9 Modelos Continuos Exponencial y Gamma PYE

UNIVERSIDAD AUTONOMA DE OCCIDENTE
FACULTAD DE CIENCIAS BASICAS
DEPARTAMENTO DE MATEMATICAS
AREA DE ESTADISTICA
PROBABILIDAD Y ESTADISTICA
1. Modelo de Probabilidad Exponencial.
El modelo Exponencial suele utilizarse para variables que describen el “tiempo que
transcurre hasta que se produzca un determinado suceso o evento”. Estamos hablando
de una variable aleatoria de tipo continuo que se distribuye exponencialmente. La
distribución Exponencial tiene muchas aplicaciones en diferentes campos, por ejemplo:
en control de calidad nos puede interesar medir el tiempo de duración de un lote de
bombillas eléctricas, el tiempo que transcurre hasta que un paciente sea atendido en el
servicio de urgencias de un hospital, tiempo entre las llamadas en una línea telefónica
de emergencia, el tiempo que transcurre hasta que ocurra una falla en un componente
electrónico presentan un comportamiento exponencial. La distribución Exponencial es
un caso especial de la distribución Gamma. Esta distribución, junto con la distribución
Gamma, juegan un papel importante en la investigación de teoría de colas como en
problemas de confiabilidad. Por ejemplo, una aplicación de teoría de colas en una
entidad financiera, estos modelos se utilizan como herramienta para el mejoramiento
de los procesos de atención al cliente. En este tipo de problemas, las características
operativas de los sistemas de colas están determinadas en gran parte por dos
propiedades estadísticas (distribución de los tiempos entre llegadas de cada cliente y
distribución de los tiempos de servicio a cada cliente).
Muchas aplicaciones de la distribución exponencial son situaciones en donde se aplica el

Modelo de probabilidad Poisson. Recordemos que la distribución de probabilidad Poisson
se aplica en algunos casos para calcular la probabilidad de que ocurra un número
determinado de eventos en un intervalo de tiempo dado. La relación entre estos dos
modelos se encuentra en el parámetro del modelo Poisson (  ); donde la media del
modelo Poisson es igual a  , es decir,    .
Marco Antonio Triana 1

Docente área de Estadística - UAO
Función de Densidad
Si una variable aleatoria continua X se aproxima a una distribución exponencial, con

parámetro , entonces su función de densidad es
e  x para x  0 y   0
f ( x)   (1)
 0 en cualquier otro caso
La probabilidad de que una variable aleatoria X tome valores en un subintervalo

 
x1 , x2  (0, ) está dada por:
x2
x2
P( x1  x  x2 )   e x dx   e x  e x1  e x2 (2)
x1
x1
Función de Distribución
Si una variable aleatoria continua X se aproxima a una distribución exponencial, con

parámetro , su función de distribución es:
x x
F ( x)  P( X  x)   f (t )dt   f (t )dt
 0
x x
F ( x)   e t dt   e  t  1  e  x (3)
0 0
F ( x)  1  e x si x  0
La media (  ) y la varianza ( 
2
) del modelo de probabilidad Exponencial se pueden
calcular con la siguiente formula:
Media de una distribución de probabilidad Exponencial
1
  E ( x)  (4)

Donde el parámetro  representa el número promedio de eventos por unidad de tiempo.
Varianza de una distribución de probabilidad Exponencial
1
 2  V ( x)  (5)
2

Problema 1. Suponga que el tiempo de duración de cierta bombilla eléctrica hasta que
falle tiene una distribución aproximadamente exponencial con una media de 400 horas.
Actividades a desarrollar
 Definir la variable aleatoria X.

 Plantee el modelo adecuado con sus respectivos parámetros.
 Defina la función de distribución.
 ¿Cuál es la probabilidad que pase más de 500 horas hasta que una
bombilla eléctrica falle?
 ¿Cuál es la probabilidad que pase menos de 300 horas hasta que una
 ¿Cuál es la probabilidad que pase entre 500 y 650 horas hasta que una
 Si una de estas bombillas eléctricas ha durado 500 horas, ¿Cuál es la
probabilidad que dure máximo 560 horas?
probabilidad que dure más de 100 horas más?
 Determine la media de la variable aleatoria X. Interprete claramente.
 Determine la desviación estándar de la variable aleatoria X.
Actividad. Solución del problema 1.
 Definir la variable aleatoria X.
De acuerdo al experimento, la variable aleatoria X representa: “el tiempo (horas) que

transcurre hasta que una bombilla eléctrica presente una falla, X es una Variable que se
Distribuye Exponencial con parámetro  .
 Plantee el modelo adecuado con sus respectivos parámetros.
1 , donde 1
Se tiene una media de 400 horas, es decir, E ( X )  400  400   .
 400
Entonces, X ~ Exponencial (   1 ) . Ahora su función de densidad es:
400
(1 / 400)e  (1 / 400) x para x  0

f ( x)  
La función de distribución es F ( x)  1  e (1/ 400) x si x  0

 ¿Cuál es la probabilidad que pase más de 500 horas hasta que una
La probabilidad deseada queda de la siguiente forma: P( x  500)
También, podemos decir que P( x  500)  1  P( x  500)

Recordemos que por definición la función de distribución queda expresada de la siguiente
forma: F ( x)  P( X  x)
Entonces, tenemos que: P( x  500)  1  P( x  500)  1  F (500)
Ahora, P( x  500)  1  F (500)  1  (1  e (1 / 400)500 )  e (1 / 400)500  0,2865
La probabilidad de que pase más de 500 horas hasta que una bombilla eléctrica falle es
del 28,65%.
 ¿Cuál es la probabilidad que pase menos de 300 horas hasta que una
La probabilidad deseada queda de la siguiente forma: P( x  300)
Entonces, expresando en términos de la función de distribución F (x) tenemos que:

P( x  300)  F (300)
Ahora, F (300)  1  e (1 / 400)300  1  e (1 / 400)300  0,527633
La probabilidad de que pase menos de 300 horas hasta que una bombilla eléctrica falle
es del 52,76%.
 ¿Cuál es la probabilidad que pase entre 500 y 650 horas hasta que una
La probabilidad deseada queda de la siguiente forma: P(500  x  650)

También, podemos decir que P(500  x  650)  P( x  650)  P( x  500)

P(500  x  650)  F (650)  F (500)
Ahora,
F (650)  F (500)  (1  e (1 / 400)650 )  (1  e (1 / 400)500 )  0,803088  0,713495  0,089592
La probabilidad de que pase entre 500 y 650 horas hasta que una bombilla eléctrica
falle es del 8,95%.

probabilidad que dure máximo 560 horas?
Si una bombilla eléctrica ha durado 500 horas, quiere decir que el tiempo que
transcurre hasta que falle es mayor de 500 horas; es decir, x  500 . Entonces, podemos
definir los siguientes eventos:
Evento A = {el tiempo que transcurre hasta que falle una bombilla eléctrica es máximo
560 horas}, evento B = {el tiempo que transcurre hasta que falle una bombilla eléctrica
es mayor de 500 horas}
Aplicamos el concepto de probabilidad condicional, recuerde que:

PA B P(PA(B)B) . Ahora, Px  560 x  500  P(500  x  560)
P( x  500)

P x  560
x  500
 P(500  x  560) F (560)  F (500)
P( x  500)

1  F (500)
Entonces:
F (560)  F (500)  (1  e (1 / 400)560 )  (1  e (1 / 400)500 )  0,7534  0,713495  0,0399
1  F (500)  1  (1  e (1 / 400)500 ) 1  0,713495  0,286505

Ahora, P x  560
x  500
 0,0286505
,0399
 0,139264
Si el tiempo que transcurre hasta que falle una bombilla eléctrica es mayor de 500
horas, la probabilidad de que pase menos de 560 horas hasta que falle es del 13,92%.

probabilidad que dure más de 100 horas más?
Si una bombilla eléctrica ha durado 400 horas, quiere decir que el tiempo que
transcurre hasta que falle es mayor de 400 horas; es decir, x  400 . Si una bombilla
eléctrica ha durado 400 horas, entonces que dure más de 100 horas más significa que
dure más de 500 horas; es decir, x  400  100  x  500. Entonces podemos definir los
siguientes eventos:
Evento A = {el tiempo que transcurre hasta que falle una bombilla eléctrica es mayor
de 500 horas}, evento B = {el tiempo que transcurre hasta que falle una bombilla
eléctrica es mayor de 400 horas}
Aplicamos el concepto de probabilidad condicional,

Entonces: P x  400  100
x  400
  PP((xx  500)
400)

P x  400  100
x  400
  PP((xx  500) 1  F (500)

400) 1  F (400)
Ahora, reemplazando tenemos:
1  F (500) 1 (1  e (1 / 400)500 ) 1  0,713495  0,286505
1  F (400)  1  (1  e (1 / 400) 400 ) 1  0,63212  0,36788


Ahora, P x  400  100
x  400
  00,286505
,36788
 0,7788
Si el tiempo que transcurre hasta que falle una bombilla eléctrica es mayor de 400
horas, la probabilidad de que pase menos de 500 horas hasta que falle es del 77,88%.
Recordemos que   1 , ahora aplicando la formula (4) tenemos que:

400
1
E( X )   E ( X )  400 . Se espera que el tiempo promedio de duración de cierta

bombilla eléctrica hasta que falle sea de 400 horas.
1 1
Aplicando la formula (5) tenemos que:  2     400. La desviación estándar
 2

es igual a 400 horas.
Problema 2. El tiempo de duración de televisores Sony BRAVIA modelo LCD se

aproxima a una distribución exponencial con una vida media de 8 años.
 Definir la variable aleatoria X. Plantee el modelo adecuado con sus

respectivos parámetros.
 ¿Cuál es la probabilidad que pase más de 8 años hasta que un televisor
de estas características presente una falla?
 ¿Cuál es la probabilidad de que un televisor de estas características falle
después de 10 años de uso?
 ¿Cuál es la probabilidad que pase entre 8 y 10 años hasta que un
televisor de estas características presente una falla?
 ¿Cuál es la probabilidad que pase menos de 10 años hasta que un
 Si un televisor de estas características dura más de 8 años, ¿Cuál es la
probabilidad que dure máximo 10 años?
 Si un televisor de estas características dura máximo 12 años, ¿Cuál es la
probabilidad que dure más de 8 años?
 Definir la variable aleatoria X. Plantee el modelo adecuado con sus

respectivos parámetros.

De acuerdo al experimento, la variable aleatoria X representa: “el tiempo (años) que
transcurre hasta que un televisores Sony BRAVIA presente una falla, X es una Variable
que se Distribuye Exponencial con parámetro  . Se tiene una media de 8 años, es
1 1
decir, E ( X )  8  8  , donde   . Entonces, X ~ Exponencial (   1 ). Ahora su
 8 8
función de densidad es:
(1 / 8)e  (1 / 8) x para x  0

f ( x)  
La función de distribución es F ( x)  1  e (1/ 8) x si x  0

de estas características presente una falla?
La probabilidad deseada queda de la siguiente forma: P( x  8) . También, podemos decir

que P( x  8)  1  P( x  8)

P( x  8)  1  P( x  8)  1  F (8)
Ahora, 1  F (8)  1  (1  e (1 / 8)8 )  e (1 / 8)8  0,367879
La probabilidad de que pase más de 8 años hasta que un televisor de estas

características presente una falla es del 36,78%.
 ¿Cuál es la probabilidad de que un televisor de estas características falle

después de 10 años de uso?
Si después de 10 años de uso falla, quiere decir que el tiempo que transcurre hasta que
falle es mayor de 10 años; es decir, x  10 .
La probabilidad deseada queda de la siguiente forma: P( x  10) . También, podemos

decir que P( x  10)  1  P( x  10)

P( x  10)  1  P( x  10)  1  F (10)
Ahora, 1  F (10)  1  (1  e (1 / 8)10 )  e (1 / 8)10  0,286504
La probabilidad de que pase más de 10 años hasta que un televisor de estas


La probabilidad deseada queda de la siguiente forma: P(8  x  10) . También, podemos

decir que P(8  x  10)  P( x  10)  P( x  8)

P(8  x  10)  F (10)  F (8)
Ahora, F (10)  F (8)  (1  e (1 / 8)10 )  (1  e (1 / 8)8 )  0,71349  0,63212  0,08137
La probabilidad de que pase entre 8 y 10 años hasta que un televisor de estas

 ¿Cuál es la probabilidad que pase menos de 10 años hasta que un

La probabilidad deseada queda de la siguiente forma: P( x  10) .

P( x  10)  F (10)
Ahora, F (10)  (1  e (1 / 8)10 )  0,71349
La probabilidad de que pase menos de 10 años hasta que un televisor de estas

 Si un televisor de estas características dura más de 8 años, ¿Cuál es la

probabilidad que dure máximo 10 años?
Definamos los siguientes eventos: Evento A = {el tiempo que transcurre hasta que falle
un televisores Sony BRAVIA es máximo 10 años}, evento B = {el tiempo que
transcurre hasta que falle un televisores Sony BRAVIA es mayor de 8 años}
PA B P(PA(B)B) . Ahora, Px  10 x  8  P(8P(x x810

)
)

P x  10
x 8
 P(8P(x x810
)
) F (10)  F (8)

1  F (8)
Entonces:
F (10)  F (8)  (1  e (1 / 8)10 )  (1  e (1 / 8)8 )  0,71349  0,63212  0,08137
1  F (8)  1  (1  e (1 / 8)8 )  e (1 / 8)8  0,367879

Ahora, P x  10 x 8
 F 1(10)F(F8)(8)  00,,367879
08137
 0,221186
Si el tiempo que transcurre hasta que falle un televisor Sony BRAVIA es mayor de 8
años, la probabilidad de que pase máximo 10 años hasta que falle es del 22,1186%.
 Si un televisor de estas características dura máximo 12 años, ¿Cuál es la

probabilidad que dure más de 8 años?
Definamos los siguientes eventos: Evento A = {el tiempo que transcurre hasta que falle
un televisores Sony BRAVIA es mayor de 8 años}, evento B = {el tiempo que
transcurre hasta que falle un televisores Sony BRAVIA es máximo 12 años}
Ahora, P x  8  x  12
  P(P8(x x 12
 12)
)

P x 8
x  12
  P(P8(x x 12
 12)
)

F (12)  F (8)
F (12)
Entonces:
F (12)  F (8)  (1  e (1 / 8)12 )  (1  e (1 / 8)8 )  0,776869  0,63212  0,144749
F (12)  (1  e (1 / 8)12 )  0,776869
Ahora, P x  8  x  12
  F (12F)(12F)(8)  00,,144749
776869
 0,186323
Si el tiempo que transcurre hasta que falle un televisor Sony BRAVIA es máximo 12
años, la probabilidad de que pase más de 8 años hasta que falle es del 18,6323%.
Recordemos que   1 , ahora aplicando la formula (4) tenemos que:

8
1
E( X )   E ( X )  8 . Se espera que el tiempo promedio de duración de un televisor

Sony BRAVIA hasta que presente una falla sea de 8 años.

1 1
Aplicando la formula (5) tenemos que:  2     8. La desviación estándar es
 2

igual a 8 años.
Propiedad de la Distribución Exponencial (falta de Memoria)
 Supongamos que se quiere modelar la distribución de la vida útil de un lote de

componentes. Para dar solución a este tipo de problemas, en algunos casos
aplicamos la propiedad “carencia de memoria” de la distribución exponencial. La
probabilidad de que un componente falle en un tiempo t (un mes, un día, una hora,
etc.) no depende del tiempo t 0 que lleve funcionando, es decir, no existe mayor
probabilidad de que el componente falle cuando empieza a funcionar.
De acuerdo a esta propiedad, podemos generalizar las siguientes expresiones:
X  t0  t
P   P( X  t )  F (t )  1  e t

 X  t 0 
X  t0  t
P   P( X  t )  1  F (t )  e t
 X  t 0 
Veamos la siguiente situación donde se puede aplicar la propiedad de la función

exponencial:
Problema 3. Un empleado del Banco Davivienda Sucursal la 14 Valle del Lili recibe en
promedio tres solicitudes de préstamo cada hora durante su jornada laboral.
 En un día determinado, ¿Cuál es la probabilidad que pase más de dos

horas hasta que esta persona reciba una solicitud de préstamo?
 Definir la variable aleatoria X.

 Plantee el modelo adecuado con sus respectivos parámetros.
 Defina la función de distribución.
 En un día determinado, ¿Cuál es la probabilidad que pase entre 1 y 3

 En un día determinado, si ya han pasado dos horas y el empleado del

banco no ha recibido ninguna solicitud de préstamo, ¿Cuál es la
probabilidad que pase menos de cuatro horas hasta que reciba una
solicitud de préstamo?
 En un día determinado, ¿Cuál es la probabilidad que pase máximo 45

minutos hasta que esta persona reciba una solicitud de préstamo?


 En un día determinado, ¿Cuál es la probabilidad que pase más de 30
 En un día determinado, si ya han pasado 30 minutos y el empleado del

probabilidad que pase más de 45 minutos hasta que reciba una solicitud
de préstamo?
Actividad. Solución del problema 3
 En un día determinado, ¿Cuál es la probabilidad que pase más de dos

La variable aleatoria X describe el tiempo (horas) que transcurre hasta que el empleado
del banco reciba una solicitud de préstamo, X es una variable que se Distribuye
Exponencial con parámetro  . Se tiene que la media del modelo Poisson (   3 / hora ) es
igual a  , es decir,   3 . Entonces, X ~ Exponencial (   3 ).
Ahora su función de densidad es:
3e 3 x para x  0
f ( x)  
La función de distribución es F ( x)  1  e 3 x si x  0
Ahora, para calcular la probabilidad que pase más de dos horas hasta que esta persona
reciba una solicitud de préstamo realizamos el siguiente planteamiento:
La probabilidad se puede expresar de la siguiente forma: P( x  2) . También, podemos

decir que P( x  2)  1  P( x  2)

P( x  2)  1  P( x  2)  1  F (2)
Ahora, 1  F (2)  1  (1  e (3) 2 )  1  0,9975  0,0025
La probabilidad de que pase más de dos horas hasta que el empleado del banco reciba
una solicitud de préstamo es del 0,25%.

 En un día determinado, ¿Cuál es la probabilidad que pase entre 1 y 3
La probabilidad deseada queda de la siguiente forma: P(1  x  3) . También, podemos

decir que P(1  x  3)  P( x  3)  P( x  1)

P(1  x  3)  F (3)  F (1)
Ahora, F (3)  F (1)  (1  e (3)3 )  (1  e (3)1 )  0,9998  0,9502  0,0496
La probabilidad de que pase entre 1 y 3 horas hasta que el empleado del banco reciba
 En un día determinado, si ya han pasado dos horas y el empleado del

probabilidad que pase menos de cuatro horas hasta que reciba una
solicitud de préstamo?
Si ya han pasado dos horas y el empleado del banco no ha recibido ninguna solicitud de
préstamo, quiere decir que el tiempo que transcurre hasta que reciba una solicitud de
préstamo es mayor de 2 horas; es decir, x  2 .
Definamos los siguientes eventos: Evento A = {el tiempo que transcurre hasta que un
empleado del banco recibe una solicitud de préstamo es menor de 4 horas, evento B =
{el tiempo que transcurre hasta que un empleado del banco recibe una solicitud de
préstamo es mayor de 2 horas}
 B  P(PA(B)B) . Ahora, Px  4 x  2  P(P2(x x 2)4)

PA

Px4
x2
  P(P2(x x 2)4)  F1(4) FF(2()2)
Entonces:
F (4)  F (2)  (1  e (3) 4 )  (1  e (3) 2 )  0,9999  0,9975  0,0024726
1  F (2)  1  (1  e (3) 2 )  1  0,9975  0,0024787

Ahora, P x  4
x2
  F1(4) FF(2()2)  00,,0024787
0024726
 0,9975 = 99,75%
Aplicando la propiedad de falta de memoria de la distribución exponencial se tiene:

Px4
x2
  P x  (2  2) x  2   P( x  2)  F (2)  (1  e  ( 3) 2
)  0,9975 = 99,75%

 Observe que llegamos al mismo resultado.
Si el tiempo que transcurre hasta que un empleado del banco recibe una solicitud de
préstamo es mayor de 2 horas, la probabilidad de que pase menos de 4 horas hasta
que reciba una solicitud de préstamo es del 99,75%.
 En un día determinado, ¿Cuál es la probabilidad que pase máximo 45

La variable aleatoria X describe el tiempo (minutos) que transcurre hasta que el

empleado del banco reciba una solicitud de préstamo, X es una variable que se
Distribuye Exponencial con parámetro  . Se tiene que la media del modelo Poisson
(   3 / hora    3 / 60  0,05 / min uto ) es igual a  , es decir,   0,05 . Entonces, X ~
Exponencial (   0,05 ).
Su función de densidad es:
0,05e 0,05x para x  0

 f ( x)  
La función de distribución es F ( x)  1  e 0,05x si x  0

Ahora, para calcular la probabilidad que pase máximo 45 minutos hasta que esta
persona reciba una solicitud de préstamo realizamos el siguiente planteamiento:
La probabilidad se puede expresar de la siguiente forma: P( x  45) . Entonces,

expresando en términos de la función de distribución F (x) tenemos que:
 ( 0, 05) 45
P( x  45)  F (45) . Ahora, F (45)  1  e  0,8946
La probabilidad de que pase máximo 45 minutos hasta que el empleado del banco
reciba una solicitud de préstamo es del 89,46%.
 En un día determinado, ¿Cuál es la probabilidad que pase más de 30


decir que P( x  30)  1  P( x  30)

 ( 0, 05) 30
P( x  30)  1  F (30) . Ahora, 1  F (30)  1  (1  e )  1 0,7768  0,2232

La probabilidad de que pase más de 30 minutos hasta que el empleado del banco reciba
 En un día determinado, si ya han pasado 30 minutos y el empleado del

probabilidad que pase más de 45 minutos hasta que reciba una solicitud
de préstamo?
Si ya han pasado 30 minutos y el empleado del banco no ha recibido ninguna solicitud

de préstamo, quiere decir que el tiempo que transcurre hasta que reciba una solicitud
de préstamo es mayor de 30 minutos, es decir, x  30 .
Definamos los siguientes eventos: Evento A = {el tiempo que transcurre hasta que un
empleado del banco recibe una solicitud de préstamo es mayor de 45 minutos, evento B
= {el tiempo que transcurre hasta que un empleado del banco recibe una solicitud de
préstamo es mayor de 30 minutos}.

Ahora, P x  45
x  30
  PP(( xx  30
45)
)

P x  45
x  30
  PP(( xx  30
45) 1  F (45)

) 1  F (30)
Entonces:
1  F (45)  1  (1  e (0,05) 45 )  1  0,8946  0,105399

1  F (30)  1  (1  e (0,05)30 )  1 0,7768  0,22313

Ahora, P x  45
x  30
  11  FF ((30
45)
)

0,105399
0,22313
 0,4723
Aplicando la propiedad de falta de memoria de la distribución exponencial se tiene:

P x  45
x  30
  P x  (30  15) x  30   1  P( x  15)  1  F (15)  1  (1  e  ( 0, 05)15
)  0,4723
 Observe que llegamos al mismo resultado.
Si el tiempo que transcurre hasta que un empleado del banco recibe una solicitud de
préstamo es mayor de 30 minutos, la probabilidad de que pase más de 45 minutos
hasta que reciba una solicitud de préstamo es del 47,22%.
Recordemos que   3 / hora , ahora aplicando la formula (4) tenemos que:

1 1
E( X )   E ( X )  . Se espera que el tiempo promedio entre una solicitud de
 3
préstamo y otra sea aproximadamente 0,33 horas.
1 1 1
Aplicando la formula (5) tenemos que: 2     . La desviación estándar
 2
 3
es igual a 0,33 horas.
Problema 4. Un estudiante del curso de Probabilidad y Estadística de la UAO durante la

clase le gusta utilizar con frecuencia su teléfono celular. De acuerdo a lo observado
recibe en promedio cinco mensajes por WhatsApp cada 20 minutos.
 En un día determinado, durante la clase; ¿Cuál es la probabilidad que

pase más de 10 minutos hasta que esta persona reciba un mensaje por
WhatsApp?


pase entre cinco y diez minutos hasta que esta persona reciba un
mensaje por WhatsApp?
 En un día determinado, durante la clase; si ya han pasado tres minutos y

el estudiante no ha recibido ningún mensaje por WhatsApp, ¿Cuál es la
probabilidad que pase más de ocho minutos hasta que reciba un
mensaje?

pase más de 50 segundos hasta que esta persona reciba el siguiente


pase menos de 40 segundos hasta que esta persona reciba el siguiente
 En un día determinado, durante la clase; si ya han pasado ocho minutos

y el estudiante no ha recibido ningún mensaje por WhatsApp, ¿Cuál es la
probabilidad que pase máximo diez minutos hasta que reciba un
mensaje?

Actividad. Solución del problema 4

pase más de 10 minutos hasta que esta persona reciba un mensaje por
WhatsApp?
La variable aleatoria X describe el tiempo (minutos) que transcurre hasta que el

estudiante reciba un mensaje por WhatsApp, X es una variable que se Distribuye
Exponencial con parámetro  . Se tiene que la media del modelo Poisson
(   5 / 20 min utos    0,25 / min ) es igual a  , es decir,   0,25 . Entonces, X ~
Exponencial (   0,25 ).
0,25e 0, 25x para x  0

f ( x)  
La función de distribución es F ( x)  1  e 0, 25x si x  0

Ahora, para calcular la probabilidad que pase más de 10 minutos hasta que esta
persona reciba un mensaje por WhatsApp realizamos el siguiente planteamiento:

decir que P( x  10)  1  P( x  10)

P( x  10)  1  P( x  10)  1  F (10)
Ahora, 1  F (10)  1  (1  e (0, 25)10 )  1  0,917915  0,08208
La probabilidad de que pase más de 10 minutos hasta que esta persona reciba un
mensaje por WhatsApp es del 8,208%.

pase entre cinco y diez minutos hasta que esta persona reciba un

La probabilidad se puede expresar de la siguiente forma: P(5  x  10) . También,
podemos decir que P(5  x  10)  P( x  10)  P( x  5)

P(5  x  10)  F (10)  F (5) . Ahora, F (10)  (1  e (0, 25)10 )  0,917915
F (5)  (1  e (0, 25)5 )  0,713495
Entonces: P(5  x  10)  F (10)  F (5)  0,917915  0,713495  0,20442
La probabilidad de que pase entre cinco y diez minutos hasta que el estudiante reciba
un mensaje por WhatsApp es del 20,442%.
 En un día determinado, durante la clase; si ya han pasado tres minutos y

el estudiante no ha recibido ningún mensaje por WhatsApp, ¿Cuál es la
probabilidad que pase más de ocho minutos hasta que reciba un
mensaje?
Si ya han pasado 3 minutos y el estudiante no ha recibido ningún mensaje por

WhatsApp, quiere decir que el tiempo que transcurre hasta que reciba un mensaje es
mayor de 3 minutos, es decir, x  3 .
Definamos los siguientes eventos: Evento A = {el tiempo que transcurre hasta que el
estudiante recibe un mensaje por WhatsApp es mayor de 8 minutos, evento B = {el
tiempo que transcurre hasta que el estudiante recibe un mensaje por WhatsApp es
mayor de 3 minutos}.
PA B P(PA(B)B) . Ahora, P x  8  x3

  PP(( xx  83))

P x 8
x3
  PP(( xx  83))  11  FF ((83))
Entonces:
1  F (8)  1  (1  e (0, 25)8 )  1  0,86466  0,13534

1  F (3)  1  (1  e (0, 25)3 )  1  0,52763  0,47237

Ahora, P x  8
x3
  11  FF ((83))  00,,13534
47237
 0,2865
Si el tiempo que transcurre hasta que el estudiante recibe un mensaje por WhatsApp
es mayor de 3 minutos, la probabilidad de que pase más de 8 minutos hasta que reciba
un mensaje es del 28,65%.

pase más de 50 segundos hasta que esta persona reciba el siguiente

La variable aleatoria X describe el tiempo (segundos) que transcurre hasta que el

estudiante reciba un mensaje por WhatsApp, X es una variable que se Distribuye
Exponencial con parámetro  . Se tiene que la media del modelo Poisson
(   5 / 20 min utos    0,25 / min    (0,25 / 60) / seg ) es igual a  , es decir,   (0,25 / 60) .
Entonces, X ~ Exponencial (   (0,25 / 60) ).
(0,25 / 60)e  ( 0, 25 / 60) x para x  0

f ( x)  
La función de distribución es F ( x)  1  e (0, 25/ 60) x si x  0

Ahora, para calcular la probabilidad que pase más de 50 segundos hasta que esta
persona reciba el siguiente mensaje por WhatsApp realizamos el siguiente
planteamiento:

decir que P( x  50)  1  P( x  50)

P( x  50)  1  P( x  50)  1  F (50)
Ahora, 1  F (50)  1  (1  e (0, 25 / 60)50 )  1  0,18806  0,811939
La probabilidad que pase más de 50 segundos hasta que esta persona reciba el
siguiente mensaje por WhatsApp es del 81,194%.

pase menos de 40 segundos hasta que esta persona reciba el siguiente
La probabilidad se puede expresar de la siguiente forma: P( x  40) .

P( x  40)  F (40)
Ahora, F (40)  (1  e (0, 25 / 60) 40 )  0,153518
La probabilidad que pase menos de 40 segundos hasta que esta persona reciba el
siguiente mensaje por WhatsApp es del 15,35%.

 En un día determinado, durante la clase; si ya han pasado ocho minutos
y el estudiante no ha recibido ningún mensaje por WhatsApp, ¿Cuál es la
probabilidad que pase máximo diez minutos hasta que reciba un
mensaje?
Si ya han pasado 8 minutos y el estudiante no ha recibido ningún mensaje por

WhatsApp, quiere decir que el tiempo que transcurre hasta que reciba un mensaje es
mayor de 8 minutos, es decir, x  8 .
Definamos los siguientes eventos: Evento A = {el tiempo que transcurre hasta que el
estudiante recibe un mensaje por WhatsApp es máximo 10 minutos, evento B = {el
tiempo que transcurre hasta que el estudiante recibe un mensaje por WhatsApp es
mayor de 8 minutos}.
Recordemos que X ~ Exponencial (   0,25 ), entonces la función de distribución es
F ( x)  1  e 0, 25x si x  0

Ahora, P x  10
x8
  P(8P(x x810
)
)
Expresando en términos de la función de distribución F (x) tenemos que:

P x  10
x 8
 
P(8  x  10) F (10)  F (8)
P( x  8)

1  F (8)
Entonces:
F (10)  F (8)  (1  e (0, 25)10 )  (1  e (0, 25)8 )  0,917915  0,86466  0,05325

1  F (8)  1  (1  e (0, 25)8 )  1  0,86466  0,13534

Ahora, P x  10
x 8
  F (110)F(F8)(8)  00,,13534
05325
 0,39345
Si el tiempo que transcurre hasta que el estudiante recibe un mensaje por WhatsApp
es mayor de 8 minutos, la probabilidad de que pase máximo 10 minutos hasta que
reciba un mensaje es del 39,345%.
Recordemos que   0.25 , ahora aplicando la formula (4) tenemos que:
1
E( X )   E ( X )  4 . El estudiante debe esperar un tiempo promedio de 4 minutos
0,25
para recibir un mensaje por WhatsApp.

1 1
Aplicando la formula (5) tenemos que:  2     4. La desviación estándar
 2
0,25
es igual a 4 minutos.
2. Modelo de Probabilidad Gamma.
El modelo de probabilidad Exponencial es un caso especial del modelo Gamma, donde la

variable “tiempo que transcurre hasta que ocurra un determinado suceso o evento” de
un proceso Poisson es una variable X que se distribuye exponencial con parámetro ;
mientras que, la variable “tiempo que transcurre hasta que ocurra el -ésimo evento”
de un proceso Poisson presenta una distribución Gamma con parámetros  y .
Como se mencionó en el modelo anterior, la distribución Gamma tiene muchas

aplicaciones en diferentes campos, por ejemplo: en control de calidad nos puede
interesar medir el tiempo de duración de un lote de bombillas eléctricas, el tiempo que
transcurre hasta que dos o más pacientes sean atendidos en el servicio de urgencias
de un hospital, tiempo entre dos llamadas en una línea telefónica de emergencia, el
tiempo que transcurre hasta que ocurra más de una falla en un componente electrónico
presentan un comportamiento Gamma.
Algunos casos especiales de la función Gamma son:
 Para valores grandes de  la distribución Gamma se puede aproximar por

medio de la distribución normal.
 Si el parámetro  de la distribución Gamma es igual a 1, la variable aleatoria X
presenta una distribución exponencial.
Relación entre el Modelo Poisson, distribución Exponencial y Gamma.
La relación entre la distribución exponencial y el proceso Poisson es con respecto al

parámetro de ambos modelos. La distribución de Poisson tiene un solo parámetro que
es ; donde  =  , sabemos que  es el número promedio de eventos por unidad de
tiempo. Ahora, la variable aleatoria X que se distribuye Exponencial tiene como
parámetro  y la variable aleatoria Y que se distribuye Gamma tiene parámetros  y
.
Observa y analiza la siguiente situación en la que se evidencia la relación y aplicación
del modelo Poisson con el modelo exponencial y el modelo gamma:
 Suponga que en la vía Jamundí frente a la UAO ocurren 3 accidentes por día.
 ¿Cuál es la probabilidad que durante un día en la vía Jamundí frente a la

UAO ocurra un accidente?
P(X=1) donde X ~ Poisson (  = 3)
 ¿Cuál es la probabilidad que pase más de tres días hasta que se presente
un accidente en la vía Jamundí frente a la UAO?
P(Y>3) donde Y ~ Exponencial (  = 3)

 ¿Cuál es la probabilidad que pase menos de cinco días hasta que se
presente 5 accidentes en la vía Jamundí frente a la UAO?
P(Z<5) donde Z ~ Gamma (  = 3;  =5)
Función de Densidad
Si una variable aleatoria continua X se aproxima a una distribución Gamma, con

parámetros  y  , entonces su función de densidad es
   1 x
 x e para x  0 y  ,   0
f ( x)   ( ) (6)

Donde la función Gamma (denotada como ( ) ) es

( )   x  1e  x dx
0
Observe que si =1, reemplazando en (6) tenemos que: f ( x)  e x ; entonces la

variable aleatoria X se aproxima a una distribución exponencial con parámetro .
La media (  ) y la varianza ( 
2
) del modelo de probabilidad Gamma se pueden
calcular con la siguiente formula:
Media de una distribución de probabilidad Gamma

  E (x)  (7)

Donde el parámetro  representa el número promedio de eventos por unidad de tiempo
y  es el número de eventos que ocurren.
Varianza de una distribución de probabilidad Gamma

 2  V ( x)  (8)
2

ALGUNAS RECOMENDACIONES IMPORTANTES
Para calcular probabilidades de algunos eventos a partir de la función de densidad f(x)

del modelo Gamma resulta difícil y además sería muy complejo evaluar la integral de
esta función de densidad. Para encontrar P( X  x) tendríamos que hallar la siguiente
integral:
x
  1 t
P( X  x)   t e dt
0
( )
Para estos casos, es conveniente ayudarse con algunos métodos numéricos o con las
tablas de la Gamma Incompleta para calcular probabilidades. Para usar la Gamma
incompleta se debe realizar un cambio de variable en la función de densidad.
Si una variable aleatoria continua X se aproxima a una distribución Gamma, con

parámetros  y  , entonces la variable aleatoria y  x se aproxima a una función
Gamma Incompleta, donde la función Gamma Incompleta es
x
1
F ( x,  )   y  1e  y dy
0
( )
Aquí está la tabla de la Gamma Incompleta.
Tabla 1
FUNCION DE LA GAMMA INCOMPLETA
x 
1 2 3 4 5 6 7 8 9 10
1 0,632 0,264 0,080 0,019 0,004 0,001 0,000 0,000 0,000 0,000
2 0,865 0,594 0,323 0,143 0,053 0,017 0,005 0,001 0,000 0,000
3 0,950 0,801 0,577 0,353 0,185 0,084 0,034 0,012 0,004 0,001
4 0,982 0,908 0,762 0,567 0,371 0,215 0,111 0,051 0,021 0,008
5 0,993 0,960 0,875 0,735 0,560 0,384 0,238 0,133 0,068 0,032
6 0,998 0,983 0,938 0,849 0,715 0,554 0,394 0,256 0,153 0,084
7 0,999 0,993 0,970 0,918 0,827 0,699 0,550 0,401 0,271 0,170
8 1,000 0,997 0,986 0,958 0,900 0,809 0,687 0,547 0,407 0,283
9 1,000 0,999 0,994 0,979 0,945 0,884 0,793 0,676 0,544 0,413
10 1,000 1,000 0,997 0,990 0,971 0,933 0,870 0,780 0,667 0,542
11 1,000 1,000 0,999 0,995 0,985 0,962 0,921 0,857 0,768 0,659
12 1,000 1,000 0,999 0,998 0,992 0,980 0,954 0,910 0,845 0,758
13 1,000 1,000 1,000 0,999 0,996 0,989 0,974 0,946 0,900 0,834
14 1,000 1,000 1,000 1,000 0,998 0,994 0,986 0,968 0,938 0,891
15 1,000 1,000 1,000 1,000 0,999 0,997 0,992 0,982 0,963 0,930
16 1,000 1,000 1,000 1,000 1,000 0,999 0,996 0,990 0,978 0,957
17 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,995 0,987 0,974
18 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997 0,993 0,985
19 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,996 0,991
20 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998 0,995
21 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,997
22 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999 0,998
23 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,999
24 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

Problema 5. Los motores eléctricos de inducción son pieza fundamental en todo
proceso industrial. Suponga que el tiempo de duración de un motor eléctrico hasta que
presente una falla eléctrica tiene una distribución aproximadamente exponencial con
una media de 100 horas.
 ¿Cuál es la probabilidad que pase más de 500 horas hasta que un motor
eléctrico presente tres fallas eléctricas?

 Determine la media de la variable aleatoria X. Interprete
claramente.
 Determine la varianza de la variable aleatoria X.
 ¿Cuál es la probabilidad que pase menos de 300 horas hasta que un

motor eléctrico presente cinco fallas eléctricas?

 ¿Cuál es la probabilidad que pase más de 100 días hasta que un motor
eléctrico presente ocho fallas eléctricas?

 ¿Cuál es la probabilidad que pase más de 500 horas hasta que un motor
eléctrico presente tres fallas eléctricas?
De acuerdo al experimento, la variable aleatoria X representa: “el tiempo (horas) que

transcurre hasta que un motor eléctrico presenta tres fallas eléctricas (  =3), X es una
Variable que se Distribuye Gamma con parámetros  y  . Recordemos que la media
del modelo exponencial es E ( x)  100  1     1  por hora.
  100 
Entonces, X ~ Gamma (    1  ,   3 ).
 100 
La probabilidad requerida es P( X  500)  1  F (500 ; 3) . Para usar la Gamma incompleta
realizamos el siguiente cambio de variable: yi  xi

 1 
y  x    * 500  5 . Utilizando la función Gamma incompleta tenemos que:
 100 
F (x ; )  F ( y ;  ) .

Entonces: P( X  500)  1  F (500 ; 3)  1  F (5, 3)  1  0,875  0,125 (ver tabla 1)
La probabilidad que pase más de 500 horas hasta que un motor eléctrico presente tres
fallas eléctricas es del 12,5%.
 Determine la media de la variable aleatoria X. Interprete claramente.
Recordemos que   1 , ahora aplicando la fórmula (7) tenemos que:

100
 3
E ( x)    300
 (1 / 100)
El tiempo promedio de duración de un motor eléctrico hasta que presente tres fallas
eléctricas es de 300 horas aproximadamente.
Aplicando la fórmula (8) tenemos que:
 3
V ( x)    30000
 2
(1 / 100) 2
 ¿Cuál es la probabilidad que pase menos de 300 horas hasta que un

motor eléctrico presente cinco fallas eléctricas?
La variable aleatoria X representa: “el tiempo (horas) que transcurre hasta que un
motor eléctrico presente cinco fallas eléctricas (  =5), X es una Variable que se
Distribuye Gamma con parámetros    1  y   5 .
 100 
Entonces, X ~ Gamma (    1  ,   5 ).
 100 
La probabilidad requerida es P( X  300)  F (300 ; 5) . Para usar la Gamma incompleta
realizamos el siguiente cambio de variable: y  x  

 1 
 * 300  3 .
 100 
Ahora, P( X  300)  F (300 ; 5)  F (3 ; 5)  0,185 (ver tabla 1)
La probabilidad que pase menos de 300 horas hasta que un motor eléctrico presente
cinco fallas eléctricas es del 18,5%.

 ¿Cuál es la probabilidad que pase más de 100 días hasta que un motor
eléctrico presente ocho fallas eléctricas?
La variable aleatoria X es el tiempo (días) que transcurre hasta que un motor

eléctrico presente ocho fallas eléctricas (  =8), X es una Variable que se Distribuye
Gamma con parámetros    1  / hora    0,24 / dia y   8.
 100 
Entonces, X ~ Gamma (   0,24 ;   8 ).

realizamos el siguiente cambio de variable: y  x  0,24 *100  24 .
Ahora, P( X  100)  1  F (100 ; 8)  1  F (24 ; 8)  1 1,000  0 (ver tabla 1)
Observe que no es probable que pase más de 100 días para que un motor eléctrico
presente ocho fallas eléctricas.
Problema 6. El número promedio de estudiantes de los cursos de Estadística 1 en la

UAO que viajan fuera del país es de 2 estudiantes cada seis meses.
 ¿Cuál es la probabilidad que pase más de 9 meses hasta que cinco

estudiantes viajen fuera del país?

claramente.
 Determine la desviación estándar de la variable aleatoria X.
 ¿Cuál es la probabilidad que pase menos de 3 años hasta que tres


 ¿Cuál es la probabilidad que pase entre 2 y 4 años hasta que ocho


 ¿Cuál es la probabilidad que pase más de 9 meses hasta que cinco

La variable aleatoria X representa: “el tiempo (meses) que transcurre hasta que
cinco estudiantes (  =5) viajen fuera del país, X es una Variable que se Distribuye
Gamma con parámetros y . De acuerdo al problema  = 2 cada seis meses, es
decir,  = (2/6) por mes. Recuerde que  =.
Entonces, X ~ Gamma (    2  ,   5 ).
6

2
realizamos el siguiente cambio de variable: y  x    * 9  3 , es decir,
6
F (x ; )  F ( y ;  ) . Ahora,
P( X  9)  1  F (9 ; 5)  1  F (3 ; 5)  1  0,185  0,815 (ver tabla 1)
La probabilidad que pase más de 9 meses hasta que cinco estudiantes viajen fuera del
país es del 81,5%.

claramente.
 5
E ( x)    15 . Aproximadamente 15 meses es el tiempo promedio que
 (2 / 6)
transcurre hasta que cinco estudiantes viajen fuera del país.
 Determine la desviación estándar de la variable aleatoria X.
 5
V ( x)    45    45  6,7
 2
(2 / 6) 2
 ¿Cuál es la probabilidad que pase menos de 3 años hasta que tres

La variable aleatoria X representa: “el tiempo (años) que transcurre hasta que tres
estudiantes (  =3) viajen fuera del país, X es una Variable que se Distribuye Gamma

con parámetros  y  . De acuerdo al problema  = 2 cada seis meses, es decir,  = 4
por año. Recuerde que  =.
Entonces, X ~ Gamma (   4 ,   3 ).
La probabilidad requerida es P( X  3)  F (3; 3) . Para usar la Gamma incompleta

realizamos el cambio de variable: y  x  4 * 3  12 , donde:
F ( x ;  )  F ( y ;  ) . Ahora,
P( X  3)  F (3; 3)  F (12 ; 3)  0,999 (ver tabla 1)
La probabilidad que pase menos de 3 años hasta que tres estudiantes viajen fuera del
país es del 99,9%.
 ¿Cuál es la probabilidad que pase entre 2 y 4 años hasta que ocho

Observe que   8 , entonces, X ~ Gamma (   4 ,   8 ).
La probabilidad requerida es P(2  X  4)  F (4; 8)  F (2; 8) . Para usar la Gamma

incompleta realizamos cambio de variable: y  4 * 2  8 , y  4 * 4  16 donde:
F ( x ;  )  F ( y ;  ) . Ahora,
P(2  X  4)  F (4; 8)  F (2; 8)  F (16; 8)  F (8; 8)  0,990  0,547  0,443

(Ver tabla 1). La probabilidad que pase entre 2 y 4 años hasta que ocho estudiantes
viajen fuera del país es del 44,3%.
Problema 7. En promedio un televisor Sony BRAVIA modelo LCD presenta 2 fallas cada
5 años de uso.

Sony BRAVIA modelo LCD presente cinco fallas?

claramente.

televisor Sony BRAVIA modelo LCD presente tres fallas?


 ¿Cuál es la probabilidad que pase máximo 15 años hasta que un televisor
Sony BRAVIA modelo LCD presente siete fallas?

Sony BRAVIA modelo LCD presente cinco fallas?

transcurre hasta que un televisor Sony BRAVIA modelo LCD presente cinco fallas
(  =5), X es una Variable que se Distribuye Gamma con parámetros  y  . De
acuerdo al problema  = 2 por cada 5 años, es decir,  = 0,4 por año. Recuerde que 
=.
Entonces, X ~ Gamma (   0,4 ;   5 ).

realizamos el siguiente cambio de variable: y  x  0,4 *10  4 . Utilizando la función
Gamma incompleta tenemos que: F ( x ;  )  F ( y ;  ) .
Entonces: P( X  10)  1  F (10 ; 5)  1  F (4 ; 5)  1  0,371  0,629 (ver tabla 1)
La probabilidad que pase más de 10 años hasta que un televisor Sony BRAVIA modelo
LCD presente cinco fallas es del 62,9%.

claramente.
Recordemos que   0,4 , ahora aplicando la fórmula (7) tenemos que:
 5
E ( x)    12,5
 0,4
Se espera que el tiempo promedio que pasa hasta que un televisor Sony BRAVIA
modelo LCD presente cinco fallas sea de 12,5 años aproximadamente.
 5
V ( x)    31,25
 2
0,4 2

televisor Sony BRAVIA modelo LCD presente tres fallas?

transcurre hasta que un televisor Sony BRAVIA modelo LCD presente tres fallas (  =3),
X es una Variable que se Distribuye Gamma con parámetros  y  .
Recuerde que  = 0,4 y  = 3. Entonces, X ~ Gamma (   0,4 ;   3 ).
La probabilidad requerida es P(5  X  10)  F (10 ; 3)  F (5 ; 3) . Para usar la Gamma

incompleta realizamos el cambio de variable: y  x  0,4 *10  4 , y  0,4 * 5  2 .
Utilizando la función Gamma incompleta tenemos que: F ( x ;  )  F ( y ;  ) .
Entonces:
P(5  X  10)  F (10 ; 3)  F (5 ; 3)  F (4 ; 3)  F (2 ; 3)  0,762  0,323  0,439 (ver tabla 1)
La probabilidad que pase entre 5 y 10 años hasta que un televisor Sony BRAVIA modelo
LCD presente tres fallas es del 43,9%.
 ¿Cuál es la probabilidad que pase máximo 15 años hasta que un televisor

Sony BRAVIA modelo LCD presente siete fallas?
Observe que X ~ Gamma (   0,4 ;   7 ).
La probabilidad requerida es P( X  15)  F (15 ; 7) . Para usar la Gamma incompleta

realizamos el cambio de variable: y  0,4 *15  6 . Utilizando la función Gamma
incompleta tenemos que:
P( X  15)  F (15 ; 7)  F (6 ; 7)  0,394 (ver tabla 1)
La probabilidad que pase máximo 15 años hasta que un televisor Sony BRAVIA modelo
LCD presente siete fallas es del 39,4%.
Problema 8. En la Cafetería Central de la UAO, el número de clientes que llegan a la

caja para pagar su pedido sigue un proceso poisson con media 5 por cada 15 minutos.
 ¿Cuál es la probabilidad que pase más de 30 minutos hasta que cuatro

clientes lleguen a la caja para pagar su pedido?

claramente.
 ¿Cuál es la probabilidad que pase menos de 6 minutos hasta que siete

 ¿Cuál es la probabilidad que pase máximo tres horas hasta que seis

 ¿Cuál es la probabilidad que pase más de 30 minutos hasta que cuatro

La variable aleatoria X representa: “el tiempo (meses) que transcurre hasta que
cuatro clientes (  =4) lleguen a la caja para pagar su pedido, X es una Variable que se
Distribuye Gamma con parámetros y . De acuerdo al problema  = 5 cada 15
minutos, es decir,  = (5/15 = 1/3) por minuto. Recuerde que  =.
Entonces, X ~ Gamma (    1  ,   4 ).
 3

1
realizamos el siguiente cambio de variable: y  x    * 30  10 , es decir,
 3
F ( x ;  )  F ( y ;  ) . Ahora,
P( X  30)  1  F (30 ; 4)  1  F (10 ; 4)  1  0,99  0,01 (ver tabla 1)
La probabilidad que pase más de 30 minutos hasta que cuatro clientes lleguen a la caja
para pagar su pedido es del 1%.

claramente.

 4
E ( x)    12 . Aproximadamente 12 minutos es el tiempo promedio que
 (1 / 3)
transcurre hasta que cuatro clientes lleguen a la caja para pagar su pedido.
 4
V ( x)    36
 2
(1 / 3) 2
 ¿Cuál es la probabilidad que pase menos de 6 minutos hasta que siete

Entonces, X ~ Gamma (    1  ,   7 ).
 3
La probabilidad requerida es P( X  6)  F (6 ; 7) . Para usar la Gamma incompleta

1
realizamos el cambio de variable: y  x    * 6  2 .
 3
Ahora, P( X  6)  F (6 ; 7)  F (2 ; 7)  0,005 (ver tabla 1)
La probabilidad que pase menos de 6 minutos hasta que siete clientes lleguen a la caja
para pagar su pedido es del 0,5%.
 ¿Cuál es la probabilidad que pase máximo tres horas hasta que seis
La variable aleatoria X representa: “el tiempo (horas) que transcurre hasta que seis
clientes (  =6) lleguen a la caja para pagar su pedido, X es una Variable que se
Distribuye Gamma con parámetros y . Recordemos que  = 1/3 por minuto,
entonces  = ((1/3)*60) = 20 por hora. Donde  =.
Entonces, X ~ Gamma (   20 ,   6 ).
La probabilidad requerida es P( X  3)  F (3 ; 6) . Para usar la Gamma incompleta

realizamos el cambio de variable: y  x  20 * 3  60 .
Ahora,
P( X  3)  F (3 ; 6)  F (60 ; 6)  1,000 (ver tabla 1)
La probabilidad que pase máximo tres horas hasta que seis clientes lleguen a la caja
para pagar su pedido es del 100%.


9 Modelos Continuos Exponencial y Gamma PYE

Cargado por

Información del documento

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

9 Modelos Continuos Exponencial y Gamma PYE

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTONOMA DE OCCIDENTE

FACULTAD DE CIENCIAS BASICAS

1. Modelo de Probabilidad Exponencial.

Muchas aplicaciones de la distribución exponencial son situaciones en donde se aplica el

modelos se encuentra en el parámetro del modelo Poisson (  ); donde la media del

modelo Poisson es igual a  , es decir,    .

Marco Antonio Triana 1

Si una variable aleatoria continua X se aproxima a una distribución exponencial, con

La probabilidad de que una variable aleatoria X tome valores en un subintervalo

Si una variable aleatoria continua X se aproxima a una distribución exponencial, con

Media de una distribución de probabilidad Exponencial

Donde el parámetro  representa el número promedio de eventos por unidad de tiempo.

Varianza de una distribución de probabilidad Exponencial

Marco Antonio Triana 2

 Definir la variable aleatoria X.

Actividad. Solución del problema 1.

 Definir la variable aleatoria X.

De acuerdo al experimento, la variable aleatoria X representa: “el tiempo (horas) que

 Plantee el modelo adecuado con sus respectivos parámetros.

(1 / 400)e  (1 / 400) x para x  0

 Defina la función de distribución.

La función de distribución es F ( x)  1  e (1/ 400) x si x  0

La probabilidad deseada queda de la siguiente forma: P( x  500)

También, podemos decir que P( x  500)  1  P( x  500)

Marco Antonio Triana 3

Ahora, P( x  500)  1  F (500)  1  (1  e (1 / 400)500 )  e (1 / 400)500  0,2865

La probabilidad deseada queda de la siguiente forma: P( x  300)

Entonces, expresando en términos de la función de distribución F (x) tenemos que:

Ahora, F (300)  1  e (1 / 400)300  1  e (1 / 400)300  0,527633

La probabilidad deseada queda de la siguiente forma: P(500  x  650)

Entonces, expresando en términos de la función de distribución F (x) tenemos que:

 Si una de estas bombillas eléctricas ha durado 500 horas, ¿Cuál es la

Aplicamos el concepto de probabilidad condicional, recuerde que:

Marco Antonio Triana 4

Entonces, expresando en términos de la función de distribución F (x) tenemos que:

F (560)  F (500)  (1  e (1 / 400)560 )  (1  e (1 / 400)500 )  0,7534  0,713495  0,0399

1  F (500)  1  (1  e (1 / 400)500 ) 1  0,713495  0,286505

 Si una de estas bombillas eléctricas ha durado 400 horas, ¿Cuál es la

Aplicamos el concepto de probabilidad condicional,

Entonces, expresando en términos de la función de distribución F (x) tenemos que:

Ahora, reemplazando tenemos:

1  F (500) 1 (1  e (1 / 400)500 ) 1  0,713495  0,286505

1  F (400)  1  (1  e (1 / 400) 400 ) 1  0,63212  0,36788

Marco Antonio Triana 5

 Determine la media de la variable aleatoria X. Interprete claramente.

Recordemos que   1 , ahora aplicando la formula (4) tenemos que:

 Determine la desviación estándar de la variable aleatoria X.

Problema 2. El tiempo de duración de televisores Sony BRAVIA modelo LCD se

 Definir la variable aleatoria X. Plantee el modelo adecuado con sus

Actividad. Solución del problema 2.

 Definir la variable aleatoria X. Plantee el modelo adecuado con sus

Marco Antonio Triana 6

(1 / 8)e  (1 / 8) x para x  0

 Defina la función de distribución.

La función de distribución es F ( x)  1  e (1/ 8) x si x  0

La probabilidad deseada queda de la siguiente forma: P( x  8) . También, podemos decir

Entonces, expresando en términos de la función de distribución F (x) tenemos que:

Ahora, 1  F (8)  1  (1  e (1 / 8)8 )  e (1 / 8)8  0,367879

La probabilidad de que pase más de 8 años hasta que un televisor de estas

 ¿Cuál es la probabilidad de que un televisor de estas características falle

La probabilidad deseada queda de la siguiente forma: P( x  10) . También, podemos

Entonces, expresando en términos de la función de distribución F (x) tenemos que:

Ahora, 1  F (10)  1  (1  e (1 / 8)10 )  e (1 / 8)10  0,286504

La probabilidad de que pase más de 10 años hasta que un televisor de estas