 45 60 25 0.25 0.25 3 0.20 0.25
4 60 90 35 0.35 0.35 4 0.25 0.35
5 90 120 30 0.3 0.30 5 0.35 0.30
6 120 180 20 0.2 0.20 6 0.30 0.20
7 180 300 10 0.1 0.10 7 0.20 0.10

X ri Tiempos Promedio Promedio

5.4666666
1 0.9458 7 14.0000
7
 2 0.7540 7 3.5000
3 0.4968 7 4.6667
4 0.2024 3 4.2500
5 0.9099 7 4.8000
6 0.2370 3 4.5000
7 0.8167 7 4.8571
8 0.9215 7 5.1250
9 0.3721 7 5.3333
10 0.6597 7 5.5000
11 0.0104 1 5.0909
12 0.0840 1 4.7500
13 0.2464 3 4.6154
14 0.0212 1 4.3571
15 0.4092 7 4.5333
16 0.0194 1 4.3125
17 0.8907 7 4.4706
18 0.6902 7 4.6111
19 0.9130 7 4.7368
20 0.9539 7 4.8500
21 0.1689 2 4.7143
22 0.8395 7 4.8182
23 0.1981 2 4.6957
24 0.8554 7 4.7917
25 0.5594 7 4.8800
26 0.9595 7 4.9615
27 0.8041 7 5.0370
28 0.8839 7 5.1071
29 0.7892 7 5.1724
30 0.6860 7 5.2333

Conclusión:

Como logramos ver se uso una distribución empírica se obtuvo un promedio de 5.466 es
dependerá de lo tiempos de servicio

Descripción de ejercicio

12.- En el Ejemplo 2, suponga que los tiempos de respuesta de los bomberos satisfacen 0.25 ≤ x ≤
3. Modifique la Tabla 2 para acomodar esta suposición. Luego genere cinco valores de tiempo de
respuesta, usando cuatro dígitos números aleatorios uniformes de la tabla A.1
 i X(i-1) X(i) 1/n P(X) i lim inf lim sup
1 0.25 1.5 0.20 0.20 1 0 0.20
2 1.5 1.85 0.20 0.40 2 0.20 0.40
3 1.85 2.5 0.20 0.60 3 0.40 0.60
4 2.5 2.85 0.20 0.80 4 0.60 0.80
5 2.85 3 0.20 1.00 5 0.80 1.00

Promedi
X ri Tiempos Promedio
o
1 0.5447 3 13.000 3.65
2 0.9562 5 5.000
3 0.8707 5 1.667
4 0.0141 1 1.500
5 0.4050 3 1.800
6 0.6620 4 2.167
7 0.9322 5 2.571
8 0.7606 4 2.750
9 0.7040 4 2.889
10 0.9248 5 3.100
11 0.4483 3 3.091
12 0.6002 4 3.167
13 0.9391 5 3.308
14 0.9428 5 3.429
15 0.8073 5 3.533
16 0.2774 2 3.438
17 0.4823 3 3.412
18 0.6744 4 3.444
19 0.0221 1 3.316
20 0.3540 2 3.250

Conclusión:

Se generaron números de tiempos de respuesta dentro de un rango de 0.25 usando método

empírico asi mismo obteniendo un promedio 3.65 dependerá de los valores que se le de.

Descripción de ejercicio

13. Para una versión preliminar de un modelo de simulación, el número de tarimas X que se
cargarán en un se supuso que un camión en un muelle de carga estaba distribuido uniformemente
entre 8 y 24. Diseñe un método para generar X, asumiendo que las cargas en camiones sucesivos
son independientes. Usar la técnica del Ejemplo 5 para distribuciones uniformes discretas.
Finalmente, generar cargas para 10 camiones sucesivos usando números aleatorios de cuatro
dígitos de la Tabla A.1.
Solución de problema:
Promedio
a= 8 16 real
b= 24

Camiones ri tarimas promedio promedio

0.70459 19.2735
1
7 5 19.27355 15.87915
0.87395 21.9832
2
6 9 20.62842
0.18420 10.9472
3
4 6 17.40137
0.79048 20.6477
4
2 1 18.21296
0.01607 8.25723
5
7 3 16.22181
0.00538 8.08621
6
8 2 14.86588
20.3985
7
0.77491 6 15.65626
0.84229 21.4766
8
2 8 16.38381
0.10513 9.68218
9
6 1 15.63919
0.62742 18.0388
10
8 4 15.87915

Conclusión:

Para ese ejercicio lo que hicimos fue calcular cual seria el promedio de lo que cargaría el camión
con los datos que corresponden utilizando número aleatorios.
 Descripción de ejercicio

14.- Desarrollar un método para generar valores a partir de una distribución binomial negativa con
parámetros p y k. Genere 3 valores cuando p = 0.8 y k = 2. [Sugerencia: Piense en la definición de
la binomial negativo como el número de intentos de Bernoulli hasta el k-ésimo éxito.

n= 2
P= 0.8
Buen
BE= 0 0.92 estado
BE= 1 0.08 Mal estado

x p(x) P(x) x Lim,inf lim.sup

0 0.92 0.92 0 0 0.92
1 0.08 1 1 0.92 1

Valores r1 BE r2 BE2 valores Promedio Promedio %

1 0.22903 0 0.77471 0 0 0.00000 0.3 0.15

2 0.04694 0 0.34854 0 0 0.00000
3 0.44000 0 0.96924 1 1 0.33333
4 0.57067 0 0.58698 0 0 0.25000
5 0.76799 0 0.84990 0 0 0.20000
6 0.03774 0 0.02541 0 0 0.16667
7 0.96238 1 0.43390 0 1 0.28571
8 0.22787 0 0.28632 0 0 0.25000
9 0.00705 0 0.97252 1 1 0.33333
10 0.73488 0 0.43999 0 0 0.30000

Conclusión:

Se concluye que se utilizo un método de distribución binominal negativa con parámetros de p:0.8
y k: 2 y se puede observar que se encuentran piezas defectuosas, sabiendo que buscamos
defectos de 2 piezas por revisión

Descripción de ejercicio
15.- Se ha encontrado que la demanda semanal X de un artículo de movimiento lento se aproxima
bien por una distribución geométrica en el rango {0, 1, 2, ...} con una demanda semanal media de
2,5 artículos. Genere 10 valores de X demanda por semana, usando números aleatorios de la
Tabla A.1. [Sugerencia: para una distribución geométrica en el rango {q, q + 1, ...} con parámetro p,
la media es 1/p + q − 1.]

Demanda
Promedi Promedi
Con la ecuación: Semana ri por
o o
semana
1 0.9576 6.1892 6.1892 2.7798
2 0.8099 3.2502 4.7197
3 0.1235 0.2581 3.2325
q= p= 1/ln(1-p) = 4 0.4058 1.0192 2.6792
1 0.4 -1.95762 5 0.1415 0.2987 2.2031
6 0.1109 0.2301 1.8743
7 0.0884 0.1813 1.6324
8 0.8663 3.9390 1.9207
9 0.1130 0.2348 1.7334
10 0.2371 0.5298 1.6130

Conclusión:

En este ejercicio lo que hicimos fue calcular la distribución geométrica con una demanda señala de
2,5 artículos, generando 10 valores utilizando números aleatorios

Descripción de ejercicio

16. En el ejercicio 15, suponga que se ha encontrado que la demanda tiene una distribución de
Poisson con media de 2,5 artículos por semana. Genere 10 valores de X demanda por semana,
usando números aleatorios de la Tabla A.1. Analice las diferencias entre las distribuciones
geométrica y de Poisson.

Solución:

λ= 2.5 artículo por semana

x p(x) P(x) x lim inf lim sup

0 0.08208 0.0821 0 0 0.08208
1 0.20521 0.28730 1 0.08208 0.28730
2 0.25652 0.54381 2 0.28730 0.54381
3 0.21376 0.75758 3 0.54381 0.75758
4 0.13360 0.89118 4 0.75758 0.89118
5 0.06680 0.95798 5 0.89118 0.95798
6 0.02783 0.98581 6 0.95798 0.98581
7 0.00994 0.99575 7 0.98581 0.99575
8 0.00311 0.99886 8 0.99575 0.99886
9 0.00086 0.99972 9 0.99886 0.99972
10 0.00022 0.99994 10 0.99972 0.99994

articulo por
semana ri promedio
semana
1 0.049137957 0 0.00000 promedio
2 0.604909987 3 1.50000 1.9
3 0.113439871 1 1.33333
4 0.953060848 5 2.25000
5 0.232850873 1 2.00000
6 0.57370391 3 2.16667
7 0.475627681 2 2.14286
8 0.213477629 1 2.00000
9 0.668040744 3 2.11111
10 0.056475041 0 1.90000

Conclusión:

Al finalizar el ejercicio logramos observar la importancia que tienen las distribuciones poisson para
calcular la demanda por semana así mismo logrando contabilizar el numero de ventas que se
realizan a la semana

Descripción de ejercicio

17. Se ha encontrado que los plazos de entrega se distribuyen exponencialmente con una media
de 3,7 días. generar cinco plazos de entrega aleatorios de esta distribución.

1/λ= 3.7 días (promedio real )

plazo de funcion
ri promedio promedio
entrega exponencial

1 0.75467 5.19903 5.19903 2.93203

2 0.81291 6.20179 5.70041
3 0.27337 1.18153 4.19412
4 0.67142 4.11805 4.17510
5 0.36344 1.67118 3.67432
6 0.42465 2.04526 3.40281
7 0.46434 2.30975 3.24666
8 0.88489 7.99890 3.84069
9 0.74908 5.11564 3.98235
10 0.31367 1.39267 3.72338
11 0.16655 0.67406 3.44617
12 0.38125 1.77620 3.30701
13 0.76083 5.29308 3.45978
14 0.30437 1.34284 3.30857
15 0.23002 0.96712 3.15247
16 0.31827 1.41754 3.04404
17 0.84123 6.80905 3.26551
18 0.83224 6.60526 3.45105
19 0.33624 1.51641 3.34923
20 0.45902 2.27320 3.29543
21 0.05454 0.20751 3.14839
22 0.25729 1.10055 3.05530
23 0.61205 3.50347 3.07479
24 0.93899 10.34763 3.37782
25 0.55963 3.03449 3.36409
26 0.39933 1.88590 3.30724
27 0.08745 0.33859 3.19729
28 0.26099 1.11905 3.12306
29 0.05141 0.19528 3.02210
30 0.08283 0.31993 2.93203

Conclusión:

Se utilizo una función exponencial para poder calcular los plazos sugeridos de entrega asi mismo
se observa en que tarda en llegar un producto .

Descripción de ejercicio

18.- Se ha encontrado que el mantenimiento regular de una rutina de producción varía y se ha

modelado como un variable aleatoria normalmente distribuida con media 33 minutos y varianza 4
minutos2. Generar cinco tiempos de mantenimiento aleatorios de la distribución dada.

µ= 33
σ= 4

tiempo de ri rj funcion Promedi Promedi

 mantenimient
normal o o
o
1 0.45812 0.31097 37.10706 37.10706 32.17924
2 0.52707 0.66890 28.72689 32.91698
3 0.11295 0.71772 31.08174 32.30523
4 0.32238 0.76436 29.48543 31.60028
5 0.99306 0.90524 25.92686 30.46560
6 0.13167 0.73607 30.88257 30.53509
7 0.12958 0.85378 31.32503 30.64794
8 0.85644 0.54305 30.89415 30.67872
9 0.13577 0.12328 34.51135 31.10456
10 0.39349 0.10238 35.39928 31.53404
11 0.01786 0.44397 33.26184 31.69111
12 0.07842 0.21322 34.57355 31.93131
13 0.66938 0.46718 34.21861 32.10726
14 0.38462 0.07328 34.75134 32.29612
15 0.65262 0.88015 29.02228 32.07786
16 0.58444 0.59038 30.14886 31.95730
17 0.09640 0.33567 34.54637 32.10960
18 0.87544 0.49389 33.31318 32.17647
19 0.26058 0.60910 31.03238 32.11625
20 0.60317 0.66395 28.33732 31.92730
21 0.43685 0.08564 35.19683 32.08300
22 0.99089 0.23071 45.17237 32.67797
23 0.29931 0.15134 35.74598 32.81136
24 0.57038 0.72316 27.87417 32.60564
25 0.55197 0.69809 28.19845 32.42935
26 0.69145 0.53694 31.58918 32.39704
27 0.80565 0.30939 39.74185 32.66907
28 0.14516 0.55162 32.28612 32.65539
29 0.63543 0.35759 37.43266 32.82013
30 0.35487 0.31050 36.47770 32.94205

Conclusión:

Se utilizaron valores aleatorios con una media de 33 y una varianza de 4 observando el promedio
de tiempo de mantenimiento.
Descripción de ejercicio

19.- Una máquina se saca de producción si falla o después de 5 horas, lo que ocurra primero. Al
ejecutar máquinas similares hasta la falla, se ha encontrado que el tiempo hasta la falla X tiene el
Distribución de Weibull con α = 8, β = 0.75 y ν = 0. Por lo tanto, el tiempo hasta que se toma la
máquina fuera de producción se puede representar como Y = min(X, 5). Desarrolle un
procedimiento paso a paso para generando y.

β= 0.75
α= 8
y= 0

x ri Wi Promedio promedio
1 0.64572 0.75347 0.75347 0.71516
2 0.40712 0.69159 0.72253
3 0.11463 0.57643 0.67383
4 0.47893 0.71094 0.68311
 5 0.65652 0.75625 0.69774
6 0.90227 0.83345 0.72035
7 0.84169 0.80957 0.73310
8 0.73640 0.77746 0.73865
9 0.30617 0.66134 0.73006
10 0.84410 0.81041 0.73809
11 0.21198 0.62688 0.72798
12 0.43325 0.69878 0.72555
13 0.31692 0.66481 0.72088
14 0.69118 0.76527 0.72405
15 0.33071 0.66915 0.72039
16 0.10152 0.56723 0.71082
17 0.65815 0.75667 0.71351
18 0.78408 0.79113 0.71782
19 0.66790 0.75919 0.72000
20 0.33940 0.67184 0.71759
21 0.14342 0.59400 0.71171
22 0.20611 0.62441 0.70774
23 0.05445 0.52309 0.69971
24 0.72769 0.77506 0.70285
25 0.54419 0.72772 0.70385
26 0.20574 0.62425 0.70079
27 0.76123 0.78445 0.70388
28 0.99656 0.93174 0.71202
29 0.33009 0.66896 0.71054
30 0.67811 0.76184 0.71225

Conclusión:

La distribución de Weibull tiene una propiedad ligada a que según sean los valores de de la tabla
podemos presentar las tasas de fallo crecientes, decrecientes o constantes en este caso se
encontró el tipo de falla en maquinas