República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada Nacional
Bolivariana
UNEFANB – Extensión Guacara
Guacara, Edo. Carabobo

Procesos estocásticos
(Resumen didáctico actividad 6°)

Profesor: Alexander Zavala Alumno: JeykeI Infante

Asignatura: Procesos estocásticos C.I: 27.927.489
Ing. De Sistemas

Jueves,14 de enero de 2021

 Distribuciones de Probabilidad de una Variable Aleatoria Continua.

Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es

todo un intervalo (finito o infinito) de números reales.

Por ejemplo, una v.a. continua puede ser el tiempo de retraso con el que un alumno o un
profesor llegan al aula de clases o también el peso o la estatura de los estudiantes de la
FE.

La función f(x) es una función de densidad de probabilidad para la variable aleatoria

continua X, definida sobre el conjunto de los números reales, sí:

1. f ( x ) ≥0 ∀ x ∈ R
∞
2. ∫ f ( x ) dx=1
−∞

3. P ( a ≤ X ≤ b )=P ( a< X ≤ b )=P ( a ≤ X <b )

b
¿ P ( a< X < b )=∫ f x ( x ) dx
a

Esto es, la probabilidad de que X tome un valor en el intervalo [a, b] es el área bajo la
gráfica de la función de densidad. La gráfica de f (x), se conoce a veces como curva de
densidad.

Esto es, la probabilidad de que X tome un valor en el intervalo [a, b] es el área bajo la
gráfica de la función de densidad. La gráfica de f(x), se conoce a veces como curva de
densidad.

Propiedades.

Para una v.a. X , f x (x) satisface las siguientes propiedades:

1. f ( x ) ≥0 , ∀ x
∞
2. ∫ f x ( x ) dx=1
−∞
 x2

3. P ( x 1 ≤ X ≤ x 2 )=∫ f x (x )dx
x1

Note además que P(X = c) = 0, para cualquier número real c.

Ejemplo:

Un profesor nunca termina su clase antes del término de la hora, más nunca se pasa de 2
minutos de ésta. Sea X: el tiempo que transcurre entre el término de la hora y el término
efectivo de la clase. Suponga que la fdp de X viene dada por:

2
f x ( x ) = k x 0 ≤ x ≤2
{ 0d.o.m

1. Encuentre el valor de k.

∞ 0 2 ∞
k 8
dx+∫ 0 dx= x 3 2 = k
|
2
∫ f x ( x ) dx= ∫ 0 dx +∫ k x 3 0 3
−∞ −∞ 0 2
∞
8 3
Como ∫ f x ( x)dx=1 ⇒ k =1⇒ k =
−∞ 3 8

2. ¿Cuál es la probabilidad de que la clase termine a menos de un minuto después

del término de la hora?

1
3 2 1 1
P ( X ≤1 ) =∫ x dx= x 3 1 = =0,125
|
0 8 8 0 8

3. ¿Cuál es la probabilidad de que la clase continúe entre 60 y 90 segundos después

del término de la hora?

|
1,5
3 2 1 19
P ( 1≤ X ≤1,5 )=∫ x dx= x 3 2 = ≈ 0,2969
1 8 8 64
1

4. ¿Cuál es la probabilidad de que la clase continúe por lo menos 90 segundos

después del término de la hora?

|
2 1,5
3 2 3 1 27 37
P ( X ≥1,5 )=∫ x dx=1−∫ x2 dx=1− x 3 2 =1− = ≈ 0,5781
1,5 8 0 8 8 64 64
0
 Distribución de Probabilidad Uniforme.

La distribución de probabilidad uniforme es un ejemplo de una distribución de probabilidad

es continua. Una distribución de probabilidad es continua cuando los resultados posibles
del experimento son obtenidos de variables aleatorias continuas, es decir, de variables
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente
del proceso de medición.

Ejemplos de variables aleatorias continuas son:

 La estatura de un grupo de personas.

 El tiempo dedicado a estudiar.
 La temperatura en una ciudad.

Es una distribución en el intervalo [a,b] en la cual las probabilidades son las mismas para
todos los posibles resultados, desde el mínimo de a hasta el máximo de b. El experimento
de lanzar un dado es un ejemplo que cumple la distribución uniforme, ya que todos los
6 resultados posibles tienen 1/6 de probabilidad de ocurrencia.

La función de densidad de una distribución uniforme (altura de cada rectángulo en la

gráfica anterior) es:

1
f ( X )= Altura=
b−a
Donde:
  a = mínimo valor de la distribución
 b = máximo valor de la distribución
 b – a = Rango de la distribución

La media, valor medio esperado o esperanza matemática de una distribución uniforme se

calcula empleando la siguiente fórmula:

a+b
E ( X ) =μ=
2

La varianza de una distribución uniforme se calcula empleando la siguiente fórmula:

2 (b−a)2
σ =
12

Donde la desviación estándar es:

σ =√ σ 2

La probabilidad de que una observación caiga entre dos valores se calcula de la siguiente

manera:

X 2−X 1
P ( X 2 ≤ X ≤ X 2)=
b−a

Ejemplo ilustrativo:

Sea X el momento elegido al azar en que un estudiante recibe clases en un determinado

día entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 - 11:00 - 12:00 - 13:00

1) ¿Cuál es la función de densidad de la variable X?

a=7 ; b=13;

Reemplazando valores en la ecuación de la función de densidad se obtiene:

1 1
f ( X )= Altura= = =0,167
13−7 6
2) Elaborar un gráfico de la distribución de probabilidades

Cada rectángulo tiene 1 de base y 1/6 = 0,167 de altura.

El área de cada rectángulo es:

1 1
A ∎=base . altura=1. =
6 6

El área total (rectángulo de base el intervalo 7-13 y altura 1/6=0,167) representa a

la suma de todas las probabilidades, y es igual a uno:

1 1
A ∎=base . altura=( 13−7 ) . =6. =1
6 6

3) Calcular el valor medio esperado

Reemplazando valores en la fórmula del valor esperado se obtiene:

a+b
E ( X ) =μ=
2

7+13
E ( X ) =μ= =10
2

4) Calcular la desviación estándar

(b−a)2
σ 2=
12

2 (13−7)2 (6)2 36
σ = = = =3
12 12 12
 Por lo tanto, la desviación estándar es:

σ =√ σ 2= √3=1,732

5) Calcular la probabilidad de que llegue en la primera media hora

Llegar en la primera media hora significa que llega a la 7:30. Por lo tanto se debe
calcular la probabilidad entre las 7:00 y las 7:30.

Como 7:30 = 7horas + 30 minutos, y el porcentaje que representa 30 minutos de

una hora es:

30
=0,5 ⇒7 :30=7,5horas
60

Por lo tanto, se debe calcular la probabilidad entre 7 y 7,5

Aplicando la fórmula de la probabilidad entre dos valores se obtiene:

7,5−7 0,5
P ( 7 ≤ X ≤ 7,5 )= = =0,0833
13−7 6

En el siguiente gráfico se muestra la probabilidad calculada:

6) Si recibe clases de Estadística Aplicada de 10:00 a 12:15, calcular la probabilidad

de recibir esta asignatura.

Se debe calcular la probabilidad entre las 10:00 y las 12:15

Como 12:15 = 12horas + 15 minutos, y el porcentaje que representa 15 minutos de

una hora es:
 15
=0,25 ⇒ 12:15=12,25 horas
60

Por lo tanto, de debe calcular la probabilidad entre 10 y 12,25

Aplicando la fórmula de la probabilidad entre dos valores se obtiene:

12,25−10 2,25
P ( 10≤ X ≤ 12,25 )= = =0,375
13−7 6

En el siguiente gráfico se muestra la probabilidad calculada:

Distribución de Probabilidad Normal.

La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el

valor de una variable aleatoria a una situación ideal. 

En otras palabras, la distribución normal adapta una variable aleatoria a una función que
depende de la media y la desviación típica. Es decir, la función y la variable aleatoria
tendrán la misma representación pero con ligeras diferencias.

Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia
IQ y los errores estándar son variables aleatorias continuas.

Una variable aleatoria discreta toma valores naturales. Por ejemplo, el número de
estudiantes en una universidad.

La distribución normal es la base de otras distribuciones como la distribución t de Student,

distribución ji-cuadrada, distribución F de Fisher y otras distribuciones. 
Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede
aproximarse satisfactoriamente a una distribución normal tal que:

X N (μ,σ)

Donde los parámetros de la distribución son la media o valor central y la desviación

típica: 

Media o valor central=μ

Desviación típica=σ

En otras palabras, estamos diciendo que la frecuencia de una variable aleatoria X puede
representarse mediante una distribución normal.

Representación:

Función de densidad de probabilidad de una variable aleatoria que sigue una distribución
normal.   

Propiedades:

 Es una distribución simétrica: El valor de la media, la mediana y la moda

coinciden. Matemáticamente;

Media = Mediana = Moda

  Distribución unimodal: Los valores que son más frecuentes o que tienen más
probabilidad de aparecer están alrededor de la media. En otras palabras, cuando
nos alejamos de la media, la probabilidad de aparición de los valores y su
frecuencia descienden. 

Para representar una distribución normal se necesita:

 Una variable aleatoria. 

 Calcular la media. 
 Calcular la desviación típica. 
 Decidir la función que queremos representar: función de densidad de probabilidad
o función de distribución. 

Ejemplo:

Suponemos que queremos saber si los resultados de un examen pueden aproximarse

satisfactoriamente a una distribución normal. 

Sabemos que en este examen participan 476 estudiantes y que los resultados podrán
oscilar entre 0 y 10. Calculamos la media y la desviación típica a partir de las
observaciones (resultados del examen).

Entonces, definimos la variable aleatoria X como los resultados del examen que depende
de cada resultado individual. Matemáticamente;

X ( x 1 , x 2 , … x 476 )=resultados del examen N ( μ=4,8 , σ =3,09)

El resultado de cada estudiante se anota en una tabla. De esta forma, obtendremos una
visión global de los resultados y de su frecuencia.

Resultados Frecuencia
0 20
1 31
2 44
3 56
4 64
5 66
6 62
7 51
8 39
9 26
10 16
 TOTAL 476

Una vez hecha la tabla, representamos los resultados del examen y las frecuencias. Si el
gráfico se parece a la imagen anterior y cumple con las propiedades, entonces, la variable
resultados del examen puede aproximarse satisfactoriamente a una distribución normal de
media 4,8 y desviación típica de 3,09.

Distribución de Probabilidad Beta.

La distribución beta generalizada nació de manera natural para dar mayor flexibilidad al
soporte acotado, donde su función de densidad es definida como:

Γ (u+v )
f ( x )= ( x)u−1 (1−x )v−1 ; x ∈( 0,1)
Γ (u) Γ (v)

Donde, del mismo modo que en el modelo estándar, los parámetros u y v son positivos.
La distribución Beta estándar es ahora una situación particular de la distribución Beta
Generalizada, cuando (a,b)=(0,1).
Si X es una variable aleatoria con distribución Beta Generalizada, entonces la notación
será: X~BG(ab)(u,v) o equivalentemente X~BG(u,v,a,b)

Para facilitar la operabilidad del modelo, consideraremos que el parámetro b será escrito
por b=a+h, de ese modo la densidad queda representada por:

Γ ( u+v )
f ( x )= ( x−a )u−1 ( h−x )v−1 ; x ∈ ( a , a+h )
Γ (u) Γ (v )
Los elementos siguientes son los que generalmente son presentados para el análisis y
comparar evasiones.

Esperanza:

u
E ( X )= h+ a
u+ v

Segundo momento:

( u+1 ) u u
E ( X 2) = h2 + 2 ah+a 2
(u+ v +1 ) ( v +u ) u+ v

Varianza:

( u+ 1 ) u 2 u2 2
Var ( X )= h+ 2
h
( u+ v+ 1 )( v+u ) ( u+v )

En el proceso de estimación presentaremos dos de los más relevantes; el primero es el

de máxima verosimilitud y el segundo es el de momentos.

En este proceso asumiremos que el parámetro h o amplitud del intervalo de los posibles
valores de X es conocido.

Para el caso del estimador de máxima verosimilitud, basta resolver el sistema siguiente:

n
ln x i
Ψ ( u )−Ψ ( u+ v )=∑ =−ln h
i=1 n

n
ln(h−xi )
Ψ ( v ) −Ψ (u+ v )=∑ −ln h
i=1 n

Las estimativas por medio del método de momentos, que representaremos por ~
u y ~v
respectivamente son:

2
X́ h− X́ k
∑ X 2i ~
u
~
u= 2
donde k = i=1 , luego v́= h−ú
h( k− X́ ) n X́

La función de sobrevivencia es una de las principales funciones probabilísticas usadas

para describir estudios de sobrevivencia (ver Lee 2003). La función de sobrevivencia es
definida como la probabilidad de que una observación no falle hasta un cierto tiempo t, es
decir, la probabilidad de que una observación sobreviva hasta el tiempo t. En términos
probabilísticos, esto es escrito como S(t) = P(T > t). Por tanto, basado en esta definición,
la función de sobrevivencia puede ser determinada por:

S(t) = 1 - P(T < t) = 1 - F(t), donde F(t) representa la función de distribución de

probabilidades de la variable aleatoria T.

Es posible observar la flexibilidad de la función de sobrevivencia de la variable aleatoria

beta generalizada, con crecimientos fuertes en el inicio del proceso, para posteriormente
estabilizarse casi en un decaimiento lineal, como es posible observar en la curva de color
amarillo. De forma similar, podemos obtener funciones de sobrevivencia en la cual el
decrecimiento de la curva sea significativo después del 50% de las fallas o muertes, como
se muestra en la curva de color negro, y las curvas restantes son una muestra de la
flexibilidad y la amplia gama de situaciones con soporte acotado posibles de modelar.

La función de Riesgo también es conocida como función de tasa de falla. Para su

definición vamos asumir que la probabilidad de que la falla ocurra en el intervalo
[t1,t2[ puede ser expresada en términos de la función de sobrevivencia como: S(t 1)-S(t2)
(ver Lee 2003). La tasa de falla en el intervalo [t 1,t2[ es definida como la probabilidad de
que la falla ocurra en este intervalo, dado que no ocurrió antes de t 1, dividido por la
amplitud del intervalo. Así, la tasa de falla en el intervalo [t 1,t2[ es expresada por : ((S(t1)-
S(t2))/((t2-t1) S(t1))). De forma general la función de riesgo, λ(t), es definida como: λ(t)=(f(t))/
(S(t)).

Es posible observar la flexibilidad de la función de riesgo de una variable aleatoria Beta

Generalizada, con incrementos en diferentes velocidades. Una situación muy importante
de destacar es la modelación de un riesgo que en el tiempo cero tiene un riesgo diferente
de cero.
 Distribución de Probabilidad Gamma.

Se le conoce, también, como una generalización de la distribución exponencial, además

de la distribución de Erlang y la distribución Ji-cuadrada. Es una distribución de
probabilidad continúa adecuada para modelizar el comportamiento de variables aleatorias
con asimetría positiva y/o los experimentos en donde está involucrado el tiempo.

Una variable aleatoria X tiene una distribución gamma si su función de densidad está
dada por:

−x
1

{ α−1 β
f ( x , α , β )= β α Γ ( α ) x e ,∧para x >0 ; α , β >0 ;
0 ,∧de otra manera.

La función f es una función de densidad.

Como se mencionó anteriormente, es una distribución adecuada para modelizar el

comportamiento de variables aleatorias continuas con asimetría positiva. Es decir,
variables 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 forma y alcance por la derecha, y también la función gamma Γ (α ),
responsable de la convergencia de la distribución.
Podemos presentar las siguientes propiedades:

 Los valores de esperanza E(X) y varianza Var(X), se determina mendiante:

 E ( X ) =αβ
 Var ( X )=α β 2
 Los factores de forma de la distribución gamma son:

2
 Coeficiente de asimetría:
√α
2
 Curtosis relativa: 3(1+ )
α
 Con lo anterior se puede observar que la distribución gamma es
leptocúrtica y tiene un sesgo positivo. También observamos que conforme
el parámetro crece, el sesgo se hace menos pronunciado y la curtosis
relativa tiende a 3.

 La función generadora de momentos de la variable aleatoria gamma X está dada

por m X ( t )=(1−βt ) , con 0 ≤ t<1/ β .
−α

 El primer parámetro α , sitúa la máxima intensidad de probabilidad y por este

motivo es denominada la forma de la distribución. Cuando se toman valores
próximos a cero aparece entonces un dibujo muy similar al de la distribución
exponencial. Cuando se toman valores grandes de α , el centro de la distribución
se desplaza a la derecha, por lo que va apareciendo la forma de la campana de
Gauss con asimetría positiva. El segundo parámetro β , es el que determina la
forma o alcance de la asimetría positiva desplazando la densidad de probabilidad
en la cola de la derecha. Para valores elevados β de la distribución acumula más
densidad de probabilidad en el extremo derecho de la cola, alargando mucho su
dibujo y dispersando la probabilidad a lo largo del plano. Al dispersar la
probabilidad la altura máxima de densidad de probabilidad se va reduciendo; de
aquí que se le denomine escala. Valores más pequeños β de conducen a una
figura más simétrica y concentrada, con un pico de densidad de probabilidad más
elevado. Una forma de interpretar β es “tiempo promedio entre ocurrencia de un
suceso”.

 Dadas dos variables aleatorias X y Y con distribución gamma y parámetro común

α . Esto es:

X : γ ( α , β 1 ) y Y :γ (α , β 2)

Se cumplirá que la suma también sigue una distribución Gamma:

X +Y : γ (α , β 1 + β 2)

 Relación con otras distribuciones:

  Si se tiene un parámetro α de valores elevados y β pequeña, entonces la
función gamma converge con la distribución normal. De media μ=αβ , y
varianza σ 2=α β 2.
v
 Cuando la proporción entre parámetros es [α = : β=v ] entonces la
2
variable aleatoria se distribuye como una Chi-cuadrado con v grados de
libertad.
 Si α =1, entonces se tiene la distribución exponencial de parámetro
λ=1/ β .

De esta forma, la distribución gamma es una distribución flexible para modelizar

las formas de la asimetría positiva, de las más concentradas y puntiagudas, a las
más dispersas y achatadas.

Para valorar la evolución de la distribución al variar los parámetros se tienen los

siguientes gráficos. Primero se comprueba que para α =1 la distribución tiene
similitudes con la exponencial.

 Esperanza: La esperanza de la distribución gamma está dada por E ( X ) =αβ .

2
 Varianza: La varianza de la distribución gamma está dada por Var ( X )=α β .

Ejemplo: Supongamos que la experiencia demuestra que el tiempo X (en minutos)

necesario para dar mantenimiento periódico a un dictáfono sigue una distribución gamma
con α =3.1 y β=2. A un nuevo técnico en mantenimiento le toma 22.5 minutos revisar la
máquina. ¿Concuerda este tiempo utilizado en el mantenimiento al dictáfono con el
período anterior?

Solución:

La media y varianza de los tiempos de mantenimiento (con base en la experiencia

anterior) son:

E ( X ) =αβ= (3.1 )( 2 )=6.2 y

Var ( X )=α β 2=( 3.1 ) ( 2 2) =12.4

Se deduce que σ =√ 12.4=3.52. Advierta que x=22.5 supera a la esperanza E ( X ) =6.2

16.3
por 16.3 minutos o, k = =4.63. Así según la regla de Tchebychev.
3.52

1
P (|X −6.2|≤16.3 ) =P (|X −μ|≤ 4.63 α ) ≥ 1− =0.9534
( 4.63 )2
 Por tanto,

P (|X −6.2|≥16.3 )=P (|X −6.2|≤16.3 ) ≤ 1−0.9534=0.0466

Esta probabilidad se basa en el supuesto de que la distribución de los tiempos de

mantenimiento no es diferente de lo establecido. Por consiguiente, si observamos que
P( X ≥ 22.5) es pequeña, debemos concluir que nuestro nuevo técnico en mantenimiento
generó por azar un período de mantenimiento prolongado, que tiene baja probabilidad de
ocurrir, o que es más lento que los anteriores. Si tomamos en cuenta la baja probabilidad
de P( X ≥ 22.5), optamos por la última probabilidad.

Distribución de Probabilidad Exponencial Negativa.

A pesar de que la distribución Normal puede utilizarse para resolver muchos problemas
en ingeniería y ciencias, existen aún numerosas situaciones que requieren diferentes tipos
de funciones de densidad, tales como la exponencial y la gamma y algunas otras como la
weibull, etc., etc., de momento solo trataremos sobre el uso de la exponencial.

Resulta que la exponencial es un caso especial de la distribución gamma, ambas tienen

un gran número de aplicaciones. Las distribuciones exponencial y gamma juegan un
papel importante tanto en teoría de colas como en problemas de confiabilidad. El tiempo
entre las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes
y sistemas eléctricos, frecuentemente involucran la distribución exponencial. La relación
entre la gamma y la exponencial permite que la distribución gamma se utilice en tipos
similares de problemas.

La variable aleatoria x tiene una distribución exponencial, con parámetro  β , si su función

de densidad es:

−x
1 β
f ( x )= x , x> 0; f ( x ) =0 en cualquier otro caso
β

Donde β >0

La media y la varianza de la distribución exponencial son:

μ= β y σ 2=β 2

Las aplicaciones más importantes de la distribución exponencial son aquellas situaciones

en donde se aplica el proceso de Poisson, es necesario recordar que un proceso de
Poisson permite el uso de la distribución de Poisson. Recuérdese también que la
distribución de Poisson se utiliza para calcular la probabilidad de números específicos de
“eventos” durante un período o espacio particular. En muchas aplicaciones, el período o la
cantidad de espacio es la variable aleatoria. Por ejemplo, un ingeniero industrial puede
interesarse en el tiempo T entre llegadas en una intersección congestionada durante la
hora de salida de trabajo en una gran ciudad. Una llegada representa el evento de
Poisson.

La relación entre la distribución exponencial (con frecuencia llamada exponencial

negativa) y el proceso llamado de Poisson es bastante simple. La distribución de Poisson
se desarrolló como una distribución de un solo parámetro  λ , donde  λ  puede interpretarse
como el número promedio de eventos por unidad de “tiempo”. Considérese ahora la
variable aleatoria descrita por el tiempo que se requiere para que ocurra el primer evento.
Mediante la distribución de Poisson, se encuentra que la probabilidad de que no ocurran
en el espacio hasta el tiempo t está dada por:

E−λt (λt )0
P ( 0 , λt )= =E−λt ; E=2.718
0!

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de
Poisson. La probabilidad de que el período hasta que ocurre el primer evento de Poisson
exceda x es la misma que la probabilidad de que no ocurra un evento de Poisson en x.
Esto último por supuesto está dado por  E−λx . Como resultado,

P ( X ≥ x )=E− λx

Entonces, la función de distribución acumulada para x es:

P(0 ≤ X ≤ x=1−E−λx )

Ahora, con objeto de que se reconozca la presencia de la distribución exponencial, puede

derivarse la distribución acumulada anterior para obtener la función de densidad:

f ( x )= λ E− λx

1
La cual es la función de densidad de la distribución exponencial con   λ= .
β

Nótese que la media de la distribución exponencial es el parámetro  β , el recíproco del

parámetro en la distribución de Poisson. El lector debe recordar que con frecuencia se
dice que la distribución de Poisson no tiene memoria, lo cual implica que las ocurrencias
en períodos de tiempo sucesivos son independientes. Aquí el parámetro importante  β  es
el tiempo promedio entre eventos. En teoría de la confiabilidad, donde la falla de un
equipo concuerda con el proceso de Poisson,  β  recibe el nombre de tiempo promedio
entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces
la distribución exponencial es aplicable.

En el siguiente ejemplo se muestra una aplicación simple de la distribución exponencial

en un problema de confiabilidad. La distribución binomial también juega un papel
importante en la solución.

Ejemplo:

Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en años
está dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio
de falla  β=5. S í 5 de estos componentes se instalan en diferentes sistemas, ¿cuál es la
probabilidad de que al menos 2 continúen funcionando después de 8 años?

Solución:

La probabilidad de que un determinado componente esté funcionando aún después de 8

años es:

∞ −t −8
1
P ( ¿ 8 )=
58
∫ E 5 dt=E 5 ∨≅ 0.2

La | nos indica que la integral se va a evaluar desde 8 hasta∞ .      

Sea x el número de componentes funcionando después de 8 años. Entonces mediante la

distribución Binomial,

n=5
p = 0.20 = probabilidad de que un componente esté funcionando después de 8 años
q = 1-p = 0.80 = probabilidad de que un componente no funcione después de 8 años

P ( x ≥ 2 )= p ( x=2 ) + p ( x=3 ) + p ( x=4 )+ p ( x=5 ) =1− p ( x=0.1 )=¿

1− {❑5 C 0 ( 0.2 )0 ( 0.8 )5+❑5 C 1 ( 0.2 )1 ( 0.8 )4 }=1−0.7373=0.2627

Valor Esperado de una Variable Aleatoria Continua.

Es la generalización de la media aritmética a toda la población, es decir, es la media de

la variable aleatoria. También se llama valor medio, valor esperado o esperanza
matemática, y se representa por la letra griega μ.
 Si X es una variable aleatoria discreta (representada, de manera general, por una
tabla de valores  x i y probabilidades  pi=P( X=x i ),

X P( X =x i)
x1 p1
x2 p2
⋮ ⋮
xn pn

La esperanza se calcula como la media aritmética de los valores, es decir la suma de

los valores por sus probabilidades (las probabilidades serían las frecuencias relativas).

k
μ= E ( X )=∑ x i . pi
i=1

Recordemos que la media aritmética de una variable estadística se definió como;

x 1+ x 2 +…+ x n
x́=
n

Que, obviamente, sería equivalente a escribir;

n n
1 1
x= ∑ x i=∑ xi .
n i=1 i=1 n

Es decir, sería la esperanza de una variable cuyos valores aparecen todos con la
1
misma probabilidad pi= .
n

Si a una variable estadística la representamos por sus valores  x i, y sus frecuencias
relativas son f i=ni /n , entonces la media aritmética se puede escribir como;

n
x=∑ x i . f i
i=1

Esto es, suma de valores por frecuencias. En el caso de una variable aleatoria, las
frecuencias se transforman en probabilidades (de ocurrencia). Por eso la esperanza es
un valor medio esperado.

Si X es una variable aleatoria continua, la variable toma infinitos valores. El equivalente
continuo de la suma es la integral. La fórmula matemática incluye en este caso a la
función de densidad:
 ∞
μ= E ( X )= ∫ x . f (x) dx
−∞

Teorema de Tchevicheff.

La proporción de cualquier distribución que esté a menos de k desviaciones estándar de

la media es por lo menos;

1
1−
k2

Donde k es cualquier número positivo mayor que 1. Este teorema es válido para todas las
distribuciones de datos.

Este teorema establece que a menos de dos desviaciones es estándar de la media

(k=2) siempre se encontrará por lo menos el 75% (o más) de los datos.

Si una variable está distribuida normalmente, entonces: a menos de una desviación

estándar de la media haya aproximadamente 68% de los datos; a menos de dos
desviaciones estándar de la media hay aproximadamente 95% de los datos; y a menos de
tres desviaciones estándar de la media hay aproximadamente 99.7% de los datos. Esta
regla es válida específicamente para una distribución normal.
K= Desviación Estándar de la media

Ejemplo:

Supongamos que las calificaciones obtenidas en los exámenes parciales por 100
estudiantes universitarios en un curso de estadística para negocios tenían una media de
70 y una desviación estándar de 5.

¿Cuántos alumnos obtuvieron una calificación de entre 60 y 80 en los exámenes?

Media de 70 y desviación estándar de 5.

60−70
=−2
5
80−70
=2
5
1 1
1− =1− =1−0,25=0,75=75 %
( 2) 2
4

Por tanto, 75 % de los estudiantes como mínimo debió obtener una calificación de entre
60 y 80.

¿Cuántos alumnos obtuvieron calificaciones de entre 58 y 82?

58−70
=−2,4
5
82−70
=2,4
5
1 1
1− =1− =1−0,173=0,827=82,7 %
( 2,4 ) 2
5,76

Por tanto, 82,7 % de los alumnos como mínimo debió obtener una calificación de entre 58
y 82.