MATERIA:

Probabilidad y Estadística

Unidad: 4-2022
UNIVERSIDAD DE EL SALVADOR
Contenidista: Ing. Virginia de Melara Facultad Multidisciplinaria de Occidente
Departamento de Ingeniería y Arquitectura
UNIDAD 4: DISTRIBUCIONES DE
PROBABILIDAD CONTINUA
• Objetivos de la unidad:
• Conocer las características básicas de las distribuciones de probabilidad continua.
• Interpretar el valor esperado y la varianza de una variable aleatoria para distribuciones de
probabilidad continua.
• Trabajar con variables aleatorias continuas.
• Conocer y ser capaz de trabajar con las distribuciones Uniforme, Normal, Normal Estándar,
Exponencial y Gamma.
 Distribución Exponencial
La variable aleatoria X que es igual a la distancia entre conteos sucesivos de un
proceso de Poisson con me con valor esperado λ > 0 tiene una distribución
exponencial con parámetro λ. La función de densidad de probabilidad de X es
𝑓 𝑥 = λ𝑒 −λx , 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ ∞
La función de distribución acumulada de X es

𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 1 − 𝑒 −λx , 𝑝𝑎𝑟𝑎 𝑥 ≥ 0

Si la variable aleatoria X tiene una distribución exponencial con parámetro λ,

entonces
E(X) = 1/λ V(X) = 1/λ2
 Distribución Exponencial
Ejemplo: en una red de computadoras de una gran corporación, el acceso de
usuarios al sistema puede modelarse como un proceso de Poisson con λ = 25
accesos por hora. ¿Cuál es la probabilidad de que no haya accesos en un
intervalo de 6 minutos?

Sea que X denote el tiempo desde el principio del intervalo hasta el primer
acceso. Entonces, X tiene una distribución exponencial con λ = 25 accesos por
hora. Se esta interesado en la probabilidad de que X exceda 6 minutos. Como λ
esta dada por accesos por hora, todas las unidades de tiempo se expresa en
horas. Es decir 6 minutos = 0.1 horas.
 Distribución Exponencial
Por tanto:
∞
∞
𝑃 𝑋 > 0.1 = න 25𝑒 −25𝑥 𝑑𝑥 = −𝑒 −25𝑥 ቚ = 0 − −𝑒 −25 0.01 = 0.082
0.1 0.1

¿Cuál es la probabilidad de que le tiempo hasta el siguiente acceso esté entre

2 y 3 minutos?

0.05
0.05
𝑃 0.033 < 𝑋 < 0.05 = න 25𝑒 −25𝑥 𝑑𝑥 = −𝑒 −25𝑥 ቤ = −0.287 − (−0.438) = 0.151
0.033 0.033
 Distribución Exponencial
Propiedad de falta de memoria

Para una variable aleatoria exponencial X,

P(X < t1 + t2 | X > t1) = P(X < t2)

Ejemplo: Sea que X denote el tiempo entre la detección de una partícula rara
en un contador Geiger y se supone que X tiene una distribución exponencial
con λ = 1.4 minutos. La probabilidad de que se detecte una partícula en un lapso
de 30 segundos después de activar el contador es
P(X < 0.5 minutos) = 1 – e-05/1.4 = 0.30
Distribución Exponencial
Se debe suponer que se enciende el contador Geiger y que pasan 3 minutos
sin que se detecte ninguna partícula. ¿Cuál es la probabilidad de detectar una
partícula en los siguientes 30 segundos?

Se puede pensar que al haber transcurrido 3 minutos en los próximos 30

segundos la probabilidad de que se detecte una partícula rara es mayor a 0.3.
Sin embargo, para una distribución exponencial este no es el caso. La
probabilidad pedida puede expresarse como la probabilidad condicional P(X <
3.5 | X > 3). Por la definición de probabilidad condicional,

P(X < 3.5 | X > 3 ) = P(3 < X < 3.5) / P(X > 3)
Distribución Exponencial
Donde
P(3 < X < 3.5) = F(3.5) – F(3) = [1- e-3.5/1.4] – [1- e-3/1.4] = 0.0035
Y
P(X > 3) = e-3/1.4 = 0.117
Por lo tanto,
P(X < 3.5 | X > 3 ) = 0.035 / 0.117 = 0.30
Relación entre la Distribución
Exponencial y Proceso de Poisson
La conexión entre la distribución exponencial y el proceso de Poisson es la
siguiente:
Si los eventos siguen un proceso de Poisson con un parámetro de razón λ,
y si T representa el tiempo de espera desde cualquier punto inicial hasta el
próximo evento, entonces T ~ Exp(λ).

Ejemplo: Una masa radiactiva emite partículas de acuerdo con un proceso de

Poisson a una media de razón de 15 partículas por minuto. En algún punto inicia
un reloj. ¿Cuál es la probabilidad de que transcurran cinco segundos antes de
la siguiente emisión? ¿Cuál es la media del tiempo de espera hasta que se
emite la siguiente partícula?
Relación entre la Distribución
Exponencial y Proceso de Poisson
El tiempo se medirá en segundos. T denota el tiempo en segundos que
transcurre antes de que se emita la siguiente partícula. La media de la razón de
las emisiones es de 0.25 por segundo, por lo que el parámetro de razón es λ =
0.25 y T ~ Exp(0.25). La probabilidad de que transcurran más de cinco
segundos antes de la siguiente emisión es igual a

P (T > 5) = 1 − P (T ≤ 5) = 1 − (1 − e-0.25(5)) = e-1.25 = 0.2865

La media del tiempo de espera es µT = 1/0.25 = 4.

Distribución Gamma
La variable aleatoria X con función de densidad de probabilidad

λ𝑟 𝑥 𝑟−1 𝑒 −λx
𝑓 𝑥 = , 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
Γ(𝑟)

Tiene una distribución gamma con parámetros λ > 0 y r >0.

Si la variable aleatoria X tiene una distribución gamma con parámetro λ y r,

entonces
E(X) = r/λ V(X) = r/λ2
Distribución Gamma
Ejemplo: En una ciudad existe una empresa que mide el consumo de energía
diario en millones de Kw/Hora y se encontró que esta seguía una distribución
gamma con parámetros λ = 1/8 y r = 5. Si la energía mínima para abastecer la
ciudad es de 1865 Kw/hora ¿Calcular el valor esperado y la desviación
estándar?
E(X) = r/λ = 5/0.125 = 40
Calcular la Varianza para luego encontrar la Desviación Estándar
V(X) = r/λ2 = 5/(0.125) 2 = 320
σ = √(V(X)) = √320 = 17.89
Bibliografía
- Milton J.S & Arnold J.C. (2004) Probabilidad y Estadística (4ª. Ed.) México:
McGraw – Hill.
- Walpole, R.E. (2007) Probabilidad y Estadística (8ª. Ed.) México: Pearson
Ed.
- Montgomery D.C. & Runger G.C. (2008) Probabilidad y Estadística
Aplicada a la Ingeniería (2ª. Ed.) México: Limusa Wiley.