25

CAPITULO 3: PROCESOS ESTOCASTICOS

P  X  2 
P  X  2 X  1 
  1  P  X  0 
 

 6 
 
2  0.8  0.2
2 62

 
P  X  2 X  1 
   6 
1    0.8 0  0.2 6 0
 0 

Calculando obtenemos

P  X  2 X  1  0.01536
 

7. Distribuciones de probabilidad continua

Distribución uniforme

Se dice que una variable aleatoria continua X tiene distribución uniforme con
parámetros  y  donde  ,    ,    si su función de densidad de
probabilidad está dada por


 1

 ; x 
f x      


 0 ; otro caso



La gráfica de la función de densidad de probabilidad se muestra en la siguiente figura .

Figura 3.2 Representación gráfica distribución uniforme

Fuente: Elaboración propia

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

26
CAPITULO3: PROCESOS ESTOCASTICOS

La función de distribución acumulada de la variable aleatoria uniformemente

distribuida X está dada por

 0 ; x 

x  
F x   P  X  x    f t dt  
x
; x 
    
 1 ; x 


La representación gráfica de la función de distribución acumulada de la distribución

uniforme se muestra en la siguiente figura.

Figura 3.3 Representación gráfica función de distribución acumulada, distribución uniforme

Fuente: Elaboración propia

34. Para la distribución uniforme


 1

 ; x 
f x      


 0 ; otro caso



a) Verificar que es una función de densidad de probabilidad

b) Hallar 

c) Hallar  2

Solución:

a) Por definición de función de densidad de probabilidad debe cumplirse

 27
CAPITULO 3: PROCESOS ESTOCASTICOS

i) f x   0 , se observa de la relación matemática que cumple esta propiedad

f x dx  1

ii)  

Calculando el valor

1
f x dx 
 

     
dx

Integrando

1
f x dx 




x
  

1
f x dx     


  

f x dx  1


 

Por lo tanto

f x  es función de densidad de probabilidad

b) Por definición de esperanza matematica

 1
  E  X    
x
 
dx

Integrando y evaluando

1   2   2 

1 x2
  E X     
  2 
    2 

Simplificando obtenemos


  E X  
2

c) Para la varianza, primero calculamos la auto correlación

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

28
CAPITULO3: PROCESOS ESTOCASTICOS

 1
E X 2    x2 dx
    

Integrando y evaluando

1   3   3 

1 x3
E X 2     
   3 
    3 

Simplificando obtenemos

 2      2
E X 2  
  3

Por propiedad de varianza

 2  E X 2   E  X  
2

   

 2       2     
2


  E  X 2   E X  
2
2
   
  3  2 

Simplificando obtenemos

   
2

2 
12

35. Si se sabe que X tiene una distribución uniforme entre   x   y es una

función par, con varianza unitaria obtener los valores de  y  .

Solución:

De acuerdo a la distribución uniforme


 1

 ; x 
f x      


 0 ; otro caso



Si la función es par, es simétrica respecto de las ordenadas, por lo tanto se cumple la

primera relación de acuerdo a la siguiente grafica
 29
CAPITULO 3: PROCESOS ESTOCASTICOS

Figura 3.4 Representación gráfica distribución uniforme, problema 35

Fuente: Elaboración propia

Es decir

  

De acuerdo a la varianza

   
2

2 
12

Como esta es unitaria obtenemos la relación

   
2

1
12

   
2
 12

De donde

   2 3

Obtenemos el sistema

    2 3


  


Resolviendo

  3 y   3

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

30
CAPITULO3: PROCESOS ESTOCASTICOS

36. Xavier y Yuri acuerdan encontrarse en un café entre las 7 p.m. y 8 p.m.
Cada uno espera al otro no más de 10 minutos. Halle la probabilidad que se
encuentren si

a) Xavier llega a las 7:30 p.m.

b) Cuando cualquiera de ellos llega en cualquier momento, al azar.

Solución:

Al dividir la hora de 7 a 8 p.m. en 60 minutos y considerar que cualquiera de ellos

llega en un momento entre 0 y 60, definimos las variables aleatorias

X : momento que llega Xavier entre  0; 60 

 

Y : momento que llega Yuri entre  0; 60 

 

Luego X e Y son variables aleatorias continuas con distribución uniforme entre 0

y 60 y sus funciones de densidad serán

 1
 ; 0  x  60
f x    60
 0 ; otro caso


 1
 ; 0  y  60
f y    60
 0 ; otro caso


a) Como Xavier llega a las 7:30 p.m. entonces para que se encuentran, Yuri debe
llegar entre las 7:20 p.m. y las 7:40 p.m., esto es entre el momento 20 y 40, por lo
tanto la probabilidad pedida es:

1
f y dy 
40 40
P 20  Y  40    20  20 60
dy

Integrando y simplificando
 31
CAPITULO 3: PROCESOS ESTOCASTICOS

1
P 20  Y  40  
3

b) Las variables aleatorias X e Y son independientes, por lo tanto la función de

densidad de probabilidad conjunta es

 1
 ; 0  x  60, 0  y  60
f x , y    60 2

 0 ; otro caso

La región posible de llegada es el cuadrado de vértices 0, 0 ; 60, 0  ; 0, 60  y 60, 60 

y la región favorable para el encuentro será para la espera de no más de 10 minutos
será x  10  y  x  10 , por lo tanto la región favorable se muestra en la siguiente
figura.

Figura 3.5 Representación gráfica, problema 36

Fuente: Elaboración propia

Si 0  x  10 , entonces 0  y  x  10

Si 10  x  50 , entonces x  10  y  x  10

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

32
CAPITULO3: PROCESOS ESTOCASTICOS

Si 50  x  60 , entonces x  10  y  60

Calculando la probabilidad

10 x 10 1 50 x 10 1 60 60 1
p  
0 0 60 2
dydx   
10 x 10 602
dydx    50 x 10 60 2
dydx

Integrando

1 10 50 60

  
x 10 x 10 60
p y dx  y dx  y dx
3600 0 0 10 x 10 50 x 10

1
 x  10 dx    70  x dx
10 50 60
p 20dx 
3600 0 10 50

10 60
1  x 2   x2 
  10x   70x  
50
p  20 x
3600  2  0
10  2 
50

1
p
3600
150  800  150 
Finalmente obtenemos

11
p 
36

Distribución exponencial

Se dice que una variable aleatoria continua X tiene distribución exponencial con
parámetro   0 si su función de densidad de probabilidad está dada por

e x ; x 0
f x   
 0 ; x 0


A pesar de la sencillez analítica de sus funciones de definición, la distribución

exponencial tiene una gran utilidad práctica ya que podemos considerarla como un
modelo adecuado para la distribución de probabilidad del tiempo de espera entre dos
hechos que sigan un proceso de Poisson y en la distribución del tiempo que transcurre
 33
CAPITULO 3: PROCESOS ESTOCASTICOS

hasta que se produce un fallo, si se cumple la condición que la probabilidad de

producirse un fallo en un instante no depende del tiempo transcurrido.

La gráfica de la función de densidad de probabilidad se muestra en la siguiente figura .

Figura 3.6 Representación gráfica distribución exponencial

Fuente: Elaboración propia

El modelo exponencial tiene muchas aplicaciones en el campo de la estadística

especialmente en las áreas de la teoría de confiabilidad y tiempo de espera o en
problemas de teoría de colas.

La función de distribución acumulada de la variable aleatoria con distribución

exponencial está dada por

1  e x ; x 0
F x   f t dt  
x x

  e dt 
t

  0 ; x 0


La representación gráfica se muestra en la siguiente figura.

Figura 3.6 Representación gráfica función de distribución acumulada, distribución exponencial

Fuente: Elaboración propia

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

34
CAPITULO3: PROCESOS ESTOCASTICOS

37. Para la distribución exponencial

e x ; x 0
f x   
 0 ; x 0


a) Verificar que es una función de densidad de probabilidad

b) Hallar 

c) Hallar  2

Solución:

a) Por definición de función de densidad de probabilidad debe cumplirse

i) f x   0 , se observa de la relación matemática que cumple esta propiedad

f x dx  1

ii)  

Calculando el valor

f x dx 
 

   0
e  x dx

Integrando

e x
 f x dx   


f x dx  e  x
 0

  
 e  0  e 

f x dx  1


 

Por lo tanto

f x  es función de densidad de probabilidad

b) Por definición de esperanza matemática

 35
CAPITULO 3: PROCESOS ESTOCASTICOS


  E X    0
x e x dx

Integrando
t
 x  x 1 
  E X    lim  e  2 e x 
t     
 0

Evaluando

 t t 1 1
  E  X    lim  e  2 e t  2 
t      


Tomando el límite

 1
  E  X     0  0  2 
  


Simplificando obtenemos

1
  E X  


c) Para la varianza, primero calculamos la autocorrelación


E X 2    x 2e x dx
  0

Integrando

t
 x 2  x 2x   x 2 
E  X    lim 
2
e  2e  3 e x 
  t    
 0

Evaluando

 t 2 t 2t 2 2 
E X 2    lim  e  2 e t  3 e t  3 
  t      


Tomando el límite

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

36
CAPITULO3: PROCESOS ESTOCASTICOS

 2 
E  X 2     0  0  0  3 
    


Simplificando obtenemos

2
E X 2   2
  

Por propiedad de varianza


 2  E X 2   E  X  
2

   

1
2


  E  X   E X   2
 2   
2
2 2
     

Simplificando obtenemos

1
2 
2

38. El tiempo de vida (en horas) de un transistor es una variable aleatoria con
función de densidad

 1  1 x
 e 500 ; x 0
f x    500

 0 ; x 0

a) Hallar la probabilidad que su tiempo de vida sea mayor que 1000 horas

b) Hallar la probabilidad que su tiempo de vida sea mayor que su media

Solución:

a) Por definición
1
 1  500
P  X  1000   1000 500
x
e dx
 

Integrando
 37
CAPITULO 3: PROCESOS ESTOCASTICOS

t
1
 x
1 e 500
P  X  1000   lim
500 t  1

500 1000

Evaluando

  1 1000 
P  X  1000   lim e 500  e t 
 
t

Tomando el límite

P  X  1000   e  2
 

Finalmente obtenemos

P X  1000   0.1353

b) Por definición de media de la función exponencial

1 1
  E  X     500
 1
500

La probabilidad pedida será

1
 1  500
P  X  500   500 500
x
e dx
 

Integrando

t
1
 x
1 e 500
P  X  200   lim
500 t   1

500 500

Evaluando

  1 500 
P  X  500   lim e 500  e t 
  t  
 

Tomando el límite

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

38
CAPITULO3: PROCESOS ESTOCASTICOS

P  X  500   e  1
 

Finalmente obtenemos

P X  500   0.3679
 

39. Si se realiza una secuencia de consultas a una base de datos. El tiempo de

respuesta del sistema T en segundos es una variable aleatoria con distribución
exponencial y media 8 segundos. Tan pronto como el sistema responde a una
consulta, se realiza la siguiente consulta. Suponiendo que la primera consulta se
efectúa en t  0 .

a) ¿Cual es la probabilidad de que la consulta dure al menos 4 segundos?

b) Si un usuario de la base de datos a esperado 5 segundos por respuesta, ¿Cuál

es la probabilidad de que espere al menos 8 segundos más?

Solución:

Por definición la media de la distribución exponencial es

1
  E X  


Por dato del problema

1
  E X    8


Por lo tanto

1

8

Entonces la distribución exponencial será

 1  1 t
 e 8 ; t0
f t    8

 0 ; t0
 39
CAPITULO 3: PROCESOS ESTOCASTICOS

a) La probabilidad de que una consulta dure al menos 4 segundos es

P T  4   1  P T  4 
   

Calculando con la función de distribución exponencial

4 1  18 t
P T  4   1 
   0 8
e dt

Integrando obtenemos

P T  4   0.6065

b) La probabilidad de espera adicional de 8 segundos después de esperar 5 será

P T  5  8 T  5   P T  13 T  5 
   

P T  13 
P T  13 T  5   
  P T  5 

Calculando con la función de distribución exponencial

1
 1  8t
 e dt
P T  13 T  5   8
13
  
1
1  8t
 5 8
e dt

Integrando


1   13 
lim e 8  e t 
 t
e 8
t  
 
P T  13 T  5   13

    5 
lim e 8  e t 
1
 t
e 8
t   

5

Evaluando los límites

13

e 8
P T  13 T  5    e 1
  
5
e 8

Finalmente obtenemos

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

40
CAPITULO3: PROCESOS ESTOCASTICOS

P T  13 T  5   0.3679
 