Modelos Probabilísticos

Importantes
Modelos Discretos
 Experimentos de Bernoulli

Un experimento aleatorio es llamado una prueba o ensayo de

Bernoulli si cumple las siguientes condiciones:
1. Para cada prueba o ensayo se define un espacio
muestral con solo dos resultados posibles: Exito (E) y
Fracaso (F), donde:
P[E]=p y P[F]= 1 - P[E]= 1 - p
2. La probabilidad de éxito (p) se mantiene constante de prueba
a prueba.

3. Las pruebas se consideran que son independientes.

 Distribuciones discretas
Distribución Bernoulli

Una variable aleatoria discreta X tiene una distribución Bernoulli o

binomial puntual si su función de probabilidad es dada por:

𝑃(𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 , si 𝑥 = 0,1

X ~ Ber (p)
=0 , de otro modo

Donde: p = Probabilidad de éxito

X = Número de éxitos en una prueba de Bernoulli
Además, la media y variancia de la variable aleatoria X son:
X = EX  = p
 X2 = Var X  = EX-X 2 = p(1 − p )
 Distribuciones discretas
Distribución Binomial

Una variable aleatoria discreta X tiene una distribución Binomial si su

función de probabilidad es dada por:
𝑛 𝑥
P(𝑥) = 𝑝 (1 − 𝑝)𝑛−𝑥 , 𝑠𝑖 𝑥 = 0,1, . . . , 𝑛
X ~ B (n, p) 𝑥
=0 , de otro modo

Donde:
p = Probabilidad de éxito
n = Número de pruebas de Bernoulli o
tamaño de una muestra con reemplazo
X = Número de éxitos en “n” pruebas de Bernoulli
Además, la media y variancia de la variable aleatoria X son:

X = EX  = n p  X2 = Var X  = EX −  X 2 = n p (1 − p )

 Distribuciones discretas
Distribución Binomial

p = 0 .5

𝑛 𝑥
P(𝑥) = 𝑝 (1 − 𝑝)𝑛−𝑥 , 𝑠𝑖 𝑥 = 0,1, . . . , 𝑛
𝑥
=0 , de otro modo
 Distribuciones discretas
Distribución Binomial

p  0 .5

𝑛 𝑥
P(𝑥) = 𝑝 (1 − 𝑝)𝑛−𝑥 , 𝑠𝑖 𝑥 = 0,1, . . . , 𝑛
𝑥
=0 , de otro modo
 Distribuciones discretas
Distribución Binomial

p  0 .5

𝑛 𝑥
p(𝑥) = 𝑝 (1 − 𝑝)𝑛−𝑥 , 𝑠𝑖 𝑥 = 0,1, . . . , 𝑛
𝑥
=0 , de otro modo
 EJERCICIO 1
La empresa constructora Alpha quiere comprar inmuebles en varios distritos
de Lima para construir edificios. Alpha sabe, por experiencias anteriores, que
solo el 5% de los inmuebles visitados cumplen con sus condiciones. Si la
semana siguiente tiene planeado visitar diez inmuebles en Lima.
a)¿Cuál es la probabilidad que solo uno de los inmuebles cumpla las
condiciones?
b)¿Cuál es la probabilidad que como máximo tres de los inmuebles cumplan
con las condiciones?
c)¿Cuál es la probabilidad que por lo menos dos de los inmuebles cumplan
con las condiciones?
d)Si se visitaron dos inmuebles y se observó que cumplían con las
condiciones ¿Cuál es la probabilidad de que menos de 5 de los inmuebles
cumplan con las condiciones?
e)¿Cuál es el número esperado de inmuebles que cumplirán con las
condiciones?
EJERCICIO 2
 Distribuciones discretas.
Distribución Geométrica

Una variable aleatoria discreta X tiene una distribución geométrica si su

función de probabilidad es dada por:

X ~ G(p) 𝑃(𝑥) = 𝑝(1 − 𝑝)𝑥−1 , 𝑠𝑖 𝑥 = 1,2, . . .

=0 , de otro modo
Donde:
X = Número de pruebas de Bernoulli hasta obtener el primer éxito
p = Probabilidad de éxito en una prueba Bernoulli
Además, la media y variancia de la variable aleatoria X son:
 X = E X  = 1 p

 X2 = Var X  = EX −  X 2 = (1 − p )
p2
 Distribuciones discretas.
Distribución Geométrica

La función de distribución acumulada es

F ( x ) = P( X  x ) = 1 − q x ; x = 1, 2, 3,...
• Se cumple que

P( X  x ) = q x ; x = 1, 2, 3,...
• Se cumple que P(X > k+s | X > k) = P(X > s) k, s  Z+
Esta propiedad indica que la distribución geométrica “no tiene memoria”,
es decir, si el éxito no se ha obtenido en las primeras k repeticiones,
entonces, la probabilidad de que no ocurra en las próximas s
repeticiones es la misma que la probabilidad de que el éxito no ocurra en
las primeras s repeticiones.
 EJERCICIO 3
La probabilidad de que cada llamada telefónica de un vendedor resulte
en una venta es 0,10.
a) Determine el modelo de probabilidad del número de llamadas
realizadas por el vendedor hasta que conseguir su primera venta.
b) ¿Cuántas llamadas espera hacer el vendedor hasta conseguir su
primera venta?
c) Si el vendedor ya realizó tres llamadas sin éxito, ¿cuál es la
probabilidad de que necesite hacer más de 12 llamadas para
conseguir su primera venta?
 Distribuciones discretas.
Distribución Binomial Negativa (Pascal)

Una variable aleatoria discreta X tiene una distribución binomial negativa

si su función de probabilidad es dada por:
𝑥−1 𝑟
P(𝑥) = 𝐶𝑟−1 𝑝 (1 − 𝑝)𝑥−𝑟 , 𝑠𝑖 𝑥 = 𝑟, 𝑟 + 1, 𝑟 + 2. . .
X ~ BinomialN(r, p) =0 , de otro modo

Donde:
X = Número de pruebas de Bernoulli hasta obtener r éxitos
p = Probabilidad de éxito en una prueba Bernoulli
Además, la media y variancia de la variable aleatoria X son:

( ) r r (1 − p )
=E X =
p
 = V (X ) =
2

p2
 EJERCICIO 4
En cierta línea de producción la probabilidad de producir un
artículo defectuoso es de 0,001
a) Describa el modelo de probabilidad del número de artículos
producidos hasta el quinto defectuoso.
b) Calcule la probabilidad de que el octavo artículo producido
sea el quinto defectuoso.
c) ¿Cuántos artículos se espera producir hasta el cuarto
defectuoso?
 Distribuciones discretas.
Distribución Hipergeométrica

El experimento hipergeométrico consiste en extraer al azar y sin

sustitución n elementos de un conjunto de N elementos, r de los cuales
son éxitos y N - r son fracasos.
𝐶𝑥𝑟 𝐶𝑛−𝑥
𝑁−𝑟
P(𝑥) =𝑃 𝑋=𝑥 = ; 𝑥 = max{ 0, 𝑛 − (𝑁 − 𝑟)}, . . . , min{ 𝑛, 𝑟}
𝐶𝑛𝑁

Donde:
X = Número de éxitos obtenidos en una muestra (sin reemplazo) de
tamaño n.
Se denota X ~ H (N, r, n) y se lee que la variable aleatoria X sigue una
distribución hipergeométrica con parámetros N, r y n.
r  r  N − n 
 = E(X ) = n  2 = V (X ) = n
r
1 −  
N N  N  N − 1 
 Distribuciones discretas
Distribución Hipergeométrica

r = N-r

𝐶𝑥𝑟 𝐶𝑛−𝑥
𝑁−𝑟
𝑃(𝑥) = 𝑃 𝑋 = 𝑥 = ; 𝑥 = max{ 0, 𝑛 − (𝑁 − 𝑟)}, . . . , min{ 𝑛, 𝑟}
𝐶𝑛𝑁
 Distribuciones discretas
Distribución Hipergeométrica

r < N-r

𝐶𝑥𝑟 𝐶𝑛−𝑥
𝑁−𝑟
P(𝑥) = 𝑃 𝑋 = 𝑥 = ; 𝑥 = max{ 0, 𝑛 − (𝑁 − 𝑟)}, . . . , min{ 𝑛, 𝑟}
𝐶𝑛𝑁
 Distribuciones discretas
Distribución Hipergeométrica

r > N-r

𝐶𝑥𝑟 𝐶𝑛−𝑥
𝑁−𝑟
P(𝑥) = 𝑃 𝑋 = 𝑥 = ; 𝑥 = max{ 0, 𝑛 − (𝑁 − 𝑟)}, . . . , min{ 𝑛, 𝑟}
𝐶𝑛𝑁
 EJERCICIO 5
En un equipo de fútbol hay 18 jugadores de los cuales cuatro
consumen sustancias prohibidas.

a) Calcule la probabilidad de detectar a por lo menos uno de los

jugadores que usan sustancias prohibidas, si la directiva del
club ha realizado una prueba antidoping a 2 jugadores.
b) Calcule la probabilidad de detectar a por lo menos uno de los
jugadores que usan sustancias prohibidas, si la directiva del
club ha realizado una prueba antidoping a 6 jugadores.
 Proceso de Poisson

Se trata de observar la ocurrencia de cierto evento de interés

E a lo largo de una región continua.
Ejemplos:
a) El paso de vehículos por cierta avenida a lo largo del tiempo. Esto es
importante en problemas de tránsito.
En este caso el evento de interés es el paso de un vehículo; mientras que la
región continua de observación es el tiempo.
b) La función principal de la atarjea de Lima es la de mantener el agua potable,
para esto, debe controlarse la cantidad de ciertas bacterias llamadas coliformes.
Un evento de interés en esta situación es detectar una bacteria coliforme. En
este caso el evento de interés se observa en una región continua que es la
atarjea (volumen de agua).
Proceso de Poisson: Supuestos
 Distribuciones discretas
Distribución de Poisson

Una variable aleatoria discreta X tiene una distribución de Poisson si su

función de probabilidad es dada por:
𝑒 −µ µ𝑥
X ~ P(µ) P(𝑥) = , 𝑠𝑖 𝑥 = 0,1,2, . . .
𝑥!
=0 , de otro modo
Donde:
X = Número de éxitos obtenidos en un intervalo de tamaño t
µ =t = Número esperado de éxitos por unidad de tiempo o región t
Además, la media y variancia de la variable aleatoria X son:

𝜇X = E 𝑋 = 𝜆t = µ
𝜎X2 = Var 𝑋 = E 𝑋 − 𝜇𝑋 2
=µ
 Distribuciones discretas
Distribución de Poisson

• Sea la variable discreta X definida como el número de veces que ocurre un

evento en un intervalo dado (área, volumen o cualquier medida continua). La
variable aleatoria X usualmente se modela con una distribución de Poisson de
parámetro λ (λ > 0), que representa el número medio de éxitos en el intervalo
dado.
Distribuciones discretas. Distribución de Poisson

𝑒 −𝜆 𝜆𝑥
p(𝑥) = , 𝑠𝑖 𝑥 = 0,1,2, . . .
𝑥!
=0 , de otro modo
 EJERCICIO 6
Se asume que la ocurrencia de terremotos siguen un proceso de
Poisson en el tiempo. Se asume que ocurre un terremoto cada 20
años.

a) Calcule el numero esperado de terremotos en un período de 100

años.
b) Calcule la probabilidad que ocurran mas de tres terremotos en un
periodo de 50 años.
c) Cuan largo debe ser un período de tiempo, de modo que la
probabilidad que no ocurran terremotos durante ese período de
tiempo sea mayor a 0.90.
 EJERCICIO 7
En promedio, en un día de 12 horas de atención, 96 camiones de
transporte de combustible llegan a una refinería para llenar su
cisterna.
a)Determine la probabilidad de que, en el periodo de 10 am y 12m
lleguen 3 camiones a la refinería; o que, en el periodo de la 4pm y
7pm lleguen 4 camiones a la refinería.
b)Si se seleccionan tres periodos de una hora: de 8 am a 9 am, de 11
am a 12m, y de 3pm a 4pm; ¿cuál es la probabilidad de que en dos
de los tres periodos, lleguen a la refinería más de 2 camiones
cisterna?
Modelos Continuos
 Distribuciones Continuas
Distribución Exponencial

La variable aleatoria X tiene una distribución exponencial con parámetro

β (β > 0) si su función de densidad de probabilidad es:

f ( x) =  e − x ; x  0
Se denota X ~ Exp(β) y se lee que la variable aleatoria X sigue una
distribución exponencial con parámetro β.

F ( x ) = P( X  x ) = 1 − e − x ; x  0

 = E(X ) = = V (X ) =
1 1
 2

 2
 Distribuciones Continuas
Distribución Exponencial

Se cumple que:

• P( X  x ) = e − x

• P( X  k + t / X  k ) = P( X  t )

Distribución exponencial y distribución de Poisson

Si el número de éxitos por unidad de tiempo tiene una distribución
de Poisson con parámetro λ, entonces el tiempo entre dos éxitos
consecutivos, medido en la misma unidad de tiempo, tiene una
distribución exponencial con parámetro β = λ.
 EJERCICIO 8
Una compañía de seguros vende un seguro vehicular que cubre por
las perdidas incurridas al tener un accidente, este seguro esta sujeto a
un deducible de 100 u.m. (esto es el cliente paga 100 u.m. sin
importar cual sea el valor de la perdida). Se conoce que las perdidas
al tener un accidente siguen una distribución exponencial con media
de 300 u.m.
a) Calcule la probabilidad de que la compañía de seguros tenga que
desembolsar dinero en un accidente.
b) Asuma que un cliente no hará uso del seguro si el valor de la
perdida es menor al deducible. Si la compañía vende el seguro a 150
u.m. calcula la ganancia esperada de la compañía de seguros.
 EJERCICIO 9
El tiempo de vida de un tipo de marcapasos puede modelarse por una
variable con distribución exponencial con media de 12 años.
a) Calcule la probabilidad de que un marcapasos de este tipo se
malogre antes de los 15 años de funcionamiento.
b) Si el marcapasos lleva funcionando correctamente cinco años en
un paciente, ¿cuál es la probabilidad de que se malogre antes de
15 años?
 EJERCICIO 10
Se asume que la ocurrencia de terremotos siguen un proceso de
Poisson en el tiempo. Se asume que ocurre un terremoto cada 20
años.
a) Calcule la probabilidad que pasen mas de 30 años antes de que
ocurra un terremoto.
b) Calcule el tiempo esperado entre la ocurrencia de dos terremotos.
c) Si ya han pasado 10 años sin que haya ocurrido un terremoto
calcule la probabilidad que pasen 20 años mas sin que ocurra un
terremoto.
 Distribuciones Continuas
Distribución Gamma

La variable aleatoria X tiene una distribución Gamma, si su función de

densidad de probabilidad está dada por:
Distribuciones Continuas
Distribución Gamma
 EJERCICIO 11
Suponga que el consumo mensual de electricidad en miles de
kilowatts/hora de cualquier fabrica ubicada en una zona industrial es
una variable aleatoria con distribución gamma de media 2 y varianza
2.
a) Si se selecciona al azar una fabrica y se conoce que ya ha
consumido hasta cierto da del mes 2000 kilowatts/hora. ¿Cual es la
probabilidad que consuma en el mes mas de 4000 kilowatts/hora?
b) Si se seleccionan al azar 5 fábricas. ¿Cual es la probabilidad de
que solamente una de las fabricas seleccionadas haya tenido un
consumo mayor 2 mil kilowatts/hora?
 EJERCICIO 12
Se asume que la ocurrencia de terremotos siguen un proceso de
Poisson en el tiempo. Se asume que ocurre un terremoto cada 20
años.
a) Calcule el tiempo esperado entre la ocurrencia del primer y cuarto
terremoto.
b) Calcule la probabilidad que pasen mas de 40 años antes que
ocurra el segundo terremoto.
 Distribuciones Continuas
Distribución Uniforme

La variable aleatoria X tiene una distribución uniforme en el intervalo [a,

b], si su función de densidad de probabilidad es:

f (x ) =
1
; a xb
b−a
• Se denota X ~ U (a, b) y se lee que la variable aleatoria X sigue una
distribución uniforme con parámetros a, b.

• La función de distribución acumulada es:

 0 xa a+b
;  = E(X ) =
x − a 2
F ( x) =  ; a xb
b − a  2
= V (X ) =
(b − a)
2

 1 ; xb 12
 EJERCICIO 13
El tiempo, en minutos, que demora un servicio de delivery en
entregar una pizza puede modelarse por una variable aleatoria
uniforme con parámetros 10 y 38. Si la pizza se tarda más de 30
minutos en ser entregada, el cliente no la pagará.
a) Si una familia pide una pizza, calcule la probabilidad de que le
salga gratis.
b) Si la familia pide una pizza diaria durante diez días seguidos,
calcule la probabilidad de que por lo menos una de ellas le salga
gratis.
c) Una familia pidió una pizza hace 25 minutos y aún no ha llegado,
¿cuál es la probabilidad de que le salga gratis?
 EJERCICIO 14
El tiempo de vida medio de una licuadora es de 14 meses con una
varianza de 12 meses2. La fábrica repone sin cargo alguno al cliente
todas las licuadoras que dejen de funcionar dentro del tiempo de
garantía. Si sólo se desea reponer el 5% de las licuadoras que
funcionen mal, ¿qué tiempo de garantía se debe ofrecer? Suponga
que el tiempo de vida de una licuadora es una variable uniforme
 Distribuciones Continuas
Distribución Normal

La variable aleatoria X tiene una distribución normal con parámetros μ y

σ2 (σ2 > 0) si su función de densidad de probabilidad es
2
1  x − 
1 −  
f ( x) = e 2  
; x  IR
 2

• Se denota X ~ N (, 2) y se lee que la variable aleatoria X sigue una

distribución normal con parámetros µ y σ2.

 = E(X ) =   2 = V (X ) =  2

• La función de densidad de una variable normal tiene forma de

campana y es simétrica, por lo que las medidas de tendencia central
coinciden.
Distribuciones Continuas
Áreas bajo la curva Normal
 Distribuciones Continuas
Propiedad de la distribución Normal

Sea X ~ N(μ, σ2), si Y = mX + b, entonces, Y ~ N(μY, σY2)

μY = m μ + b
σY2 = m2 σ2
σY = |m| σ
 Distribuciones Continuas
Estandarización de una variable Normal

X −
Sea X ~ N(μ,σ2), si Z = entonces la variable aleatoria Z tiene distribución normal y se cumple

μZ = 0 y σZ2 = 1. Se dice que la variable Z ~ N(0,1) tiene distribución normal estándar.

La función de densidad de Z es 1
1 − 2 z2
 ( z) = e
2
La función de distribución acumulada de Z es

1
z 1 − 2 z2
( z ) = 
− 2
e dz
 Distribuciones Continuas
Cálculo de probabilidades para una variable Normal

Sea X ~ N(μ, σ2), entonces:

a− X − b− a− b−
P(a  X  b ) = P    = P Z  
        
b−   a−
=   −  
     
 EJERCICIO 15
Si los puntajes de los postulantes en un examen de ingreso se
distribuyen como una variable aleatoria normal con una media de 1
200 y una desviación estándar de 300 puntos.
a) Encontrar la probabilidad de que el puntaje de un postulante sea
de por lo menos 1 300.
b) Si ingresa el 12,3 % de los postulantes con puntajes más altos,
hallar el puntaje mínimo para ingresar.
 EJERCICIO 16
En una ciudad se estima que la temperatura máxima en un día del
mes de enero puede modelarse con una variable normal con media
30°C y desviación estándar 2°C.
a) Si se escoge al azar un día del mes de enero, calcule la
probabilidad de que la temperatura máxima sea menor a 31°C.
b) Si se escoge al azar un día del mes de enero, calcule la
probabilidad de que la temperatura máxima esté entre 28,5 y
32°C.
c) Calcule el número esperado de días en el mes de enero en que la
temperatura máxima es mayor a 33°C. Asuma independencia
entre las temperaturas de un día y otro.
Propiedad reproductiva de la Normal
 EJERCICIO 17
El peso de un adulto peruano puede modelarse con una variable
aleatoria normal. El peso medio para los varones es de 72 kilos y de 64
kilos para las mujeres, mientras que sus desviaciones estándar fueron
de 8 kilos y 4 kilos respectivamente.
a) Si se elige, al azar, a un hombre y una mujer, calcular la
probabilidad de que la mujer pese más que el hombre.
b) Si se elige a dos hombres y a dos mujeres, calcular la probabilidad
de que la suma total de pesos supere los 260 kilos.
c) Si en un grupo de peruanos, el 60% de las personas son varones y
se elige a una persona al azar, calcule la probabilidad de que dicha
persona pese entre 65 y 72 kilos.
 Propiedad reproductividad de la normal

Si X 1 , X 2 ,..., X n son v.a independientes donde

cada X i ~ N ( ,  2 ) y sean c1 , c2 ,..., cn constantes,
entonces n n n
S =  ci X i ~ N (   ci ,  2  ci2 )
i =1 i =1 i =1
1
En particular tomado ci = se cumple que:
n
n

X i
 2
X= i =1
~ N ( , )
n n
 EJERCICIO 18
La duración de las llamadas telefónicas de larga distancia realizadas
desde una central telefónica tiene distribución aproximadamente
normal con media y desviación estándar iguales a 130 segundos y 30
segundos respectivamente.
a) ¿Cuál es la probabilidad que una llamada realizada desde la central
telefónica haya durado entre 90 y 170 segundos?
b) Si en un día cualquiera se realizan 500 llamadas telefónicas desde
esta central. ¿Cuál es la probabilidad que la duración total de estas
llamadas supere las 18 horas?
 EJERCICIO 19
El consumo de los clientes de cierto restaurante es una variable
aleatoria con distribución normal con una media de 25 nuevos soles y
una desviación estándar de 5 nuevos soles. Se acerca fin de mes y el
administrador del restaurante debe pagar una factura atrasada de 5000
nuevos soles. Suponiendo que los consumos de los clientes del
restaurante son independientes. ¿Cuál es la probabilidad que el
consumo de los próximos 195 clientes no sea suficiente para superar el
monto de la factura atrasada?
 Teorema Central del Límite (TCL)

Si X 1 , X 2 ,..., X n son v.a independientes donde cada

X i ~ F (  ,  2 ) siendo F una distribución cualquiera no

necesariamente normal. Entonces para n suficientemente

n aprox
grande (n ≥ 30): S =  X i ~ N (n , n ) 2

i =1
n

Así también X i aprox

2
X= i =1
~ N ( , )
n n
 EJERCICIO 20
Una empresa tiene un sistema de cómputo que tiene 30 componentes
de seguridad en línea y cada componente se activa inmediatamente
después de que el anterior falle, permitiendo que el sistema funcione
de forma continua. El tiempo de funcionamiento de cada componente
puede considerarse una variable exponencial con una media de 40
horas. ¿Cuál es la probabilidad de que el sistema de cómputo funcione
más de 1400 horas?
Distribuciones Continuas
Distribución Lognormal
Distribuciones Continuas
Distribución Lognormal
 EJERCICIO 21
Los granos que componen metales policristalinos tienden a
tener pesos que siguen una distribución log-normal. Para un
tipo de aluminio, los pesos en centigramos tienen una
distribución log-normal con µ=3 y σ=4.

a) Encuentre la media y la varianza de los pesos en los

granos.
b) Encuentre la probabilidad de que un grano seleccionado
al azar pese menos que el peso medio del grano
Distribuciones Continuas
Distribución Beta
Distribuciones Continuas
Distribución Beta
Distribuciones Continuas
Distribución Beta
 EJERCICIO 22
Una distribuidora mayorista de gasolina tiene tanques de
almacenamiento a granel que contienen suministros fi os y se llenan
cada lunes. De interés para la mayorista es la proporción de este
suministro que se vende durante la semana. Durante varias semanas de
observación, la distribuidora encontró que esta proporción podría ser
modelada por una distribución beta con a = 4 y b = 2. Encuentre la
probabilidad de que la mayorista venda al menos 90% de su existencia
en una semana determinada.
Distribuciones de Valor Extremo
Distribuciones de Valor Extremo
 EJERCICIO 23
En una central telefónica atienden 15 operadores. Ellos trabajan 8 horas
por día y solo pueden interactuar con los clientes brindando información
acerca del servicio que ofrece la empresa, pero no atendiendo quejas. En
caso un operador reciba una queja este lo redirigirá automáticamente a su
supervisor. Suponga que las llamadas para cada uno de los operadores se
presentan independientemente a través de un proceso de Poisson a una
tasa de 5 llamadas por hora y que se tiene una probabilidad 0.3 de que
cualquiera de estas llamadas sea una queja.
a) ¿Con qué probabilidad el primer operador en recibir una queja en la
central lo recibirá en su segunda llamada del día?
b) Si Xi denota al número de llamadas que el operador i recibe en un día
hasta que le llegue una primera queja, halle e interprete el valor
esperado de la v.a. Y = min(X1, X2,…, X15).
Distribución del Valor Extremo
Tipo I (Distribución Gumbel)
Distribución del Valor Extremo
Tipo II (Distribución Fréchet)
EJERCICIO 24