Unidad IV de Aprendizaje

Variables Aleatorias Continuas y

Modelos Continuos de Probabilidad

Manuel Treco Hernández

2020
4.1 Variable Aleatoria Continua.
Una variable aleatoria 𝑿 se dice continua, si su recorrido 𝑹𝑿 es un conjunto
infinito no numerable, es decir, puede tomar todos los posibles valores del
conjunto ℝ de números reales o de un subconjunto definido por un intervalo
de valores reales.
Ejemplo 1:
a) Considere la variable aleatoria 𝑋 definida por “el tiempo en minutos que
dedica un alumno a hacer un examen con duración máxima de dos horas”.
En este caso el recorrido de la variable aleatoria 𝑿 es un subconjunto de
números reales.
𝑅𝑋 = 𝑥 ∈ ℝ: 0 £ x £120 = 0, 120
b) Sea la variable aleatoria Y definida como “la fortuna de un apostador”. El
recorrido de la variable aleatoria 𝒀 es el conjunto de números reales ℝ.
𝑅𝑌 = ℝ = −∞, +∞
4.1.1 Función densidad de Probabilidad.
Sea 𝑋 una variable aleatoria continua, se dice que la función 𝑓𝑋 : ℝ → ℝ es de
densidad de probabilidad, si satisface:
a) 𝑓𝑋 𝑥 ≥ 0 , para todo 𝑥 ∈ ℝ
+∞
b) ‫׬‬−∞ 𝑓𝑋 𝑥 𝑑𝑥 = 1

Comentario:
• En un histograma, al aumentar el número de intervalos (amplitudes cada vez más
pequeñas), en el límite el perfil de ese histograma será el de una línea continua
bajo la cual se encierra toda la masa de probabilidad. A esa línea continua que nos
da las ordenadas del histograma límite se le llama función de densidad de una
variable aleatoria continua.
• La función de densidad no proporciona directamente probabilidades, sino
densidades de probabilidad.
• El área bajo la gráfica de una función de densidad genera probabilidades y el
área total bajo la grafica es igual a la unidad.
𝑏

𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝑓𝑋 𝑥 𝑑𝑥 = 𝑠
𝑎
• La probabilidad de que una variable aleatoria continua 𝑋 con función
densidad 𝑓𝑋 , que tome un valor concreto es siempre cero.
𝑎

𝑃 𝑋 = 𝑎 = 𝑃 𝑎 ≤ 𝑋 ≤ 𝑎 = න 𝑓𝑋 𝑥 𝑑𝑥 = 0
𝑎
• En una variable aleatoria continua 𝑋 con función densidad 𝑓𝑋 , se cumplen:
𝑏

𝑃 𝑎 < 𝑋 < 𝑏 = 𝑃 𝑎 ≤ 𝑋 < 𝑏 = 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝑓𝑋 𝑥 𝑑𝑥

𝑎
Ejemplo 2:
1. Sea X una variable aleatoria continua con función densidad de probabilidad:
1
𝑥 0 < 𝑥 < 20
𝑓𝑋 𝑥 = ቐ10
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
a) Compruebe que es una función de densidad.
b) Obtenga la probabilidad de que X tome valores entre 1 y 3.
Solución:
a) Veamos que se verifican las dos condiciones:
𝑖) Note que 𝑓𝑋 (𝑥) ≥ 0 , para todo 𝑥 ∈ ℝ
20
+∞ 20
1 1 2 20
𝑖𝑖) න 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥𝑑𝑥 = 𝑥 = −0=1
10 20 20
−∞ 0 0
b)
3
3
1 1 2 9 1
𝑃 1 < 𝑋 < 3 = න 𝑥𝑑𝑥 = 𝑥 = − = 0.4
10 20 1 20 20
1
2. El número de artículos vendidos en una fábrica en un mes (en millones), es una
variable aleatoria con función de densidad:
2
𝑓𝑋 𝑥 = ቊ 𝑘 1 − 𝑥 0<𝑥<1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Determine el valor de 𝑘.
b) Calcula la probabilidad de que en un mes se supere una venta de 0.8 (millones).
c) Si se quiere tener una garantía del 95% de que no se agote el producto en un mes
determinado, ¿qué cantidad 𝑤 del mismo debe pedirse a fábrica?
Solución:
a) Como 𝑓𝑋 es función de densidad es tal que:
𝑖) 𝑓𝑋 (𝑥) ≥ 0 , para todo 𝑥 ∈ ℝ
• Si 𝑥 ∉ 0, 1 , entonces 𝑓𝑋 𝑥 = 0
• 𝑥 ∈ 0, 1 , entonces: 𝑘 1 − 𝑥 2 > 0 .
Por tanto: 𝑘 > 0 , ya que 1 − 𝑥 2 > 0 para todo 0 < 𝑥 < 1 .
𝑖𝑖)
+∞ 1
3 1
2
1−𝑥 𝑘
1 = න 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑘 1 − 𝑥 𝑑𝑥 = −𝑘 = ⇔𝑘=3
3 0
3
−∞ 0
Así que:
2
𝑓𝑋 𝑥 = ቊ3 1 − 𝑥 0<𝑥<1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
b)
1
3 1
𝑃 𝑋 > 0.8 = න 3 1 − 𝑥 2 𝑑𝑥 = − 1 − 𝑥 0.8 = 0.2 3
= 0.008
0.8
c) 𝑤
3 𝑤
𝑃 𝑋 ≤ 𝑤 = 0.95 ⇔ න 3 1 − 𝑥 2 𝑑𝑥 = 0.95 ⇔ − 1 − 𝑥 0 = 0.95
0
Ahora:

1− 1−𝑤 3 = 0.95 ⇔ 𝑤 − 1 3 = −0.05 ⇔ 𝑤 = 0.63

Por lo tanto, debe pedirse a la fábrica 630000 artículos aproximadamente.

4.1.2 Función distribución.
Sea 𝑋 una variable aleatoria continua y 𝑓𝑋 su función de densidad. La función distribución
de 𝑋, notada 𝐹𝑋 , es la probabilidad de que 𝑋 tome valores menores o iguales a 𝑥, esto es:
𝑥

𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓𝑋 𝑢 𝑑𝑢
−∞
Observación:

Sea 𝑋 variable aleatoria continua y 𝑥 ∈ ℝ :

• 𝑃 𝑋 < 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝐹𝑋 𝑥

• 𝑃 𝑎 < 𝑋 < 𝑏 = 𝑃 𝑎 ≤ 𝑋 < 𝑏 = 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝐹𝑋 𝑏 − 𝐹𝑋 (𝑎)

3.2.2.1 Propiedades de la Función Distribución.

i) 𝐹 −∞ = 𝑙𝑖𝑚 𝐹 𝑥 = 𝑙𝑖𝑚 𝑃 𝑋 ≤ 𝑥 = 0.
𝑥→−∞ 𝑥→−∞

𝑖𝑖) 𝐹 +∞ = 𝑙𝑖𝑚 𝐹 𝑥 = 𝑙𝑖𝑚 𝑃 𝑋 ≤ 𝑥 = 1.

𝑥→+∞ 𝑥→+∞

𝑖𝑖𝑖) 𝐹𝑋 es monótona no decreciente: 𝑠𝑖 𝑥𝑖 , 𝑥𝑗 ∈ ℝ 𝑥𝑖 ≤ 𝑥𝑗 → 𝐹𝑋 (𝑥𝑖 ) ≤ 𝐹𝑋 𝑥𝑗

𝑖𝑣) 𝐹𝑋 es continua: 𝑙𝑖𝑚 𝐹𝑋 𝑥 = 𝐹𝑋 (𝑎) , 𝑎 ∈ ℝ

𝑥→𝑎

𝑑𝐹𝑋 (𝑥)
𝑣) Si 𝐹𝑋 es derivable, entonces = 𝑓𝑋 (𝑥).
𝑑𝑥
Ejemplo 3:
1. Se ha verificado que la variable 𝑋 :"peso en kilos de los niños al nacer" es una
variable aleatoria continua definida por la función :

𝑘𝑥 2<𝑥<4
𝑓𝑋 𝑥 = ቊ
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Hallar 𝑘 para que 𝑓𝑋 sea función de densidad. Representarla gráficamente.
b) Hallar la función de distribución. Representarla gráficamente.
c) Qué debe pesar un niño para tener un peso inferior o igual al 90% de los niños.
Solución:
a) Para que 𝑓𝑋 sea función densidad de probabilidad, se deben satisfacer las siguientes
condiciones:
𝑖) 𝑓𝑋 𝑥 ≥ 0 , para todo 𝑥 ∈ ℝ.
Esto es:
• Si 𝑥 ∉ 2, 4 , entonces 𝑓𝑋 𝑥 = 0
• Si 𝑥 ∈ 2, 4 , entonces 𝑘𝑥 > 0 ⇔ 𝑘 > 0 , puesto que 2 < 𝑥 < 4.
𝑖𝑖)
+∞ 4 4
𝑥 2 1
1 = න 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑘𝑥𝑑𝑥 = 𝑘 = 6𝑘 ⇔ 𝑘 =
2 2 6
−∞ 2
Por tanto, la función de densidad de la variable aleatoria continua 𝑋 es:

1
𝑓𝑋 𝑥 = ቐ6 𝑥 2<𝑥<4
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
b) Sea 𝑥 ∈ ℝ:
• 𝑥<2: 𝑥 𝑥

𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓𝑋 𝑢 𝑑𝑢 = න 0𝑑𝑢 = 0
−∞ −∞
• 2 ≤ 𝑥 < 4:
𝑥 2 𝑥 𝑥
2
1 1 𝑢 𝑥2 − 4
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓𝑋 𝑢 𝑑𝑢 = න 0𝑑𝑢 + න 𝑢𝑑𝑢 = =
6 6 2 2
12
−∞ −∞ 2
• 𝑥 ≥ 4:
𝑥 2 4 𝑥
1
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝑓𝑋 𝑢 𝑑𝑢 = න 0𝑑𝑢 + න 𝑢𝑑𝑢 + න 0𝑑𝑢 = 1
6
−∞ −∞ 2 4
Luego, la función distribución viene dada por:

0 𝑥<2
𝑥2 − 4
𝐹𝑋 𝑥 = 2≤𝑥<4
12
1 𝑥≥4
c) Sea 𝑤 el peso del niño, entonces tenemos:

𝑤2 − 4
𝑃 𝑋 ≤ 𝑤 = 𝐹𝑋 𝑤 = 0.90 ⇔ = 0.90 ⇔ 𝑤 2 − 4 = 10.8
12
Por lo tanto:
𝑤 2 = 14.8 ⇔ 𝑤 = 3.85 𝑘𝑔
El niño debe pesar 3.85 kilos para tener peso inferior o igual al 90% de los niños.
2. La función de distribución asociada a la producción de una máquina, en miles de
unidades, es del tipo:
0 𝑥<0
𝐹𝑋 𝑥 = ቐ𝑥 2 − 𝑥 0 ≤ 𝑥 ≤ 𝑘
1 𝑥>𝑘
a) Determinar 𝑘 para que sea función de distribución.
b) Hallar la función de densidad.
c) Hallar 𝑃(𝑋 < 0.5) y 𝑃(𝑋 > 0.25).
Solución:
a) Para que 𝐹𝑋 sea función distribución debe verificar la continuidad en el punto 𝑘:
Esto es:
1 = lim+ 𝐹𝑋 𝑥 = lim− 𝐹𝑋 𝑥 ⇔ lim−𝑥 2 − 𝑥 = 𝑘 2 − 𝑘 = 1
𝑥→𝑘 𝑥→𝑘 𝑥→𝑘

Ahora bien: 2𝑘 − 𝑘 2 = 1 ⇔ 𝑘 2 − 2𝑘 + 1 = 0 ⇔ 𝑘 − 1 2
= 02 ⇔ 𝑘 = 1
En consecuencia, la función distribución es:

0 𝑥<0
𝐹𝑋 𝑥 = ቐ𝑥 2 − 𝑥 0≤𝑥≤1
1 𝑥>1
b) Observe que la función distribución es derivable, por ser polinómica en cada tramo.

𝑑𝐹𝑋 (𝑥) 0 𝑥<0

𝑓𝑋 𝑥 = = ቐ2 − 2𝑥 0 ≤ 𝑥 ≤ 1
𝑑𝑥
0 𝑥>1
Así las cosas, la función densidad de la variable producción de una maquina en miles de
unidades es:
2 1−𝑥 0≤𝑥≤1
𝑓𝑋 𝑥 = ቊ
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
c)
• 𝑃 𝑋 < 0.5 = 𝐹𝑋 0.5 = 0.5 2 − 0.5 = 0.75
• 𝑃 𝑋 > 0.25 = 1 − 𝑃 𝑋 ≤ 0.25 = 1 − 𝐹𝑋 0.25 = 1 − 0.25 2 − 0.25 = 0.5625
4.2 Características de una Variable Aleatoria Continua.
4.2.1 Valor Esperado.
Sea 𝑋 una variable aleatoria continua. El valor esperado o esperanza matemática,
notado 𝐸(𝑋) o 𝜇𝑋 , es el promedio de ocurrencias de los valores de la variable
aleatoria 𝑋 .
+∞

𝐸 𝑋 = 𝜇𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥
−∞
Observación:
Para una variable aleatoria continua, la esperanza o valor esperado nos
indica el centro de gravedad de la distribución.
4.2.1.1 Propiedades de Valor Esperado.
i) Si 𝑘 ∈ ℝ , entonces 𝐸 𝑘 = 𝑘
ii) Si 𝑘, 𝑤 ∈ ℝ y 𝑋 e 𝑌 variables aleatoria continuas, entonces:
• 𝐸 𝑘𝑋 = 𝑘𝐸(𝑋)
• 𝐸 𝑘𝑋 ± 𝑤 = 𝑘𝐸(𝑋) ± 𝑤
• 𝐸 𝑘𝑋 ± 𝑤𝑌 = 𝑘𝐸(𝑋) ± 𝑤𝐸(𝑌)
iii) Si 𝜑(𝑋) es función de variable aleatoria continua 𝑋 :
+∞

𝐸 𝜑(𝑋) = න 𝜑(𝑥) 𝑓𝑋 𝑥 𝑑𝑥
−∞
iv) Si 𝑘𝑖 ∈ ℝ y 𝑋𝑖 son variables aleatorias
𝑛
continuas
𝑛
𝑖 = 1, 2, 3, … , 𝑛 , entonces:
𝐸 ෍ 𝑘𝑖 𝑋𝑖 = ෍ 𝑘𝑖 𝐸 𝑋𝑖
𝑖=1 𝑖=1
Ejemplo 4:
1. Una variable aleatoria continua 𝑋 tiene por función de densidad
1−𝑥 0≤𝑥<1
𝑓𝑋 𝑥 = ቐ𝑥 − 1 1≤𝑥<2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Determine el valor esperado de la variable 𝑋.
Solución:
+∞ 1 2

𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 1 − 𝑥 𝑑𝑥 + න 𝑥 𝑥 − 1 𝑑𝑥
−∞ 0 1
Así que:

1 2
𝑥2 𝑥 3
𝑥3 𝑥 2
1 5
𝐸 𝑋 = − + − = + =1
2 3 0
3 2 1
6 6
2. Sea X una variable aleatoria definida por la función:
1
𝑓𝑋 𝑥 = ቐ𝑘𝑥 + 2 −1 ≤ 𝑥 ≤ 1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Determinar los valores de 𝑘 tales que 𝑓𝑋 es una función de densidad.
b) Calcular la esperanza de 𝑋.
Solución:
a) Para que 𝑓𝑋 sea función de densidad debe satisfacer:
𝑖)
+∞ 1 1
1 𝑥 2 1 𝑘 1 𝑘 1
1 = න 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑘𝑥 + 𝑑𝑥 = 𝑘 + 𝑥 = + − − =1
2 2 2 −1 2 2 2 2
−∞ −1
 1
𝑖𝑖) 𝑓𝑋 (𝑥) ≥ 0 ⇔ 𝑘𝑥 + ≥ 0 , entonces 𝑘𝑥 ≥ − 12 para 𝑥 ∈ −1, 1
2
1 1
• Si 𝑥 < 0 , entonces 𝑘 ≤ − 2𝑥 y cuando 𝑥 = −1, se sigue 𝑘 ≤ 2
1 1
• Si 𝑥 > 0 , entonces 𝑘 ≥ − 2𝑥 y cuando 𝑥 = 1 , se obtiene 𝑘 ≥ − 2
En consecuencia, para que 𝑓𝑋 sea función de densidad de probabilidad , el valor de 𝑘 es
tal que :
1 1 1
−2 ≤𝑘≤ ⇔ 𝑘 ≤
2 2
b)
+∞ 1 1
1 𝑥3 𝑥2 𝑘 1 𝑘 1 2𝑘
𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 𝑘𝑥 + 𝑑𝑥 = 𝑘 + = + − − + =
2 3 4 −1
3 4 3 4 3
−∞ −1
4.2.2 Varianza:
Sea 𝑋 una variable aleatoria continua. La varianza de 𝑋, notada 𝑉(𝑋) o 𝜎𝑋2 , es la
dispersión de los valores de la variable aleatoria 𝑋 respecto al valor esperado 𝐸(𝑋).
+∞
2 2
𝑉 𝑋 =𝐸 𝑥−𝐸 𝑋 = න 𝑥−𝐸 𝑋 𝑓𝑋 𝑥 𝑑𝑥
−∞
Observación:
En una variable aleatoria continua, la varianza es la esperanza del cuadrado de las
desviaciones respecto al centro de gravedad de la distribución.
La raíz cuadrada positiva de la varianza se denomina desviación estándar o desviación
típica y se nota 𝜎𝑋 .
+∞
2
𝜎𝑋 = 𝑉 𝑋 = න 𝑥−𝐸 𝑋 𝑓𝑋 𝑥 𝑑𝑥
−∞
4.2.1 Propiedades de la Varianza.
i) Si 𝑘 ∈ ℝ , entonces V 𝑘 = 0
ii) Si 𝑘, 𝑤 ∈ ℝ y 𝑋 variable aleatoria continuas, entonces:
• 𝑉 𝑋 ± 𝑘 = 𝑉(𝑋)
• 𝑉 𝑘𝑋 ± 𝑤 = 𝑘 2 𝑉(𝑋)
iii) Si 𝜑(𝑋) es función de variable aleatoria continua 𝑋 :
+∞
2
𝑉 𝜑(𝑋) = න 𝜑(𝑥) − 𝐸 𝜑(𝑥) 𝑓𝑋 𝑥 𝑑𝑥
−∞

iv) 𝑉 𝑋 = 𝐸 𝑋 2 - 𝐸(𝑋) 2
Ejemplo 5.
1. El tiempo que se tardan en atender a un individuo en una cafetería es una variable aleatoria
con función densidad de probabilidad dada por:
1 −𝑥
𝑓𝑋 𝑥 = ቐ4 ℯ 𝑥>0
4

0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Determine la varianza de la variable aleatoria 𝑋.
Solución:
La varianza de la v.a. 𝑋 es, 𝑉 𝑋 = 𝐸 𝑋 2 - 𝐸(𝑋) 2 .
+∞ +∞
1 −𝑥
𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 ℯ 4 𝑑𝑥
4
−∞ 0
Note que en el integrando hay un producto de dos funciones, así que usamos integración por
partes:
1 −𝑥 −𝑥
𝑢 = 𝑥 ⇒ 𝑑𝑢 = 𝑑𝑥, 𝑑𝑣 = ℯ 4 𝑑𝑥 ⇒ 𝑣 = −ℯ 4
4
Ahora:
+∞ +∞ +∞
1 −𝑥 −𝑥 +∞ −𝑥 1 −𝑥 −𝑥 +∞
න 𝑥 ℯ 4 𝑑𝑥 = −𝑥ℯ 4 0 −න −ℯ 4 𝑑𝑥 = 0 − 4 න − ℯ 4 𝑑𝑥 = −4ℯ 4 0 =4
4 4
0 0 0

Por tanto: 𝐸 𝑋 = 4.

Seguidamente:
+∞ +∞
2 2
1 −𝑥 2
𝐸 𝑋 = න 𝑥 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 ℯ 4 𝑑𝑥
4
−∞ 0
Aplicando integración por partes, tenemos:
1 −𝑥 −𝑥
𝑢 = 𝑥 2 ⇒ 𝑑𝑢 = 2𝑥𝑑𝑥, 𝑑𝑣 = ℯ 4 𝑑𝑥 ⇒ 𝑣 = −ℯ 4
4
+∞ +∞ +∞
1 −𝑥 −𝑥 +∞ −𝑥 1 −𝑥
න 𝑥 2 ℯ 4 𝑑𝑥 = −𝑥 2 ℯ 4 0 −න −2𝑥ℯ 4 𝑑𝑥 = 8 න 𝑥 ℯ 4 𝑑𝑥 = 8 4 = 32
4 4
0 0 0
Es decir : 𝐸 𝑋 2 = 32.
En consecuencia: 𝑉 𝑋 = 32 − 42 = 16
2. Sea 𝐹𝑋 una función distribución dada por:
0 𝑥<0
𝑘𝑥 2 0≤𝑥<1
𝐹𝑋 𝑥 =
𝑘 4𝑥 − 𝑥 2 − 2 1≤𝑥<2
𝑏 𝑥≥2
a) Determine 𝑘 y 𝑏.
b) Obtenga 𝑉 𝑋
Solución:
a) Se tiene que 𝐹𝑋 es función distribución, entonces:

𝑖) 𝑏 = 𝑙𝑖𝑚 𝐹 𝑥 = 𝐹 2+ = 1 ⇔ 𝑏 = 1
𝑥→+2
𝑖𝑖) 𝑏 = 𝑙𝑖𝑚+ 𝐹 𝑥 = 𝑙𝑖𝑚−𝐹 𝑥 = 𝑙𝑖𝑚− 𝑘 4𝑥 − 𝑥 2 − 2 ⇔ 𝑏 = 2𝑘 ⇔ 𝑘 = 12
𝑥→2 𝑥→2 𝑥→2
Por tanto, la función distribución se redefine como:

0 𝑥<0
1 2
2𝑥 0≤𝑥<1
𝐹𝑋 𝑥 = 1
4𝑥 − 𝑥 2 − 2 1≤𝑥<2
2
1 𝑥≥2
b) La función distribución es derivable, por ser función polinomial en cada tramo. Entonces,
la función de densidad de la variable aleatoria 𝑋 es:
𝑥 0≤𝑥<1
𝑓𝑋 𝑥 = 𝐹𝑋′ 𝑥 = ቐ2 − 𝑥 1≤𝑥<2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Ahora: 𝑉 𝑋 = 𝐸 𝑋 2 - 𝐸(𝑋) 2

+∞ 1 2
1 2
2 2
1 3 2
1 3
𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 𝑑𝑥 + න 2𝑥 − 𝑥 𝑑𝑥 = 𝑥 + 𝑥 − 𝑥 =1
3 0 3 1
−∞ 0 1

+∞ 1 2
1 2
1 4 2 3 1 4 7
𝐸 𝑋2 2 3 2 3
= න 𝑥 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 𝑑𝑥 + න 2𝑥 − 𝑥 𝑑𝑥 = 𝑥 + 𝑥 − 𝑥 =
4 0 3 4 1 6
−∞ 0 1
7 1
Por lo tanto: 𝑉 𝑋 = 6−1=6
4.3 Modelos Continuos de Probabilidad.
Un modelo probabilístico es una representación matemática deducida de un
conjunto de supuestos con el doble propósito de estudiar los resultados de
un experimento aleatorio y predecir su comportamiento futuro, cuando se
realiza bajo las mismas condiciones dadas inicialmente.
El modelo permite conocer la distribución de probabilidad de los valores
que toma la variable aleatoria, de ahí que también se mencione con el
nombre de distribución de probabilidad.
Vamos a ver los siguientes modelos continuos de probabilidad:
• Modelo Uniforme.
• Modelo Normal.
• Modelo Exponencial.
4.3.1 Modelo Uniforme Continuo.
Una variable aleatoria 𝑋 tiene distribución uniforme en el intervalo [𝑎, 𝑏] ;
𝑎, 𝑏 ∈ ℝ y 𝑎 < 𝑏 , si su función de densidad está dada por:
1
𝑓𝑋 𝑥 = ቐ𝑏 − 𝑎 𝑎≤𝑥≤𝑏
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Observación:
• La notación 𝑋~𝑈 𝑎,𝑏 significa que la variable aleatoria 𝑋 sigue una
distribución uniforme sobre el intervalo 𝑎, 𝑏 .
• Una variable aleatoria 𝑋 sigue una distribución uniforme si todos los valores en
el intervalo en el que está definida son igual de probables.
4.3.1.1 Características: Sea la v.a. 𝑋~𝑈 𝑎,𝑏 , entonces:
• Función distribución:
0 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 𝑥 = ൞ 𝑎≤𝑥≤𝑏
𝑏−𝑎
1 𝑥>𝑏
𝑎+𝑏 𝑏−𝑎 2
• Media y varianza: 𝐸 𝑋 = 2
y 𝑉 𝑋 =
12
Ejemplo 6:
1. Si un paracaidista cea en un sitio aleatorio de la línea recta entre los marcadores 𝐴 y 𝐵.
a) Encuentre la probabilidad de que esté mas cerca de 𝐴 que de 𝐵.
b) Calcule la probabilidad de que la distancia con respecto a 𝐴 sea más de tres veces la
distancia con respecto a 𝐵.
Solución:
La variable aleatoria 𝑋: “ el punto donde cae el paracaidista” , se distribuye uniforme desde
𝐴 a 𝐵, esto es 𝑋~𝑈 𝐴 , 𝐵 .
La función de densidad de la variable aleatoria 𝑋 uniforme en el intervalo 𝐴, 𝐵 es:

1
𝑥 ∈ 𝐴, 𝐵
𝑓𝑋 𝑥 = ቐ𝐵 − 𝐴
0 𝑥 ∉ 𝐴, 𝐵
a) La región de aterrizaje del paracaidista esta dada en la figura:

El paracaidista esta más cerca de 𝐴 que de 𝐵 si la distancia con respecto al punto 𝐴 es

menor que el punto medio de los dos extremos:
𝐴+𝐵
2 𝐴+𝐵
𝐴+𝐵 1 1 2 1 𝐴+𝐵 1 𝐵−𝐴 1
𝑃 𝑋< = න 𝑑𝑥 = 𝑥 = −𝐴 = = = 0.5
2 𝐵−𝐴 𝐵−𝐴 𝐴 𝐵−𝐴 2 𝐵−𝐴 2 2
𝐴
b) La región de aterrizaje del paracaidista en este caso es:
Si el paracaidista cae en el punto 𝐶 la distancia de 𝐴 a 𝐶 es exactamente tres veces la
distancia de 𝐶 a 𝐵, para que se cumplan las condiciones del problema, debe caer en
3
cualquier punto 𝑥 entre 𝐶 y 𝐵, donde 𝑥 = 𝐴 + 4 𝐵 − 𝐴 .

𝐵
𝐵 3
3 1 1 𝐵 − 𝐴 − 4 (𝐵 − 𝐴) 1
𝑃 𝑋 >𝐴+ 𝐵−𝐴 = න 𝑑𝑥 = 𝑥 3
= = = 0.25
4 𝐵−𝐴 𝐵−𝐴 𝐴+ 𝐵−𝐴 𝐵−𝐴 4
3 4
𝐴+ 𝐵−𝐴
4
2. Una empresa tiene una curva de costos que viene dada por la siguiente función:
𝐶 = 10000 + 200𝑋
donde 𝑋 es la demanda. En el mercado vende cada unidad de su producto a $500. Si la
empresa considera que la demanda se distribuye uniformemente en el intervalo
[25000, 30000] , ¿cuál sería el beneficio esperado?
Solución:
La variable aleatoria 𝑋 : “la demanda del producto” , se distribuye uniforme en
[25000, 30000] .
La función de densidad de 𝑋 viene dada por:

1
25000 ≤ 𝑥 ≤ 30000
𝑓𝑋 𝑥 = ቐ5000
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
25000+30000
La demanda esperada es: 𝐸 𝑋 = = 27500
2
El beneficio está dado por: 𝐵 = 𝐼 − 𝐶 = 𝑝𝑋 − 𝐶
Donde 𝐼 es el ingreso, 𝐶 es el costo y 𝑝 es el precio por unidad.
Luego, 𝐵 = 500𝑋 − 10000 + 200𝑋 = 300𝑋 − 10000
De este modo el beneficio esperado es:

𝐸 𝐵 = 𝐸 300𝑋 − 10000 = 300𝐸 𝑋 − 10000 = 300 27500 − 10000 = $8240000

4.3.2 Modelo Normal o Gaussiano.
Una variable aleatoria 𝑋 tiene distribución normal con parámetro 𝜇 y 𝜎 2 , notada
𝑋~𝑁 𝜇 , 𝜎 2 , si su función de densidad de probabilidad viene dada por :

1 1 𝑥−𝜇 2
−
𝑓𝑋 𝑥 = ℯ 2 𝜎 ,𝑥 ∈ ℝ
𝜎 2𝜋
Observación:
• Los parámetros 𝜇 ∈ ℝ y 𝜎 2 > 0, se denominan la media y la varianza ,
respectivamente de la variable aleatoria 𝑋 normal.
• Si una variable aleatoria sigue una distribución normal sólo necesitamos conocer
𝜇 y 𝜎 2 para caracterizar la distribución de los datos.
• La gráfica de un modelo normal tiene forma de campana, centrada en la media, y
se denomina curva Gaussiana o campana de Gauss.
 1
1. En 𝑥 = 𝜇 alcanza su máximo la función de densidad, con 𝑓 𝜇 = 𝜎 .
2𝜋
2. Puntos de inflexión (aquellos donde se anula su segunda derivada), ocurren en μ − 𝜎 y 𝜇 + 𝜎 .
3. La función de densidad normal es simétrica respecto a la recta x =m , esto es:
𝑓 𝑥−𝑘 =𝑓 𝑥+𝑘 , 𝑘 ∈ℝ
4. Presenta una asíntota horizontal en la recta 𝑌 = 0, es decir, en el eje de abscisas.
• La esperanza 𝜇 es un parámetro de posición y sus distintos valores lo
único que producen son traslaciones horizontales de la curva.
• La deviación estándar, 𝜎 es un parámetro de escala cuyas variaciones
afectan a la dispersión de la variable.
4.3.2.1 Características: sea 𝑋~𝑁 𝜇 , 𝜎 2 , entonces:
• Función Distribución:
𝑥
1 1 𝑢−𝜇 2
−
𝐹𝑋 𝑥 = න ℯ 2 𝜎 𝑑𝑢
𝜎 2𝜋
−∞
• Media y varianza:
𝐸 𝑋 = 𝜇 y 𝑉 𝑋 = 𝜎2

La distribución normal es una familia de distribuciones , por lo que es

conveniente usar una distribución básica denominada distribución normal
estándar en la que cualquier distribución normal se vea representada o
referida.
4.3.2.2 Modelo Normal Estándar.
La distribución normal estándar, o tipificada o reducida, es aquella que
tiene media cero, 𝜇 = 0 y varianza la unidad, 𝜎 2 = 1.
Si 𝑋~𝑁 0, 1 , su función de densidad es:
1 −𝑥 2
𝑓𝑋 𝑥 = ℯ 2
2𝜋
Observación:
• Un modelo normal estándar, “hereda” todas las propiedades de cualquier
distribución normal.
• En el trabajo con variables aleatorias que siguen una distribución normal es
conveniente utilizar la variable estandarizada o tipificada 𝑍, que se calcula
como sigue:
 𝑋−𝜇
𝑍=
𝜎
Esta variable tiene la ventaja de que cualesquiera sean los valores de 𝜇 y 𝜎 ,
la variable estandarizada 𝑍, siempre sigue una distribución normal estándar
o tipificada.
• Los valores de la función de densidad estándar 𝑓(𝑧) o la función
distribución estándar 𝐹(𝑧) se evalúan utilizando un programa informático
o tabla normal estándar y estos últimos son útiles en el cálculo de
probabilidades de variables aleatorias normales.
4.3.2.1 Cálculo de probabilidades en la distribución normal:
Para obtener la probabilidad: 𝑃 𝑋 ≤ 𝑎 o 𝑃 𝑋>𝑎 o 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) , con
𝑋 ~ 𝑁 (𝜇 , 𝜎 2 ), se debe estandarizar la variable , escribir en términos de función
distribución estándar y evaluar en tabla normal estándar o programas estadísticos.
𝑎−𝜇 𝑎−𝜇
• 𝑃 𝑋≤𝑎 =𝑃 𝑍≤ = 𝐹𝑍
𝜎 𝜎
𝑎−𝜇 𝑎−𝜇
• 𝑃 𝑋 >𝑎 =1−𝑃 𝑋 ≤𝑎 =1−𝑃 𝑍 ≤ = 1 − 𝐹𝑍
𝜎 𝜎
𝑎−𝜇 𝑋−𝜇 𝑏−𝜇
• 𝑃 𝑎≤𝑋≤𝑏 =𝑃 𝜎
≤ 𝜎
≤ 𝜎
= 𝑃 𝑍1 ≤ 𝑍 ≤ 𝑍2 = 𝐹𝑋 (𝑍2 ) − 𝐹𝑋 (𝑍1 )
Tabla Modelo Normal Estándar
Ejemplo 7:
1. Con 𝑍 ∼ 𝑁 (0,1) , calcule las siguiente probabilidades:
(a) 𝑃 𝑍 ≤ 2.58 (b) 𝑃 𝑍 > 1.40 (c) 𝑃 −1.17 ≤ 𝑍 ≤ 0.92
Solución:
(a) 𝑃 𝑍 ≤ 2.58 = 𝐹𝑍 (2.58) = 0.9951
𝑇𝑎𝑏𝑙𝑎
(b) 𝑃 𝑍 > 1.40 = 1 − 𝑃 𝑍 ≤ 1.40 = 1 − 𝐹𝑍 1.40 = 1 − 0.9192 =0.0808
𝑇𝑎𝑏𝑙𝑎
(c) 𝑃 −1.17 ≤ 𝑍 ≤ 0.92 =𝐹𝑍 0.92 − 𝐹𝑍 −1.17 = 0.8212 − 0.1210 =0.7002
𝑇𝑎𝑏𝑙𝑎
2. Obtener el valor de 𝑘 (valor crítico), en cada caso:
(a) 𝑃(𝑍 ≥ 𝑘 ) = 0.2946 (b) 𝑃(𝑘 ≤ 𝑍 ≤ −0.18 ) = 0.4199
Solución:
(a) 𝑃 𝑍 ≥ 𝑘 = 0.2946 ⇔ 1 − 𝑃 𝑍 < 𝑘 = 0.2946 ⇔ 𝑃 𝑍 < 𝑘 = 0.7054

Usando la tabla normal estándar, buscamos la probabilidad acumulada y se

obtiene que: 𝑘 = 0.54

(b) 𝑃 𝑘 ≤ 𝑍 ≤ −0.18 = 0.4199 ⇔ 𝑃 𝑍 ≤ −0.18 − 𝑃 𝑍 ≤ 𝑘 = 0.4199

⇔ 0.4286 − 𝑃 𝑍 ≤ 𝑘 = 0.4199 ⇔ 𝑃 𝑍 ≤ 𝑘 = 0.0087

𝑇𝑎𝑏𝑙𝑎

En la tabla normal estándar, buscamos la probabilidad acumulada y se

obtiene que: 𝑘 = −2.38
3. Con 𝑋 ∼ 𝑁 (25, 4), calcule las siguientes probabilidades:
(a) 𝑃 19 ≤ 𝑋 ≤ 29 (b) 𝑃(𝑋 > 31)
Solución:
Para calcular las probabilidades dadas, se estandariza la variable aleatoria normal y posteriormente
se usa la tabla estándar.

19−25 𝑋−𝜇 29−25

(a) 𝑃 19 ≤ 𝑋 ≤ 29 = 𝑃 ≤ ≤ = 𝑃 −3 ≤ 𝑍 ≤ 2
2 𝜎 2

= 𝐹𝑋 2 − 𝐹𝑋 −3 = 0.9772 − 0.0013 = 0.9759

𝑡𝑎𝑏𝑙𝑎

𝑋−𝜇 31−25
(b) 𝑃 𝑋 > 31 = 𝑃 > = 𝑃 𝑍 > 3 = 1 − 𝑃 𝑍 ≤ 3 = 1 − 0.9987 = 0.0013
𝜎 2
𝑇𝑎𝑏𝑙𝑎
4. El diámetro de un cable eléctrico está distribuido normalmente con media 0.8 𝑐𝑚 y
varianza 0.0004 𝑐𝑚2 . El cable se considera defectuoso si el diámetro difiere de su
promedio en más de 0.025 𝑐𝑚. ¿Cuál es la probabilidad de un cable defectuoso?
Solución:
La variable 𝑋: “diámetro del cable eléctrico” , es tal que 𝑋~𝑁 𝜇 = 0.8 , 𝜎 2 = 0.0004 .
Así que,
𝑃 𝑋 − 𝜇 > 0.025 = 𝑃 𝑋 − 𝜇 < −0.025 + 𝑃 𝑋 − 𝜇 > 0.025
−0.025 0.025
=𝑃 𝑍< +𝑃 𝑍 > = 𝐹𝑍 −1.25 + 1 − 𝐹𝑍 1.25
0.0004 0.0004
= 0.1056 + 1 − 0.8944 = 0.2112
𝑇𝑎𝑏𝑙𝑎 𝑇𝑎𝑏𝑙𝑎
La probabilidad de que el cable se considere defectuoso es 0.2112
4.3.2.3 Aproximación Normal al Modelo Binomial y de Poisson.
• Caso 1: Aproximación Normal al Modelo Binomial
Sea la variable 𝑿~𝑩𝒊𝒏 𝑛 , 𝑝 , con media 𝒏𝒑 y varianza 𝒏𝒑(𝟏 − 𝒑), si
𝒏 es grande entonces.
𝑫
𝑩𝒊𝒏 𝑛 , 𝑝 𝑵 𝜇 = 𝑛𝑝 , 𝜎 2 = 𝑛𝑝(1 − 𝑝)
𝒏→∞
En variable tipificada,
𝑥 − 𝑛𝑝
𝒀= ~ 𝑵 0,1
𝑛𝑝(1 − 𝑝) 𝑛→∞
En la práctica la aproximación es buena, si 𝑛𝑝 ≥ 5 y 𝑛 1 − 𝑝 ≥ 5
• Caso 2: Aproximación Normal al Modelo Poisson.
Sea la variable 𝑿~𝒫 𝜆 , con media 𝝀 y varianza 𝝀 , entonces para
valores grandes de 𝛌 :
𝑫
𝑿~𝒫 𝜆 𝑵 𝜇 = 𝜆 , 𝜎2 = 𝜆
𝝀→∞
En variable tipificada,
𝑋−𝜆
𝒀= ~ 𝑵 0,1
𝜆 𝜆→∞
En la práctica la aproximación es buena para 𝜆 > 5.
Ejemplo 8:
1. La probabilidad de recibir un cheque sin fondos en una determinada sucursal bancaria es
del 15% . Si durante una semana se espera recibir 2000 cheques, hállense las
probabilidades de los siguientes sucesos:
a) Que haya, como máximo, 175 cheques sin fondos.
b) Que el número de cheques sin fondos esté comprendido entre 260 y 400.
Solución:

La variable aleatoria 𝑋: “número de cheques sin fondos recibidos en una semana” , es tal
que 𝑋 ∼ 𝐵𝑖𝑛(2000, 0.15).

Se tiene que: 𝑛𝑝 = 2000 0.15 = 300 ≥ 5 y 𝑛(1 − 𝑝) = 2000 0.85 = 1700 ≥ 5,

por lo que podemos aproximar la distribución Binomial por la distribución Normal.
𝑋𝑁 ~𝑁 𝜇 = 𝑛𝑝 = 300 , 𝜎 2 = 𝑛𝑝 1 − 𝑝 = 255
a)
175 − 300
𝑃 𝑋 ≤ 175 ≅ 𝑃 𝑋𝑁 ≤ 175 = 𝑃 𝑍 ≤ = 𝑃 𝑍 ≤ −7.83 = 0
255
b)
260 − 300 400 − 300
𝑃 260 ≤ 𝑋 ≤ 400 ≅ 𝑃 260 ≤ 𝑥𝑁 ≤ 400 = 𝑃 ≤𝑍≤
255 255
= 𝑃 𝑍 ≤ 6.26 − 𝑃 𝑍 ≤ −2.50 = 1 − 0.0062 = 0.9938

2. Suponga que el número de partículas de asbesto en una muestra de un centímetro

cuadrado de polvo es una variable de Poisson con media 1000. ¿Cuál es la probabilidad
de que en 10 centímetros cuadrados de polvo haya más de 10000 partículas de asbesto?
Solución:

La variable aleatoria 𝑋 : “número de partículas de asbesto en una muestra de

10 centímetro cuadrado de polvo ”, es tal que 𝑋~𝒫 𝜆 .

1000
donde 𝜆 = 𝑐𝑚2
× 10 𝑐𝑚2 = 10000 > 5, por lo que podemos aproximar la

distribución Poisson por la distribución Normal.

𝑋𝑁 ~𝑁 𝜇 = 10000, 𝜎 2 = 10000

Así pues,
𝑃 𝑋 > 10000 ≅ 𝑃 𝑍 > 0 = 1 − 𝑃 𝑍 < 0 = 1 − 0.5 = 0.5
4.3.3 Modelo Exponencial.
Una variable aleatoria 𝑋 se dice que se distribuye según el modelo exponencial
de parámetro 𝜆 > 0 , notado 𝑿~𝑬𝒙𝒑 𝝀 , cuando su función de densidad se
expresa como:
−𝜆𝑥
𝑓𝑋 𝑥 = ቊ 𝜆ℯ 𝑥>0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Observación:
La distribución Exponencial se presenta con frecuencia para modelar:
1. La distribución del tiempo de espera hasta la ocurrencia de un suceso de
Poisson.
2. Tiempo transcurrido entre la presentación de sucesos consecutivos de Poisson.
3. La duración de vida de ciertos elementos que puede considerarse como el
tiempo que transcurre hasta que se produce la extinción, avería o fallo.
• La función de densidad de un modelo exponencial , tiende a cero más
deprisa cuanto menor es el valor de 𝜆 (menor tiempo medio) es decir,
cuando mayor es la intensidad de la distribución de Poisson subyacente.
4.3.3.1 Características: Sea la variable aleatoria 𝑋~𝐸𝑥𝑝(𝜆) , entonces:
−𝜆𝑥
• Función distribución: 𝐹𝑋 𝑥 = ቊ 1 − ℯ 𝑥≥0
0 𝑥<0
1 1
• Media y varianza: 𝐸 𝑋 =𝜆 y 𝑉 𝑋 = 𝜆2
Observación:
1. 𝐹𝑋 𝑥 proporciona la probabilidad de que ocurra un suceso (por ejemplo, el fallo en
una máquina) en un periodo de tiempo inferior o igual a x.
2. Ahora bien, 𝑃 𝑋 > 𝑥 = 1 − 𝑃 𝑋 ≤ 𝑥 = ℯ −𝜆𝑥 , es la probabilidad de que no se
produzca ningún suceso en un intervalo de tiempo x. Es, por tanto, la probabilidad de
que el tiempo hasta que ocurra un suceso (por ejemplo, el fallo de un componente) sea
mayor que x. Es por ello que la función 𝑃(𝑋 > 𝑥) recibe el nombre de función de
fiabilidad o función de supervivencia.
4.3.3.2 Propiedad de falta de memoria:
Se cumple que la probabilidad de que la vida de un elemento sea superior a
𝑥 + ℎ , habiendo sobrevivido el tiempo x, es igual a la probabilidad de
supervivencia para el período h:
𝑃(𝑋 > 𝑥 + ℎ | 𝑋 > 𝑥) = 𝑃(𝑋 > ℎ)
Dicho de otro modo, la probabilidad de que no se produzca un suceso
(fallo, avería o extinción) durante un período h es independiente de lo que
haya sucedido antes. Por eso esta propiedad se conoce como de falta de
memoria.
Ejemplo 9:
1. El tiempo de vida media de un marcapasos sigue una distribución exponencial con
media 16 años. Se pide:
a) Probabilidad de que a una persona a la que se ha implantado un marcapasos se le deba
de implantar otro antes de 20 años
b) Si el marcapasos lleva funcionando correctamente 5 años en un paciente, ¿cuál es la
probabilidad de que haya de cambiarlo antes de 25 años?
Solución:
La variable aleatoria 𝑋: “tiempo de vida de un marcapasos” , es tal que 𝑋~𝐸𝑥𝑝 𝜆 .
1 1
Donde 𝐸 𝑋 = 16 = 𝜆 ⇔ 𝜆 = 16
1
La función de densidad de la variable aleatoria 𝑋~𝐸𝑥𝑝 16 , es:
1 −𝑥
𝑓𝑥 𝑥 = ቐ16 ℯ
16 𝑥 ≥ 0

0 𝑥<0
 1
La función distribución de la variable aleatoria 𝑋~𝐸𝑥𝑝 , es:
16
𝑥
−
𝐹𝑋 𝑥 = ൝1 − ℯ 16 𝑥≥0
0 𝑥<0

20
−
a) 𝑃 𝑋 ≤ 20 = 𝐹𝑋 20 = 1 − ℯ 16 = 1 − 0.2865 = 0.7135

b)
5 25
−16 −16
𝑃 5 ≤ 𝑋 ≤ 25 𝐹𝑋 25 − 𝐹𝑋 5 ℯ −ℯ 0.522
𝑃 𝑋 ≤ 25|𝑋 ≤ 5 = = = 5
= = 0.7135
𝑃 𝑋≥5 1 − 𝐹𝑋 5 −16 0.7316
ℯ
2. El tiempo de revisión del motor de un avión sigue aproximadamente una
distribución exponencial, con media 22 minutos.
a) Hallar la probabilidad de que el tiempo de la revisión sea menor de 10 minutos.
b) El costo de la revisión es de $2000000 por cada media hora o fracción. ¿Cuál es
la probabilidad de que una revisión cueste $4000000?
c) Para efectuar una programación sobre las revisiones del motor, ¿cuánto tiempo
se debe asignar a cada revisión para que la probabilidad de que cualquier tiempo de
revisión mayor que el tiempo asignado sea solo de 0.1?
Solución:
La variable aleatoria 𝑋:"tiempo de revisión del motor de un avión en minutos“ , es
tal que 𝑋~𝐸𝑥𝑝 𝜆 .
1 1 1
Donde 𝐸 𝑋 = 𝜆 = 22 ⇔ 𝜆 = 22 . Por lo tanto, 𝑋~𝐸𝑥𝑝 22
 Función de densidad Función distribución
1 −𝑥 𝑥
−
𝑓𝑋 𝑥 = ቐ22 ℯ 22 𝑥≥0 𝐹𝑋 𝑥 = ൝1 − ℯ 22 𝑥≥0
0 𝑥<0 0 𝑥<0

10
−
𝑃 𝑋 ≤ 10 = 1 − ℯ 22 = 1 − 0.6347 = 0.3653
b) Como el costo de la revisión del motor es de $2000000 por cada media hora
o fracción, para que la revisión cueste $4000000 la duración de la revisión debe
de ser inferior o igual a 60 minutos. Así que:
30 60
−22 −22
𝑃 30 ≤ 𝑋 ≤ 60 = 𝐹𝑋 60 − 𝐹𝑋 30 = ℯ − ℯ = 0.1903
c) Sea 𝑡: "tiempo que se debe asignar a la revisión“
𝑡
−
𝑃 𝑋 > 𝑡 = 0.1 ⇔ ℯ 22 = 0.1 ⇔ 𝑡 = −22 ln 0.1 ⇔ 𝑡 = 50.6 ≈ 51𝑚𝑖𝑛
3. La duración de una bombilla antes de fundirse sigue una distribución exponencial
de media 8 meses. Se pide:
a) obtenga la probabilidad de que una bombilla seleccionada al azar tenga una vida
entre 3 y 12 meses.
b) determine la probabilidad de que una bombilla, que ha durado ya más de 10 meses,
dure más de 25 meses.
Solución:
La variable aleatoria 𝑇: “tiempo de duración de la bombilla” , es tal que 𝑇~𝐸𝑥𝑝 𝜆
1 1 1
Donde, 𝐸 𝑇 = = 8 ⇔ 𝜆 = . De este modo, 𝑇~𝐸𝑥𝑝
𝜆 8 8
Función de densidad Función distribución
1 −𝑡 −
𝑡
𝑓𝑇 𝑡 = ቐ8 ℯ 8 𝑡≥0 𝐹𝑇 𝑡 = ൝1 − ℯ 8 𝑡≥0
0 𝑡<0 0 𝑡<0
3 12
− −
a) 𝑃 3 ≤ 𝑇 ≤ 12 = 𝐹𝑇 12 − 𝐹𝑇 3 = ℯ 8 −ℯ 8 = 0.6873 − 0.2231 = 0.4642

15
−8
b) 𝑃 𝑇 > 25|𝑇 > 10 = 𝑃 𝑇 > 10 + 15|𝑇 > 10 = 𝑃 𝑇 > 15 = ℯ = 0.1534
𝑃𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑 𝑑𝑒
𝑝é𝑟𝑑𝑖𝑑𝑎 𝑑𝑒
𝑚𝑒𝑚𝑜𝑟𝑖𝑎
Bibliografía.
• Acuña, Edgar (2014) Estadística Elemental. Universidad de Puerto Rico.
• Canavos, George (1998) Probabilidad y Estadística. Métodos y Aplicaciones. McGraw-Hill.
• Devore, J. (2008) Probabilidad y Estadística para Ingeniería y Ciencias. 7ma.Edición. Cengace
Learning Editores. Mexico.
• Meyer, Paul (1997) Probabilidad y Aplicaciones Estadísticas. Addison- Wesley Iberoamericana
• Montgomery, D. C y Runger, R. (2008) Probabilidad y Estadística Aplicadas a la Ingeniería. 2da.
Edición. Limusa Wiley. Mexico.
• Montoro Cazorla, Delia (2012) Métodos Estadísticos en la Ingeniería. Universidad de Jaén.
• Rincón, Luis (2014) Introducción a la Probabilidad. UNAM. Mexico.
• Walpole y Myers (2012) Probabilidad y Estadística para Ingeniería y Ciencias. Pearson 9ª edición