Dist. de Probabilidad Continuas

DISTRIBUCIONES DE PROBABILIDAD
Para variables aleatorias continuas
Jorge Alberto Barón Cárdenas
Universidad de Córdobas
Monterı́a - Córdoba
1 de mayo de 2020
Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 1 / 58

Tabla de Contenido
1 Distribuciones de Probabilidad de Variables Continuas

Distribución uniforme continua
Distribución Normal
Distribución Exponencial
Distribución Gamma
Referencias

Distribuciones de Probabilidad de Variables Continuas Distribución uniforme continua
Distribución Uniforme
Una de las distribuciones continuas más simples de la estadı́stica

es la distribución uniforme continua. En esta distribución todos los
intervalos de igual longitud en la distribución en su rango son igual-
mente probables. El rango está definido por dos parámetros, a y b,
que corresponden a los valores mı́nimo y máximo respectivamente,
por lo cual la probabilidad es uniforme en un intervalo cerrado, di-
gamos [a, b]. La distribución es a menudo escrita en forma abreviada
como U (a, b). Aunque las aplicaciones de la distribución uniforme
continua no son tan abundantes como las de otras distribuciones.

La función de densidad de una variable aleatoria uniforme continua
X en el intervalo [a, b] es:
(
1
si a ≤ x ≤ b
f (x) = b−a
0 en otro caso.

Teorema
Si X tiene distribución uniforme en el intervalo [a, b] entonces:
La función de distribución acumulada de X es:

0
 si x ≤ a
 x−a
F (x) = P (X ≤ x) = si a < x < b

 b−a
1 si x ≥ b

El valor esperado y la varianza son respectivamente:
a+b (b − a)2
E (X) = y V ar (X) =
2 12

Ejemplo:
Suponga que el tiempo máximo que se puede reservar una sala
de conferencias grande de cierta empresa son cuatro horas. Con
mucha frecuencia tienen conferencias extensas y breves. De hecho,
se puede suponer que la duración X de una conferencia tiene una
distribución uniforme en el intervalo [0, 4].
a ¿Cuál es la probabilidad de que cualquier conferencia
determinada dure más de 3 horas?
b Calcule la duración media por conferencia y la varianza.

Solución
Sea X la duración que tiene una conferencia, donde X ∼ U (0, 4),
luego:
P (X > 3) = 1 − P (X ≤ 3)
= 1 − F (3)
3−0 3 1
=1− = 1 − = = 0.25 (25 %)
4−0 4 4
Por consiguiente la probabilidad de que cualquier conferencia de-
terminada dure más de 3 horas es del 25 %

La duración media por conferencia y la varianza.

a+b
E (X) = = 0+4
2
=2
2
(b − a)2 (4 − 0)2 16
V ar (X) = = = = 1.33
12 12 12

Código R
P (X > 3)
punif(q,a,b,lower.tail)
1-punif(3,0,4)
[1] 0.25
punif(3,0,4, lower.tail = FALSE)

[1] 0.25

Distribuciones de Probabilidad de Variables Continuas Distribución Normal
La distribución normal a menudo se denomina distribución gaussia-

na en honor de Karl Friedrich Gauss (1777-1855), quien derivó su
ecuación a partir de un estudio de errores en mediciones repetidas
de la misma cantidad, es una función de probabilidad para variables
aleatorias continuas de gran aplicación en ingenierı́a, en la fı́sica y
en las ciencias sociales. De hecho, es la función de probabilidad con
más aplicaciones al campo de la economı́a y de la empresa.
La distribución normal ofrece una aproximación excelente a algunos
fenómenos aleatorios continuos, como:
- caracterı́sticas humanas (peso, estatura, coeficiente intelectual)
- resultados de procesos fı́sicos (dimensiones, rendimientos, produc-
ción)
- errores de medición

Propiedades
1 −∞ < x < +∞
2 Es simétrica con respecto a
la media (µ = M o = M e)
3 Puntos de inflexión en
x=µ−σ y x=µ+σ
4 Es asintótica al eje de la
abscisas

X ∼ N (µ, σ 2 ); donde µ ∈ R, σ 2 > 0

La variable aleatoria X, tiene distribución normal con media µ y
varianza σ 2 si tiene función de densidad de probabilidad dada por:
1 x−µ 2
f (x) = √ 1 e− 2 ( σ ) ; −∞ < x < +∞
2πσ
Teorema
Si X es una variable aleatoria con distribución normal de paráme-
tros µ y σ 2 entonces:
Z +∞
E (X) = xf (x)dx = µ
−∞
Z +∞
V ar (X) = (x − E (X))2 f (x)dx = σ 2
−∞

Distribución Normal Estándar
Una variable aleatoria X, tiene distribución normal estándar, si X

tiene distribución normal con media 0 y varianza 1, es decir, tiene
función de densidad de probabilidad dada por:
1 2
f (x) = √1 e− 2 x ; −∞ < x < +∞
2π

Estandarización:
Si X es una variable aleatoria con distribución normal con paráme-
X −µ
tros µ y σ 2 , implica que Z = tiene distribución normal
σ
estándar.
Cálculo de Probabilidades
Si X es una variable aleatoria con distribución normal de paráme-
tros µ y σ 2 entonces:
Z x0
1 x−µ 2
P (X < x0 ) = √ 1 e− 2 ( σ ) dx
2πσ
−∞
P (X < x0 ) constituye el área bajo la curva desde −∞ hasta x0 .

Tabla de Distribución Normal Estándar, (-)

Tabla de Distribución Normal Estándar, (+)

Ejercicio 1:
Dada una distribución normal estándar, calcule las siguientes pro-
babilidades:
a P (Z < 1.43)
b P (Z < −2.16)
c P (Z > 2.46)
d P (−1.64 < Z < 1.64)




Solución:
Dada una distribución normal estándar, calcule las siguientes
probabilidades:
P (Z < 1.43) = 0.9236
P (Z < −2.16) = 0.0154
P (Z > 2.46) = 1 − P (Z ≤ 2.46) = 1 − 0.9331 = 0.0669
P (−1.24 < Z < 1.64) = P (Z < 1.64) − P (Z < −1.24)

= 0.9495 − 0.1075 = 0.8420

Código R
pnorm(q,mean,sd,lower.tail)
pnorm(1.43)
[1] 0.9236415
pnorm(-2.16)
[1] 0.01538633
pnorm(2.46,lower.tail = FALSE)
[1] 0.006946851
pnorm(1.64)-pnorm(-1.24)
[1] 0.8420097
Ejercicio 2:
Sea X una variable aleatoria con distribución normal de parámetros
µ = 10 y σ 2 = 4, calcular
a P (X < 12)
b P (X > 3)
c P (9 < X < 11)
d El valor de a tal P (X ≤ a) = 0.975

Solución:

X −µ 12 − 10
P (X < 12) = P <
σ 2
= P (Z < 1) = 0.8413

X −µ 3 − 10
P (X > 3) = P >
σ 2
= P (Z > −3.5)
= 1 − P (Z ≤ −3.5) = 1 − 0.0002 = 0.9998


9 − 10 X −µ 11 − 10
P (9 < X < 11) = P < <
2 σ 2
= P (−0.5 < Z < 0.5)
= P (Z < 0.5) − P (Z < −0.5)
= 0.6915 − 0.3085 = 0.3850

El valor de a tal P (X ≤ a) = 0.975

X −µ a − 10
P (X ≤ a) = P ≤
σ 2

a − 10
=P Z≤
2
a−10
Implica que: 2
= 1.96 =⇒ a = 2 (1.96) + 10 = 13.92

Código R:
Sea X una variable aleatoria con distribución normal de parámetros
µ = 10 y σ 2 = 4, calcular:
P (X < 12) = 0.8413
pnorm(12,10,2)
[1] 0.8413447
P (X > 3) = 0.9998
pnorm(3,10,2,lower.tail = FALSE)
[1] 0.9997674

Código R:
P (9 < X < 11) = 0.3850
pnorm(11,10,2)-pnorm(9,10,2)
[1] 0.3829249
El valor de a tal P (X ≤ a) = 0.975
> qnorm(0.975,10,2)
[1] 13.91993

Ejercicios Propuestos
1. Cierto tipo de baterı́a de almacenamiento dura, en promedio,
3.0 años, con una desviación estándar de 0.5 años. Suponga que
la duración de la baterı́a se distribuye normalmente y calcule la
probabilidad de que una baterı́a determinada dure menos de 2.3
años.
2. El diámetro interior del anillo de un pistón terminado se distribu-
ye normalmente con una media de 10 centı́metros y una desviación
estándar de 0.03 centı́metros.
¿Qué proporción de anillos tendrá diámetros interiores que
excedan 10.075 centı́metros?
¿Cuál es la probabilidad de que el anillo de un pistón tenga
un diámetro interior de entre 9.97 y 10.03 centı́metros?
¿Por debajo de qué valor del diámetro interior caerá el 15 %
de los anillos de pistón?
3. Un abogado viaja todos los dı́as de su casa en los suburbios a su

oficina en el centro de la ciudad. El tiempo promedio para un viaje
sólo de ida es de 24 minutos, con una desviación estándar de 3.8
minutos. Si se supone que la distribución de los tiempos de viaje
está distribuida normalmente.
¿Cuál es la probabilidad de que un viaje tome al menos 1/2
hora?
Si la oficina abre a las 9:00 a.m. y él sale diario de su casa a
las 8:45 a.m., ¿qué porcentaje de las veces llegará tarde al
trabajo?

4. Dada la variable X normalmente distribuida con una media de

18 y una desviación estándar de 2.5, calcule
a P (X < 15)
b El valor de k tal que P (X < k) = 0.2236
c El valor de k tal que P (X > k) = 0.1814
d P (17 < X < 21).

Distribuciones de Probabilidad de Variables Continuas Distribución Exponencial
Distribución Exponencial:
Supóngase una secuencia de eventos que ocurren aleatoriamente en
el tiempo mediante la distribución de Poisson de parámetro λ. En
este caso estudiamos el número de eventos x (t) en un intervalo de
tiempo [0, t] .
Supóngase ahora que necesitamos responder sobre el tiempo de
espera para que ocurra el primer evento. Si T denota esta variable
aleatoria, entonces T se puede modelar mediante la distribución
exponencial, la cual tiene función de densidad dada por:
f (t) = λe−λt ; t>0

Teorema
Si T es una variable aleatoria con distribución exponencial de
parámetro λ entonces:
R +∞
E (T ) = 0 tf (t)dt = λ1
R +∞
V ar (T ) = 0 (t − E (t))2 f (t)dt = λ12

Teorema
Si T es una variable aleatoria con distribución exponencial de
parámetro λ entonces la función de distribución acumulada
de T está dada por:
Rt
F (to ) = P (T ≤ to ) = 0 0 f (t)dt = 1 − e−λt0
Luego:
P (T ≤ t) = 1 − e−λt
P (T > t) = e−λt

Ejemplo 1
La duración de cierto componente eléctrico (en horas) es una va-
riable aleatoria con función de densidad dada por:
1
1 − 100 t
f (t) = 100
e ; t>0
Encuentre la probabilidad de que el componente funcione por lo

menos 200 horas

Solución
Definamos:
T : Tiempo de funcionamiento del componente eléctrico.
1
De la función de densidad se tiene que λ = 100
, por consiguiente:
P (T ≥ 200) = 1 − P (T < 200)

200
200
= 1 − 1 − e− 100 = e− 100 = e−2 = 0.1353

Tiempo de funcionamiento esperado
1
E (T ) =
λ
1
= 1
100
= 100
Es decir que el tiempo esperado de funcionamiento del componente

eléctrico es de 100 horas

Código R:
P (T ≥ 200) = 0.1353
pexp(q,lambda,lower.tail)
pexp(200,1/100,lower.tail = FALSE)
[1] 0.1353353

Ejemplo 2:
Suponga que un sistema contiene cierto tipo de componente cuyo
tiempo de operación antes de fallar, en años, está dado por T .
La variable aleatoria T se modela bien mediante la distribución
exponencial con tiempo medio de operación de 5 años antes de
fallar. Si se instalan 10 de estos componentes en diferentes sistemas,
¿cuál es la probabilidad de que al final de 8 años al menos dos aún
funcionen?
Solución
Tenemos que E (T ) = 5=⇒ λ1 = 5=⇒ λ = 15
La probabilidad de que un componente determinado siga funcio-
nando después de 8 años es dada por:
8
P (T > 8) = e− 5 = 0.2019 (20.19 %)
Ahora, definamos a X como el número de componentes que todavı́a

funcionan después de 8 años de los 10 componentes instalados. Lue-
go X se puede modelar a través de la distribución binomial, con
parámetros n = 10 y p = 0.2019, Ası́:
P (X ≥ 2) = 1 − P (X < 2)
= 1 − [P (X = 0) + P (X = 1)]

10 10
=1− 0.20190 (1 − 0.2019)10−0 + 0.20191 (1 − 0.2019)10−1
0 1
=1-[0.1049 + 0.2653]
= 0.6299 (62.99 %)

Código R:
P (T > 8) = 0.2019
p<-pexp(8,1/5,lower.tail = FALSE);p
[1] 0.2018965
P (X ≥ 2) = 0.6299
1-pbinom(1,10,p)
[1] 0.6298905

Propiedad: (falta de memoria de distribución exponencial)

Si T tiene distribución exponencial de parámetro λ, entonces para
t, s > 0, se tiene que:
P (T > t + s/T > s) = P (T > t)
Ejemplo:
Suponga que el tiempo de espera de un restaurante es una variable
aleatoria con distribución exponencial con un tiempo medio de 6
minutos. Cuál es la probabilidad de que alguien espere más de 12
minutos, dado que ya espero más de 5 minutos.

Solución:
Sea T : el tiempo de espera hasta ser atendido. Ası́,
E (T ) = λ1 = 6, implica de que: λ = 61 , por consiguiente:
P (T > 12/T > 5) = P (T > 7 + 5/T > 5)

7
= P (T > 7) = e− 6 = 0.3114

Código R:
P (T > 12/T > 5) = P (T > 7) = 0.3114
pexp(7,1/6,lower.tail = FALSE)
[1] 0.311403

Distribuciones de Probabilidad de Variables Continuas Distribución Gamma
Función Gamma
La función gamma (denotada como Γ (α), donde Γ es la letra griega
gamma en mayúscula), es una aplicación que extiende el concepto
de factorial a los números reales positivos.
Z +∞
Γ (α) = xα−1 e−x dx; α > 0
0
Propiedades
a Γ (α) = (α − 1)! para α ∈ N
b Γ (α) = (α − 1) Γ (α − 1)
√
c Γ 12 = π

Es una distribución adecuada para modelar el comportamiento de

variables aleatorias continuas con asimetrı́a positiva. Es decir, va-
riables que presentan una mayor densidad de sucesos a la izquierda
de la media que a la derecha. En su expresión se encuentran dos
parámetros, siempre positivos, α y β de los que depende su for-
ma y alcance por la derecha, y también la función Gamma Γ (α),
responsable de la convergencia de la distribución.
En muchos casos se utiliza para modelar el tiempo de espera para
r-ocurrencias.

La variable aleatoria continua X tiene una distribución gamma,
con parámetros α y β, si su función de densidad está dada por:
β α α−1 −βx
f (x) = x e ; x > 0 y α, β > 0
Γ (α)
α
E (X) =
β
α
V ar (X) =
β2

Ejemplo: Suponga que las llamadas telefónicas que llegan a un

conmutador particular siguen un proceso de Poisson con un prome-
dio de 5 llamadas entrantes por minuto. ¿Cuál es la probabilidad de
que transcurra hasta un minuto en el momento en que han entrado
2 llamadas al conmutador?
Solución
Como el interés es modelar el tiempo de espera hasta obtener 2
ocurrencias, es decir se denota a X como el tiempo transcurrido
hasta obtener dos llamadas telefónicas, de esta forma, dicha situa-
ción puede ser modelada mediante la distribución Gamma, con:
α = 2 (número de ocurrencias)
β = 5 (Promedio de ocurrencia)

Ası́:
β α α−1 −βx 52 2−1 −5x
f (x) = x e = x e
Γ (α) Γ (2)
= 25xe−5x
Luego:
Z 1 Z 1 Z 1
P (X ≤ 1) = f (x) dx = 25xe−5x dx = 25 xe−5x dx
0 0 0
( 1 )
1 1 −5x
Z
1
= 25 − xe−5x + e dx
5 0 5 0
( )
1 −5x 1 1 1

1
= 5 −xe−5x 0 − = −5e−5x x +

e
5 0 5 0
= −6e−5 + 1 = 0.9596

Código R:
P (X ≤ 1) = 0.9596
pgamma(q,shape,scale)
# shape=alpha (Parámetro de forma)
# scale=1/beta (Parámetro de escala)
pgamma(1,shape=2,scale=1/5)
[1] 0.9595723

Función de Distribución Acumulada

Si X tiene distribución con parámetros α, β ∈ N, entonces la fun-
ción de distribución acumulada de X, se puede obtener mediante
la función Gamma incompleta.
Z k
β α α−1 −βx
F (k) = P (X ≤ k) = Γ(α)
x e dx
0
si hacemos y = xβ, implica de que x = βy ; dx = dy

β
, luego
Z kβ Z kβ
α−1 y 1
F (k) = βα
Γ(α)
y
β
e−β ( β ) dy
β
= y α−1 e−y dy
0 Γ (α) 0
Por consiguiente, nos dirigimos a la tabla de la función gam-

ma incompleta y obtenemos la probabilidad correspondiente a
F (x = kβ; α)

Ejemplo:
A partir de datos previos se sabe que la longitud de tiempo, en
meses, entre las quejas de los clientes sobre cierto producto es una
distribución gamma α = 2 y β = 0.25. Se realizaron cambios pa-
ra hacer más estrictos los requerimientos del control de calidad
después de los cuales pasaron 20 meses antes de la primera que-
ja. ¿Parecerı́a que los cambios realizados en el control de calidad
resultaron eficaces?
Solución
Sea X el tiempo para que se presente la primera queja, el cual,
en las condiciones anteriores a los cambios, seguı́a una distribución
gamma con α = 2 y β = 0.25. La pregunta se centra alrededor de
que tan razonable es un tiempo para la queja, mayor o igual a 20
meses en las condiciones anteriores.
Luego, kβ = (0.25) (20) = 5; ası́
Z 5
1
P (X ≥ 20) = 1 − y α−1 e−y dy
Γ (2) 0
= 1 − F (5; 2) = 1 − 0.96 = 0.04
por consiguiente, podemos asumir que bajo las condiciones anterio-

res, era poco probable que el tiempo entre quejas fuera mayor a 20
mese, por tanto, es razonable concluir que el trabajo de control de
calidad resultó eficaz.

Código R:
P (X ≥ 20) = 0.04
pgamma(20,shape=2,scale=1/0.25,lower.tail = FALSE)
[1] 0.04042768

Otras distribuciones importantes
Además de las distribuciones estudiadas para variables aleatorias

continuas, tenemos otras que de gran utilidad en el campo de la
estadı́stica, como son:
Distribución Chi-cuadrado
Distribución Beta
Distribución Logarı́tmica Normal
Distribución Weibull
Distribución t- Student
Distribución F- Fisher

Bibliografı́a
Referencias I
Montgómery, D. (2003). Probabilidad y Estadı́stica aplicadas a la

Ingenierı́a. EDITORIAL LIMUSA.
RONALD E. WALPOLE, R. (Novena edición, 2012). Probabilidad y
estadı́stica para ingenierı́a y ciencias. PEARSON EDUCACIÓN,
México.
Webster, A. (2000). Estadı́stica aplicada a los negocios y la eco-
nomı́a. Bradley University.

Dist. de Probabilidad Continuas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Dist. de Probabilidad Continuas

Cargado por

Copyright:

Formatos disponibles

DISTRIBUCIONES DE PROBABILIDAD

Para variables aleatorias continuas

Jorge Alberto Barón Cárdenas

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 1 / 58

1 Distribuciones de Probabilidad de Variables Continuas

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 2 / 58

Una de las distribuciones continuas más simples de la estadı́stica

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 3 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 4 / 58

El valor esperado y la varianza son respectivamente:

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 5 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 6 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 7 / 58

La duración media por conferencia y la varianza.

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 8 / 58

punif(3,0,4, lower.tail = FALSE)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 9 / 58

La distribución normal a menudo se denomina distribución gaussia-

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 10 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 11 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 12 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 13 / 58

Distribución Normal Estándar

Una variable aleatoria X, tiene distribución normal estándar, si X

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 14 / 58

P (X < x0 ) constituye el área bajo la curva desde −∞ hasta x0 .

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 15 / 58

Tabla de Distribución Normal Estándar, (-)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 16 / 58

Tabla de Distribución Normal Estándar, (+)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 17 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 18 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 19 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 20 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 21 / 58

P (Z < 1.43) = 0.9236

P (Z < −2.16) = 0.0154

P (Z > 2.46) = 1 − P (Z ≤ 2.46) = 1 − 0.9331 = 0.0669

P (−1.24 < Z < 1.64) = P (Z < 1.64) − P (Z < −1.24)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 22 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 24 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 25 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 26 / 58

El valor de a tal P (X ≤ a) = 0.975

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 27 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 28 / 58

El valor de a tal P (X ≤ a) = 0.975

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 29 / 58

3. Un abogado viaja todos los dı́as de su casa en los suburbios a su

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 31 / 58

4. Dada la variable X normalmente distribuida con una media de

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 32 / 58

f (t) = λe−λt ; t>0

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 33 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 34 / 58

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 35 / 58

Encuentre la probabilidad de que el componente funcione por lo

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 36 / 58

P (T ≥ 200) = 1 − P (T < 200)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 37 / 58

Tiempo de funcionamiento esperado

Es decir que el tiempo esperado de funcionamiento del componente

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 38 / 58