EJERCICIOS DE MINITAB

Presentado por:

Jerson Stiven Hernández Cruz 20152077856

Angie katherine 2015

Eliana Lizeth Suarez Barreto 20152777420

Jose Manuel Betancourt Ayala 20152077337

Sergio David Mendoza Hernandez 20152777466

Presentado a:

Jeimmy Rojas

Universidad Distrital Francisco José de Caldas

Facultad Tecnológica

Teoría de la decisión

Bogotá D.C

2019
 1. Al analizar los impactos de las bombas V-1 en la segunda guerra mundial, el sur de Londres se
subdividió en 576 regiones, cada una con área de 0.25𝑘𝑚2. En total, 535 bombas impactaron
el área combinada en 576 regiones.
a) Si se selecciona al azar una región, calcule la probabilidad de que haya sido impactada
exactamente en dos ocasiones.

 Número medio de impactos por región:

𝟓𝟑𝟓
= 𝟎, 𝟗𝟐𝟖𝟖
𝟓𝟕𝟔

𝟎,𝟗𝟐𝟖𝟐 ×(𝒆−𝟎,𝟗𝟐𝟖 )
𝒑 = (𝒙 = 𝟐) = = 𝟎, 𝟏𝟕𝟎𝟐
𝟐!

Poisson con media = 0,928

x P( X = x )

2 0,170232
 Gráfica de distribución
Poisson. Media=0,928

0,4

0,3
Probabilidad

0,2
0,1702

0,1

0,0
0 2 5
X

Análisis: En la segunda guerra mundial la probabilidad que haya sido impactada una región
del sur de Inglaterra exactamente en dos ocasiones, fue de 17,02%.

2. Una compañía fabrica termómetros que se supone deben dar lecturas de 0°C grados al punto de
la congelación del agua. Las pruebas de una muestra grande de estos instrumentos revelaron
que en el punto de congelación del agua, algunos termómetros daban lecturas por debajo de 0°
grados, y otros daban lecturas por encima de 0° grados, suponga que la lectura media es de 0°C
grados y que la desviación estándar de las lecturas es 1.00 grados.

a. Si se elige al alzar un termómetro, calcule la probabilidad de que, al punto de

congelación del agua, la lectura sea menor que 1,58°.

𝝁 = 𝟎°𝑪

𝝈 = 𝟏. 𝟎𝟎°

𝒙 = 𝟏. 𝟓𝟖°
 𝟏. 𝟓𝟖 − 𝟎
𝒁= = 𝟏, 𝟓𝟖
𝟏. 𝟎𝟎

𝑷(𝔃 ≤ 𝟏, 𝟓𝟖) = 𝟎, 𝟗𝟒𝟐 = 𝟗𝟒, 𝟐%

Normal con media = 0 y desviación estándar = 1

x P( X ≤ x )
1,58 0,942947

Gráfica de distribución
Normal. Media=0. Desv.Est.=1

0,4

0,9429
0,3
Densidad

0,2

0,1

0,0
0 1,58
X

Análisis: En esta fábrica de termómetros la probabilidad de que las lecturas estén por debajo de
1,58 grados es del 94,29%.

b. Calcule la probabilidad de que el termómetro elegido tenga lecturas (en el punto de

congelación del agua) entre -2,00 grados y 1,50 grados.
Normal con media = 0 y desviación estándar = 1
x P( X ≤ x )
-2 0,0227501

Normal con media = 0 y desviación estándar = 1

x P( X ≤ x )
1,5 0,933193

 Probabilidad entre -2,00 y 1,50

93,31 − 2,27 = 91,04%

Gráfica de distribución
Normal. Media=0. Desv.Est.=1

0,4 0,9104

0,3
Densidad

0,2

0,1

0,0
-2 0 1,5
X

Análisis: La probabilidad de seleccionar termómetros que tenga lecturas de -2,00 (0,0228) y

1,50 (0,9332) es de 91.04%.
 3. At a services desk, the customers arrive, on average, 10 per hour. What´s the probability that
there will be 15 or more people that will arrive between 8:00 and 9:00 am.
𝟏𝟎
𝒑(𝒙 ≥ 𝟏𝟓) = 𝟏 − (𝟏 − 𝒆−𝟏𝟓 )

1-0,77= 0,22*100= 22%

Exponencial con media = 10

x P( X ≤ x )
15 0,776870

Gráfica de distribución
Exponencial. Escala=10. Valor umbral=0

0,10

0,08
Densidad

0,06

0,04

0,02

0,2231
0,00
0 15
X

Análisis: La probabilidad de que llegue 15 o más personas entre las 8 am y 9 am es del 22 %

7. A radar unit is used to measure speeds of cars on a motorway. With a mean o 90 KM/hr and
standard deviation of 10 km/hr. ¿What’s the probability that a car picked at random is traveling at
more than 100 Km/hr?
 𝑘𝑚
𝜇 = 90
ℎ𝑟

𝑘𝑚
𝜎 = 10
ℎ𝑟

𝑘𝑚
𝑥 = 100
ℎ𝑟

100 − 90
𝑍= =1
10

𝑃(𝑥 > 1) = 1 − 0,8413 = 0,1587 = 15,87%

Gráfica de distribución
Normal; Media=90; Desv.Est.=10

0,04

0,03
Densidad

0,02

0,01

0,1587

0,00
90 100
X

Análisis: La probabilidad de que un carro seleccionado al azar se desplace a mas de 100 km/h es
del 15,87%.

8. Un call center recibe en promedio 60 llamadas por hora. Calcule la probabilidad de que en un minuto
no reciba ninguna llamada.

600 ∗ 𝑒 −60
𝑃(𝑥 = 0, 𝜆 = 60) = = 8.75𝑥10−27 = 8.75𝑥10−25 %
0!
Poisson con media = 60
x P( X = x )
0 0,0000000

Análisis: La probabilidad de que en un minuto no reciba ninguna llamada es de 8.75x10^-25

%, con el promedio del call se puede identificar que es imposible no recibir llamadas en un
minuto por ello la probabilidad es tan baja.

9. Se programa una dispensadora de refrescos para que sirva un promedio de 200 ml por vaso, si la
cantidad de bebida se distribuye con una desviación estándar igual a 15 ml y media 200.

a) ¿Qué fracción de los vasos contendrán más de 224 ml ?

𝝁 = 𝟐𝟎𝟎 𝒎𝒍

𝝈 = 𝟏𝟓 𝒎𝒍

𝒙 = 𝟐𝟐𝟒 𝒎𝒍

𝟐𝟐𝟒 − 𝟐𝟎𝟎
𝒁= = 𝟏, 𝟔
𝟏𝟓

𝑷(𝔃 ≥ 𝟏, 𝟔) = 𝟏 − 𝟎, 𝟗𝟒𝟓𝟐 = 𝟓, 𝟒𝟖%

Normal con media = 200 y desviación estándar = 15

x P( X <= x )
1- 224 0,945201
 Gráfica de distribución
Normal; Media=200; Desv.Est.=15
0,030

0,025

0,020
Densidad

0,015

0,010

0,005
0,05480
0,000
200 224
X

Análisis: La fracción de los vasos que contienen mas de 224 ml es de 5,48% serian pocos los vasos
que tengan este tipo de desviación.

b) ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 mililitros?

𝑷(𝟏𝟗𝟏 ≤ 𝒛 ≤ 𝟐𝟎𝟗)

𝟐𝟎𝟗 − 𝟐𝟎𝟎
𝒛= = 𝟎. 𝟔
𝟏𝟓

191 − 200
𝑧= = −0.6
15

𝑷(𝒛 ≤ 𝟎. 𝟔) − (𝟏 − (𝑷(𝒛 ≤ 𝟎. 𝟔))

𝟎. 𝟕𝟐𝟓𝟕 − (𝟏 − 𝟎. 𝟕𝟐𝟓𝟕) = 𝟎. 𝟒𝟓𝟏𝟒 = 𝟒𝟓. 𝟏𝟒%

 Gráfica de distribución
Normal; Media=200; Desv.Est.=15
0,030
0,4515
0,025

0,020
Densidad

0,015

0,010

0,005

0,000
191 200 209
X

Análisis: La probabilidad de que un vaso contenga entre 191 y 209 es del 45,14 %

c) ¿Cuántos vasos probablemente se derramarán si se utilizan vasos de 230 ml para las

siguientes 1000 bebidas?

𝟐𝟑𝟎 − 𝟐𝟎𝟎
𝒛= =𝟐
𝟏𝟓

𝑷(𝒛 ≥ 𝟐) = 𝟏 − (𝑷(𝒛 ≤ 𝟐)

𝟏 − 𝟎. 𝟗𝟕𝟕𝟐 = 𝟎. 𝟎𝟐𝟐𝟖 = 𝟐. 𝟐𝟖%

Normal con media = 200 y desviación estándar = 15

x P( X <= x )
1- 230 0,977250

1000 *0,002228 = 22.8 vasos

 Gráfica de distribución
Normal; Media=200; Desv.Est.=15
0,030

0,025

0,020
Densidad

0,015

0,010

0,005

0,0228
0,000
200 230
X

Análisis: La probabilidad de que se derramen las bebidas si se utilizan vasos de 230 ml es del
2.28% para los siguientes 1000 vasos de más.

d) ¿Por debajo de que valor obtendremos 25% de las bebidas más pequeñas?
𝑷(𝒛 ≤ 𝟎. 𝟐𝟓)

Gráfica de distribución
Normal; Media=200; Desv.Est.=15
0,030

0,025

0,020
Densidad

0,015

0,010

0,005 0,25

0,000
189,9 200
X

Análisis: Se obtendrán 189,9 bebidas más pequeñas por debajo del 25%.
10. The average number of emails that arrive in your mailbox is 12 per hour. ¿What´s the maximun
number of emails that should arrive in any one hour with at least 90% certainty?

𝑷 = 𝟏 − 𝒆−𝒙/∅

𝟏 − 𝑷 = 𝒆−𝒙/∅

−𝒙
𝑳𝒐𝒈(𝟏 − 𝑷) = ∗ 𝑳𝒐𝒈(𝒆)
∅

𝑳𝒐𝒈(𝟏 − 𝑷) ∗ ∅
(−𝟏)(−𝒙) = ( )(−𝟏)
𝑳𝒐𝒈(𝒆)

𝑳𝒐𝒈(𝟏 − 𝟎. 𝟗𝟎) ∗ 𝟏𝟐
𝒙=
𝑳𝒐𝒈 (𝒆)

𝒙 = 𝟐𝟕, 𝟔𝟑

Función de distribución acumulada

Exponencial con media = 12

x P( X <= x )
27,63 0,899991
 Gráfica de distribución
Exponencial; Escala=12; Valor umbral=0
0,09

0,08

0,07

0,06
Densidad

0,05

0,04

0,03 0,900

0,02

0,01

0,00
0 27,63
X

Análisis: El número máximo de correos electrónicos que deben llegar en una hora son 27,63
correos la cual llegan con el 90% de certeza.

Si por hora alcanzan a llegar 12 correos electrónicos lo máximo que puede llegar son 28 correos
aproximadamente y la cual pueden que lleguen o no.

11. Se sabe que el tiempo de espera una persona que llama a un centro de atención al público para ser
atendido por un asesor es una variable aleatoria exponencial con μ = 5 minutos. Encuentre la
probabilidad de que una persona que llame al azar en un momento dado tenga que esperar:

a) A lo sumo 5 minutos.

𝑷(𝒙 ≤ 𝟓) = 𝒇(𝟓)

𝟏 − 𝒆−𝟓/𝟓 = 63,21%

Función de distribución acumulada

Exponencial con media = 5

x P (X <= x)
5 0,632121

Gráfica de distribución
Exponencial; Escala=5; Valor umbral=0

0,20

0,15

0,632
Densidad

0,10

0,05

0,00
0 5
X

Análisis: La probabilidad de que una persona llame al azar en un momento dado y tenga que
esperar a lo sumo 5 minutos o 4, 3, 2,1 minuto es de 63,21%.

e) A lo menos 10 minutos

𝑷(𝒙 ≥ 𝟏𝟎) = 𝟏 − 𝒇(𝟏𝟎)

𝟏𝟎
𝟏 − (𝟏 − 𝒆− 𝟓 )

𝟏 − 𝟎, 𝟖𝟔𝟒𝟔 = 𝟏𝟑, 𝟓𝟒%

Función de distribución acumulada

Exponencial con media = 5

x P( X <= x ) -1
10 0,864665
 Gráfica de distribución
Exponencial; Escala=5; Valor umbral=0

0,20

0,15
Densidad

0,10

0,05

0,135
0,00
0 10
X

Análisis: La probabilidad de que una persona tenga que esperar al menos 10 minutos o más de
esos 10 minutos en el centro de atención al público es del 13,54%.

f) Entre 3 y 10 minutos.

𝑷(𝒙 ≤ 𝟏𝟎) − 𝑷(𝒙 ≥ 𝟑)

𝟏𝟎 𝟑
(𝟏 − 𝒆− 𝟓 ) − (𝟏 − (𝟏 − 𝒆−𝟓 ))

𝟎, 𝟖𝟔𝟒𝟔 − 𝟎, 𝟓𝟒𝟖𝟗 = 𝟑𝟏, 𝟓𝟕%

Función de distribución acumulada

Exponencial con media = 5 Exponencial con media = 5

x P( X <= x ) x P( X <= x )
3 ( 0,451188 -1) - (10 0,864665)
 Gráfica de distribución
Exponencial; Escala=5; Valor umbral=0

0,20

0,15
Densidad

0,10

0,865

0,05

0,00
0 10
X

Gráfica de distribución
Exponencial; Escala=5; Valor umbral=0

0,20

0,15
Densidad

0,10

0,05

0,549
0,00
0 3
X
Análisis: La probabilidad de que una persona llame al azar en un momento dado, y que tenga
que esperar entre 3 y 10 minutos es de 31,57%.

12. Se sabe que el kilometraje, en miles de kilómetros, que un autobús recorre antes de que se someta
a una reparación del motor sigue una distribución exponencial con μ = 80.000
a) Si se tiene una flota de 300 autobuses, ¿cuántos se esperaría que se sometieran a reparación
antes de los 60, 000 Km?
𝑷(𝒙 ≤ 𝟔𝟎. 𝟎𝟎𝟎) = 𝒇(𝟔𝟎. 𝟎𝟎𝟎)
𝟔𝟎𝟎𝟎𝟎
𝟏 − 𝒆−𝟖𝟎𝟎𝟎𝟎 = 𝟓𝟐, 𝟕𝟔%
𝟎, 𝟓𝟐𝟕𝟔 ∗ 𝟑𝟎𝟎 = 𝟏𝟓𝟖 𝒃𝒖𝒔𝒆𝒔
Función de distribución acumulada

Exponencial con media = 80000

x P( X <= x )
60000 0,527633*300

Gráfica de distribución
Exponencial; Escala=80000; Valor umbral=0
0,000014

0,000012

0,000010
0,528
Densidad

0,000008

0,000006

0,000004

0,000002

0,000000
060000
X

Análisis: Se espera que se sometan a reparación 158 autobuses antes de los 60,000 Km, un poco
menos de la mitad de la flota.
b) ¿Cuál es la probabilidad de que un autobús recorra más de 100,000 Km. antes de someter el
motor a reparación?
𝑷(𝒙 ≥ 𝟏𝟎𝟎, 𝟎𝟎𝟎) = 𝒇(𝟏𝟎𝟎, 𝟎𝟎𝟎)
𝟏𝟎𝟎𝟎𝟎𝟎
𝟏 − (𝟏 − 𝒆− 𝟖𝟎𝟎𝟎𝟎 ) = 𝟐𝟖, 𝟔𝟓%

Función de distribución acumulada

Exponencial con media = 80000

x P( X <= x )
100000 0,713495 -1

Gráfica de distribución
Exponencial; Escala=80000; Valor umbral=0
0,000014

0,000012

0,000010
Densidad

0,000008

0,000006

0,000004

0,000002

0,287
0,000000
0 100000
X

Análisis: La probabilidad de que un autobús recorra más de 100.000 km antes de someter el motor a
reparación es del 28,65%

13. Si el consumo mensual de agua, en metros cúbicos, que tienen las familias en cierta localidad tiene
una distribución exponencial con μ = 10.
a) ¿Cuál es la probabilidad de que una familia consuma menos de 3 metros cúbicos al mes?
𝑷(𝒙 ≤ 𝟑) = 𝒇(𝟑)
𝟑
𝟏 − 𝒆−𝟏𝟎 = 𝟐𝟓, 𝟗𝟏%
Función de distribución acumulada

Exponencial con media = 10

x P( X <= x )
3 0,259182

Gráfica de distribución
Exponencial; Escala=10; Valor umbral=0

0,10

0,259
0,08
Densidad

0,06

0,04

0,02

0,00
03
X

Análisis: La probabilidad de que una familia consuma menos de 3 metros cúbicos al mes es del
25,91%

b) ¿Cuál es la probabilidad de que el consumo mensual de agua de una familia rebase los 40
metros cúbicos?
𝑷(𝒙 ≥ 𝟒𝟎) = 𝒇(𝟒𝟎)
𝟒𝟎
(𝟏 − (𝟏 − 𝒆−𝟏𝟎 ))

= 𝟏, 𝟖𝟑%
Función de distribución acumulada

Exponencial con media = 10

x P( X <= x ) -1
40 0,981684
 Gráfica de distribución
Exponencial; Escala=10; Valor umbral=0

0,10

0,08
Densidad

0,06

0,04

0,02

0,0183
0,00
0 40
X

Análisis: La probabilidad de que el consumo mensual de agua de una familia rebase los 40 metros
cúbico es del 1,83%

14. Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue una
distribución con una media de 2,3 imperfecciones por mm

a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.

𝟐. 𝟑𝟐 ∗ 𝒆−𝟐.𝟑
𝑷(𝒙 = 𝟐, 𝝀 = 𝟐, 𝟑) =
𝟐!
= 𝟎, 𝟐𝟔𝟓 = 𝟐𝟔, 𝟓𝟏%

Poisson con media = 2,3

X P( X = x )
2 0,265185
 Gráfica de distribución
Poisson; Media=2,3
0,30

0,2652
0,25

0,20
Probabilidad

0,15

0,10

0,05

0,00
0 2 8
X

Análisis: La probabilidad de que en un 1 mm de alambre aparezcan 2 errores es del 26.51%.

b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.

𝟓𝒎𝒎 ∗ 𝟐. 𝟑 = 𝟏𝟏. 𝟓
𝟏𝟏. 𝟓𝟏𝟎 ∗ 𝒆−𝟏𝟏.𝟓
𝑷(𝒙 = 𝟏𝟎, 𝝀 = 𝟏𝟏. 𝟓) =
𝟏𝟎!
= 𝟎, 𝟏𝟏𝟐𝟗 = 𝟏𝟏. 𝟐𝟗%

Poisson con media = 11,5

x P( X = x )
10 0,112935
 Gráfica de distribución
Poisson; Media=11,5

0,12
0,1129

0,10

0,08
Probabilidad

0,06

0,04

0,02

0,00
2 10 23
X

Análisis: Para este ejercicio, se cambia la media, esta se multiplica por los mm de alambre, en
este caso 5mm dando una media de 11,5 errores por 5 mm, en conclusión, la probabilidad de
que en 5 mm de alambre existan 10 errores es del 11,29%.

c) Determine la probabilidad de al menos una imperfección en 2mm de alambre.

𝟐𝒎𝒎 ∗ 𝟐. 𝟑 = 𝟒. 𝟔
𝟒. 𝟔𝟎 ∗ 𝒆−𝟒.𝟔
𝑷(𝒛 ≥ 𝟏) = 𝟏 − ( )
𝟎!
= 𝟎, 𝟗𝟖𝟗𝟗 = 𝟗𝟖. 𝟗𝟗%

Poisson con media = 4,6

x P( X ≤ x )
0 0,0100518
 Gráfica de distribución
Poisson; Media=4,6
0,20

0,15
Probabilidad

0,10
0,9899

0,05

0,00
0 1
X

RTA: La probabilidad, de que en 2 mm de alambre exista por lo menos una imperfección, es

del 98.99% una probabilidad bastante alta.
Análisis: Las probabilidades para esta situación de que existan errores a lo largo del material,
es bastante alta, habría que mirar en que parte del proceso se están generando la mayoría de
los errores e intervenir, para posteriormente bajar la media de errores por mm de alambre y
reducir de esa manera la probabilidad de error.

15. Sí la probabilidad de que un cierto dispositivo de medición muestre una desviación excesiva es de
0.05, ¿cuál es la probabilidad de que el séptimo de estos dispositivos de medición sometidos a prueba
sea el primero que no muestre una desviación excesiva?
a) ¿Cuál es la probabilidad de que el sexto de estos dispositivos de medición sometidos a
prueba sea el primero en mostrar una desviación excesiva?
𝑷(𝒙 = 𝟔) = 𝟎. 𝟗𝟓𝟔−𝟏 ∗ 𝟎. 𝟎𝟓 = 𝟎. 𝟎𝟑𝟖𝟔

Geométrico con p = 0,05

x P( X = x )
6 0,0386890
 Gráfica de distribución
Geométrico; p=0,05

0,05

0,04 0,03869
Probabilidad

0,03

0,02

0,01

0,00
1 6 104
X
X = número total de pruebas.

RTA: La probabilidad de que el sexto dispositivo analizado sea el primero que arroje una
desviación excesiva es del 3,86%.

b) ¿Cuál es la probabilidad de que el séptimo de estos dispositivos de medición sometidos a

prueba sea el primero que no muestre una desviación excesiva?

𝑷(𝒙 = 𝟕) = 𝟎. 𝟎𝟓𝟕−𝟏 ∗ 𝟎. 𝟗𝟓 = 𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟏𝟒𝟖

Geométrico con p = 0,95

x P( X = x )
7 0,0000000148

RTA: La probabilidad de que el séptimo dispositivo analizado sea el primero que no muestre
una desviación excesiva es del 0.00000148%, una probabilidad bastante baja.
Análisis: Analizando este ejercicio, se llega a la conclusión, de que estos dispositivos tienen
probabilidades muy bajas de fallar.

16. Los registros de una compañía constructora de pozos, indican que la probabilidad de que uno de
sus pozos nuevos, requiera de reparaciones en el término de un año es de 0.20. ¿Cuál es la probabilidad
de que el quinto pozo construido por esta compañía en un año dado sea el primero en requerir
reparaciones en un año?

𝑷(𝒙 = 𝟓) = 𝟎. 𝟖𝟎𝟓−𝟏 ∗ 𝟎. 𝟐𝟎 = 𝟎. 𝟎𝟖𝟏𝟗𝟐

P= 20%

q = 80%

Geométrico con p = 0,2

x P( X = x )
5 0,08192

Gráfica de distribución
Geométrico; p=0,2

0,20

0,15
Probabilidad

0,10
0,08192

0,05

0,00
1 5 24
X
X = número total de pruebas.

RTA y análisis: La probabilidad de que el quinto pozo construido sea el primero en necesitar
reparaciones es del 8,19%. Para este caso, esta probabilidad indica, que antes o después existe
una probabilidad del 91,8% (1-0.08192) de que pozo que necesite probabilidad, para este caso se
sugeriría llevar un control promedio de cada cuanto pozo construido están necesitan
reparaciones, y verificar por pozo reparado las condiciones bajo el que este se construyó, para
así pasar a tomar los respectivos planes de acción.