Distribuciones de Probabilidad Continua

Wilson Guzmán (U. de Cuenca)

January 23, 2023

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 1 / 46
 Distribuciones de Probabilidad Continua

Distribuciones de Probabilidad Continua

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 2 / 46
 Distribuciones de Probabilidad Continua

Distribuciones de Probabilidad Continua

Newbold Cap. 5

En la sección anterior, presentamos las variables aleatorias discretas y

sus distribuciones de probabilidad.
Aquı́ extendemos los conceptos de probabilidad a las variables
aleatorias continuas y a sus distribuciones de probabilidad.
Muchos indicadores económicos y empresariales como las ventas, la
inversión, el consumo, los costes y los ingresos se pueden representar
por medio de variables aleatorias continuas.
Además, las medidas del tiempo, la distancia, la temperatura y el
peso encajan en esta categorı́a. Las afirmaciones sobre la probabilidad
de variables aleatorias continuas se especifican en rangos. Un ejemplo
representativo es la probabilidad de que las ventas se encuentren entre
140 y 190 o sean superiores a 200.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 3 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

X es una variable aleatoria y x es un valor especı́fico de la variable
aleatoria.

El primer paso consiste en definir la función de distribución acumulada.

A continuación, definimos la función de densidad de probabilidad, que es

análoga a la función de distribución de probabilidad utilizada para las
variables aleatorias discretas.
Función de distribución acumulada
La función de distribución acumulada, F (x), de una variable aleatoria
continua X expresa la probabilidad de que X no tenga un valor superior a
x, como una función de x :

F (x) = P(X 6 x)

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 4 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

La función de distribución acumulada se puede ilustrar utilizando una

sencilla estructura de probabilidad.

Consideremos una estación de servicio que tiene un depósito de 1.000

litros que se llena todas las mañanas al comienzo de la jornada laboral.

El análisis de la historia pasada indica que no es posible predecir la

cantidad de gasolina que se venderá en un dı́a cualquiera, pero el lı́mite
inferior es 0 y el superior es, por supuesto, 1.000 litros, que es el tamaño
del depósito.

Además, la historia pasada indica que cualquier demanda comprendida en

el intervalo 1 a 1.000 litros es igual de probable. La variable aleatoria X
indica las ventas de gasolina de un dı́a especı́fico en litros.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 5 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

Nos interesa saber cuál es la probabilidad de algunos niveles de ventas

diarias de gasolina, donde la probabilidad de que se venda un número
especı́fico de litros es la misma en el rango de 0 a 1.000 litros.

Se dice que la distribución de X sigue una distribución de probabilidad

uniforme y la distribución acumulada es

0
 si x < 0
F (x) = 0, 001x si 0 6 x 6 1.000

1 si x > 1.000


Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 6 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

Esta función se representa por medio de una lı́nea recta entre 0 y 1.000,
como se muestra en la siguiente figura.
Permite ver que la probabilidad de que se venda entre 0 y 400 litros es

P(X 6 400) = F (400) = (0, 001)(400) = 0, 40

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 7 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

Para hallar la probabilidad de que una variable aleatoria continua X esté
comprendida en un intervalo especı́fico, calculamos la diferencia entre la
probabilidad acumulada en el extremo superior del intervalo y la
probabilidad acumulada en el extremo inferior del intervalo.
Probabilidad de un intervalo utilizando una función de distribución
acumulada
Sea X una variable aleatoria continua que tiene una función de
distribución acumulada F (x) y sean a y b dos valores posibles de X ,
siendo a < b. La probabilidad de que X se encuentre entre a y b es

P(a < X < b) = F (b) − F (a)

En el caso de las variables aleatorias continuas, da lo mismo que

escribamos “menor que” o “menor o igual que”, ya que la probabilidad
de que X sea exactamente igual a b es 0 .
Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 8 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

En el caso de la variable aleatoria que está distribuida uniformemente en

el intervalo de 0 a 1.000, la función de distribución acumulada en ese
intervalo es F (x) = 0, 001x.
Por tanto, si a y b son dos números comprendidos entre 0 y 1.000, siendo
a < b,
P(a < X < b) = F (b) − F (a) = 0, 001(b − a)
Por ejemplo, la probabilidad de que se venda entre 250 y 750 litros es

P(250 < X < 750) = (0, 001)(750) − (0, 001)(250) = 0, 75 − 0, 25 = 0, 50

como muestra la anterior figura.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 9 / 46
 Distribuciones de Probabilidad Continua

Variables aleatorias continuas

Hemos visto que la probabilidad de que una variable aleatoria continua se

encuentre entre dos valores cualesquiera se puede expresar por medio de
su función de distribución acumulada.
Esta función contiene, pues, toda la información sobre la estructura de
probabilidad de la variable aleatoria. Sin embargo, para muchos fines es
más útil una función diferente.
Como la probabilidad de que una variable continua tome un valor
especı́fico es 0, construimos una función relacionada con esta, llamada
función de densidad de probabilidad, para las variables aleatorias
continuas, que permite la interpretación gráfica de su estructura de
probabilidad.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 10 / 46
Función de densidad de probabilidad
Sea X una variable aleatoria continua y x cualquier número situado en el
rango de valores que puede tomar esta variable aleatoria. La función de
densidad de probabilidad, f (x), de la variable aleatoria es una función que
tiene las siguientes propiedades:
1. f (x) > 0 para todos los valores de x.
2. El área situada debajo de la función de densidad de probabilidad, f (x),
cuando se abarcan todos los valores de la variable aleatoria, X , dentro de
su rango, es igual a 1,0.
Función de densidad de probabilidad
Sea X una variable aleatoria continua y x cualquier número situado en el
rango de valores que puede tomar esta variable aleatoria. La función de
densidad de probabilidad, f (x), de la variable aleatoria es una función que
tiene las siguientes propiedades:
3. Supongamos que se representa gráficamente esta función de densidad.
Sean a y b dos valores posibles de la variable aleatoria X , siendo a < b.
En ese caso, la probabilidad de que X se encuentre entre a y b es el área
situada debajo de la función de densidad entre estos puntos.
Z b
P(a 6 X 6 b) = f (x)dx
a

4. La función de distribución acumulada, F (x0 ), es el área situada debajo

de la función de densidad de probabilidad, f (x), hasta x0 :
Z x0
F (x0 ) = f (x)dx
xm

donde xm es el valor mı́nimo de la variable aleatoria X .

Función de densidad de probabilidad
La siguiente figura muestra una función de densidad de probabilidad de
una variable aleatoria continua. El área sombreada situada debajo de la
curva entre estos puntos a y b es la probabilidad de que la variable
aleatoria se encuentre en el intervalo entre ellos.

Áreas situadas debajo de funciones de probabilidad continua

Sea X una variable aleatoria continua que tiene una función de densidad
de probabilidad f (x) y una función de distribución acumulada F (x).
Consideremos las siguientes propiedades
1. El área total situada debajo de la curva f (x) es 1 .
2. El área situada debajo de la curva f (x) a la izquierda de x0 es F (x0 ),
donde x0 es cualquier valor que pueda tomar la variable aleatoria.
 La distribución Uniforme

La distribución Uniforme

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 14 / 46
 La distribución Uniforme

La distribución Uniforme

A continuación, examinamos una función de densidad de probabilidad

que representa una distribución de probabilidad en el rango de 0 a 1.

La siguiente Figura 5.5 es una representación gráfica de la función de

densidad de probabilidad uniforme en el rango de 0 a 1.

La Figura 5.6 muestra la función de densidad de probabilidad del ejemplo

de las ventas de gasolina. Dado que la probabilidad es la misma en
cualquier intervalo del rango de ventas de 0 a 1.000.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 15 / 46
La distribución Uniforme
La función de densidad de probabilidad del ejemplo es la función de
densidad de probabilidad uniforme y puede expresarse de la forma
siguiente: (
0, 001 0 6 x 6 1.000
f (x) =
0 en caso contrario
Cualquier variable aleatoria uniforme definida en el rango entre a y b
tiene la siguiente función de densidad de probabilidad
(
1
a6x 6b
f (x) = b−a
0 en caso contrario
Esta función de densidad de probabilidad puede utilizarse para hallar la
probabilidad de que la variable aleatoria se encuentre dentro de un rango
especı́fico.
En el ejemplo la probabilidad de que se venda entre 250 litros y 750 es:
como la altura de la función de densidad es f (x) = 0, 001, el área situada
debajo de la curva entre 250 y 750 es igual a 0,50, que es la probabilidad
que buscamos.
 La distribución Uniforme

Ejemplo: La distribución Uniforme

Probabilidad de que haya grietas en un oleoducto (función de distribución

acumulada)

Un equipo de reparación es responsable de un tramo de un oleoducto de

dos kilómetros de largo. La distancia (en kilómetros) a la que surge
cualquier grieta puede representase por medio de una variable aleatoria
distribuida uniformemente, con una función de densidad de probabilidad

f (x) = 0, 5

Halle la función de distribución acumulada y la probabilidad de que surja

cualquier grieta dada entre 0,5 kilómetros y 1,5 en este tramo del
oleoducto.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 17 / 46
 La distribución Uniforme

Ejemplo: La distribución Uniforme

La figura representa la función de densidad de probabilidad; el área
sombreada representa F (x0 ), la función de distribución acumulada
evaluada en x0 . Vemos, pues, que
F (x0 ) = 0, 5x0 para 0 < x0 6 2

La probabilidad de que surja una grieta entre 0,5 kilómetros y 1,5 en el

oleoducto es
P(0, 5 < X < 1, 5) = F (1, 5) − F (0, 5) = (0, 5)(1, 5) − (0, 5)(0, 5) = 0, 5
Esta es el (U.
Wilson Guzmán área situada debajo
de Cuenca) de delaProbabilidad
Distribuciones funciónContinua
de densidad de probabilidad
January 23, 2023 18 / 46
 Distribución Normal

Distribución Normal

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 19 / 46
 Distribución Normal

Distribución Normal

En este sección, presentamos la distribución de probabilidad normal, que

es la distribución de probabilidad continua que se utiliza más a menudo
en economı́a y en las aplicaciones empresariales.

La siguiente figura muestra un ejemplo de la función de densidad de

probabilidad normal.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 20 / 46
Distribución Normal
Son muchas las razones por las que se utiliza frecuentemente.
La distribución normal es una aproximación muy buena de las
distribuciones de probabilidad de una amplia variedad de variables
aleatorias. Por ejemplo:
-Las ventas o la producción totales a menudo siguen una distribución
normal.
-Las pautas de los precios de las acciones y de los bonos a menudo se
analizan utilizando la distribución normal en grandes modelos
informáticos de contratación financiera.
-Los modelos económicos utilizan la distribución normal para algunas
medidas económicas.
Las distribuciones de las medias muestrales siguen una distribución
normal, si el tamaño de la muestra es “grande”.
El cálculo de probabilidades es directo y elegante.
La razón más importante es que la distribución de probabilidad
normal ha llevado a tomar buenas decisiones empresariales en algunas
aplicaciones.
 Distribución Normal

Distribución Normal

Función de densidad de probabilidad de la distribución normal

La función de densidad de probabilidad de una variable aleatoria X que
sigue una distribución normal X es
1 2 /2σ 2
f (x) = √ e −(x−µ) para − ∞ < x < ∞
2πσ 2

donde µ y σ 2 son números tales que −∞ < µ < ∞ y 0 < σ 2 < ∞ y

donde e y π son constantes fı́sicas, e = 2, 71828 . . . , yπ = 3, 14159 . . .

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 22 / 46
 Distribución Normal

Propiedades de la distribución normal

Supongamos que la variable aleatoria X sigue una distribución normal
cuyos parámetros son µ y σ 2 . En ese caso, se cumplen las siguientes
propiedades:
1. La media de la variable aleatoria es µ :

E [X ] = µ

2. La varianza de la variable aleatoria es σ 2 :

Var(X ) = E (X − µ)2 = σ 2
 

3. La forma de la función de densidad de probabilidad es una curva

simétrica en forma de campana centrada en la media, µ, como muestra la
anterior figura.
4. Si conocemos la media y la varianza, podemos definir la distribución
normal utilizando la siguiente notación:

X ∼ N µ, σ 2


Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 23 / 46
Distribución Normal
La distribución normal tiene algunas importantes caracterı́sticas para
nuestros análisis estadı́sticos aplicados. Es simétrica. µ indica las
tendencias centrales. En cambio, σ 2 indica la amplitud de la distribución.
Seleccionando distintos valores de µ y σ 2 , podemos definir una gran
familia de funciones de densidad normales.
Los parámetros µ y σ 2 producen diferentes efectos en la función de
densidad de una variable aleatoria normal.
 Distribución Normal

Distribución Normal Estándar

Podemos convertir cualquier distribución normal en una distribución

normal estándar de media 0 y varianza 1. Se han calculado tablas que
indican la probabilidad de diferentes intervalos en la distribución normal
estándar (ver tabla en el apéndice).
La distribución normal estándar
Sea Z una variable aleatoria normal de media 0 y varianza 1; es decir,

Z ∼ N(0, 1)

Decimos que Z sigue la distribución normal estándar. Si la función de

distribución acumulada es F (z) y a y b son dos valores posibles de Z tales
que a < b, entonces,

P(a < Z < b) = F (b) − F (a)

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 25 / 46
Distribución Normal Estándar

Podemos hallar las probabilidades de cualquier variable aleatoria

distribuida normalmente convirtiendo primero la variable aleatoria en la
variable aleatoria normal estándar, Z . Siempre existe una relación directa
entre cualquier variable aleatoria distribuida normalmente y Z . Esa
relación utiliza la transformación
X −µ
Z=
σ
donde X es una variable aleatoria distribuida normalmente:

X ∼ N µ, σ 2

Este importante resultado nos permite utilizar la tabla normal estándar

para calcular las probabilidades de cualquier variable aleatoria distribuida
normalmente. Veamos ahora cómo se puede calcular las probabilidades
de la variable aleatoria normal estándar Z .
La función de distribución acumulada de la distribución normal estándar
se encuentra en la Tabla 1 del apéndice. Esta tabla da los valores de
F (z) = P(Z 6 z)
correspondientes a los valores no negativos de z. Por ejemplo, en la
Tabla 1 del apéndice vemos que la probabilidad acumulada de un valor de
Z de 1,25 es
F (1, 25) = 0, 8944
Esta es el área, representada en la Figura 5.13, correspondiente a los
valores de Z inferiores a 1,25. Como consecuencia de la simetrı́a de la
distribución normal, la probabilidad de que Z > −1, 25 también es igual a
0,8944.
Ejemplo: Probabilidades Normales

Probabilidades del valor de una cartera de inversión (probabilidades

normales)
Un cliente tiene una cartera de inversión cuyo valor medio es de
100000USD y cuya desviación tı́pica es 3000USD. Le ha pedido que
calcule la probabilidad de que el valor de su cartera esté entre 97000 y
106000USD
Para resolverlo, primero tenemos que hallar los valores correspondientes
de Z de los lı́mites de la cartera. El valor de Z correspondiente a
970000$ es
97000 − 100000
z97000 = = −1, 0
3000
Y el valor de Z correspondiente al valor superior, 106000$, es
106000 − 100000
z106000 = = +2, 0
3000
P(−1 6 Z 6 +2) = 1 − 0, 1587 − 0, 0228 = 0, 8185
Ejemplo: Probabilidades Normales

Como muestra la Figura 5.17, la probabilidad de que el valor de la

cartera, X , esté entre 97000 y 106000USD es igual a la probabilidad de
que Z esté entre −1 y +2.
Para hallar la probabilidad, primero calculamos las probabilidades de la
cola inferior y de la cola superior y restamos estas probabilidades de 1.
En términos algebraicos, el resultado es

P(97000 6 X 6 106000) = P(−1 6 Z 6 +2)

= 1 − P(Z 6 −1) − P(Z > +2)
= 1 − 0, 1587 − 0, 0228 = 0, 8185

La probabilidad del rango indicado es, pues, 0,8185 .

Taller: Probabilidades Normales

Ventas de teléfonos móviles

Smart-Tech, S.A., tiene varias tiendas en grandes centros comerciales
metropolitanos. Su experiencia en el terreno de las ventas indica que las
ventas diarias de teléfonos móviles en sus tiendas siguen una distribución
normal que tiene una media de 60 y una desviación tı́pica de 15 . El
departamento de marketing realiza una serie de análisis rutinarios de los
datos de ventas para controlar la evolución de las ventas. ¿Qué
proporción de los dı́as de venta tendrán unas ventas de entre 85 y 95 ,
dado que estas están siguiendo la experiencia histórica?
Taller: Probabilidades Normales

Sea X las ventas diarias de teléfonos móviles. Entonces, la probabilidad

se puede calcular de la manera siguiente:
 
85 − 60 95 − 60
P(85 < X < 95) = P <Z <
15 15
= P(1, 67 < Z < 2, 33)
= F (2, 33) − F (1, 67)
= 0, 9901 − 0, 9525 = 0, 0376

Es decir, el 3,76% de las ventas diarias estará comprendido entre 85 y 95

basándose en las pautas históricas de venta.
Obsérvese que si las ventas efectivas declaradas en este rango en un
grupo de tiendas fueran superiores a un 10%, tendrı́amos una prueba de
que las ventas son superiores a las ventas históricas.
 Distribución Exponencial

Distribución Exponencial

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 33 / 46
 Distribución Exponencial

Distribución Exponencial

Se ha observado que la distribución exponencial es especialmente útil

para resolver problemas de listas de espera o filas.

En muchos problemas sobre el tiempo que se dedica a la realización de

un servicio, este puede representarse por medio de una distribución
exponencial.

Debemos señalar que la distribución exponencial se diferencia de la

normal en dos importantes aspectos: se limita a las variables aleatorias
que tienen valores positivos y su distribución no es simétrica.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 34 / 46
 Distribución Exponencial

Distribución Exponencial

La distribución exponencial
La variable aleatoria exponencial T (t > 0) tiene una función de densidad

f (t) = λe −λt para t > 0

donde λ es el número medio de llegadas independientes por unidad de

tiempo, t es el número de unidades de tiempo hasta la siguiente llegada y
e = 2, 71828.
Se dice que T sigue una distribución de probabilidad exponencial. Las
llegadas son independientes si una llegada no afecta a la probabilidad del
tiempo de espera, t, hasta la siguiente llegada.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 35 / 46
La distribución exponencial
Se puede demostrar que λ es el mismo parámetro utilizado para la
distribución de Poisson y que el tiempo medio entre las ocurrencias es 1/λ.
La función de distribución acumulada es

F (t) = 1 − e −λt para t > 0

La distribución tiene una media de 1/λ y una varianza de 1/λ2 .

La probabilidad de que el tiempo transcurrido entre las llegadas sea ta o
menos es la siguiente:
 
P (T 6 ta ) = 1 − e −λta

La probabilidad de que el tiempo transcurrido entre las llegadas esté entre

tb y ta es la siguiente:
   
P (tb 6 T 6 ta ) = 1 − e −λta − 1 − e −λtb
= e −λtb − e −λta
 Distribución Exponencial

Distribución Exponencial

La variable aleatoria T puede utilizarse para representar el tiempo que

transcurre hasta que se termina de realizar un servicio o hasta la siguiente
llegada a un proceso de cola, comenzando en un tiempo arbitrario 0.
Los supuestos del modelo son iguales que los de la distribución de
Poisson.
Obsérvese que la distribución de Poisson indica la probabilidad de que
haya X éxitos o llegadas durante una unidad de tiempo.
En cambio, la distribución exponencial indica la probabilidad de que haya
un éxito o una llegada durante un intervalo de tiempo t.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 37 / 46
 Distribución Exponencial

Distribución Exponencial
La siguiente figura muestra la función de densidad de una distribución
exponencial que tiene una λ = 0, 2.

El área situada a la izquierda de 10 indica la probabilidad de que una

tarea se realice antes del tiempo 10.
Esta área puede hallarse evaluando la función 1 − e −λt para el valor dado
de t = 10. La función puede calcularse por medio de una calculadora.
Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 38 / 46
 Distribución Exponencial

Distribución Exponencial

La probabilidad de que haya una legada entre el tiempo 10 y el tiempo 20

se puede calcular de la siguiente manera:

P (t10 6 T 6 t20 ) = 1 − e −0,2t20 − 1 − e −0,2t10

= e −0,2t10 − e −0,2t20
= 0, 1353 − 0, 0183
= 0, 1170

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 39 / 46
 Distribución Exponencial

Ejemplo 1: Probabilidades Exponenciales

Tiempo que se dedica a atender al público en el mostrador de

información de una biblioteca.
El tiempo que se dedica a atender al público en el mostrador de
información de una biblioteca puede representarse por medio de una
distribución exponencial que tiene un tiempo medio de atención de cinco
minutos. ¿Cuál es la probabilidad de que el tiempo de atención al público
sea de más de diez minutos?

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 40 / 46
 Distribución Exponencial

Ejemplo 1: Probabilidades Exponenciales

Sea t el tiempo de atención en minutos. La tasa de atención es

λ = 1/5 = 0, 2 por minuto y la función de densidad es

f (t) = λe −λt

que se muestra en la anterior figura.

La probabilidad que buscamos se puede calcular de la forma siguiente:

P(T > 10) = 1 − P(T < 10)

= 1 − F (10)
 
= 1 − 1 − e −(0,20)(10)
= e −2,0 = 0, 1353

Por tanto, la probabilidad de que el tiempo de atención sea de más de

diez minutos es 0,1353 .
Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 41 / 46
 Distribución Exponencial

Ejemplo 2: Probabilidades Exponenciales

Tiempo que transcurre entre los accidentes en las fábricas británicas

representativas.
En Gran Bretaña, una fábrica de 2.000 asalariados tiene un número
semanal medio de accidentes con baja igual a λ = 0, 4 y el número de
accidentes sigue una distribución de Poisson. ¿Cuál es la probabilidad de
que el tiempo que transcurre entre los accidentes sea de menos de dos
semanas?

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 42 / 46
 Distribución Exponencial

Ejemplo 2: Probabilidades Exponenciales

En este problema, señalamos que el intervalo de tiempo se mide en

semanas y nuestra tasa es λ = 0, 4 a la semana, lo que da un tiempo
medio entre accidentes de µ = 1/(0, 4) = 2, 5 semanas.
Entonces, la probabilidad de que el tiempo que transcurre entre
accidentes sea de menos de dos semanas es

P(T < 2) = F (2) = 1 − e −(0,4)(2)

= 1 − e −0,8
= 1 − 0, 4493
= 0, 5507

Por tanto, la probabilidad de que transcurran menos de dos semanas

entre los accidentes es de alrededor del 55%.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 43 / 46
 Distribución Exponencial

Taller: Probabilidades Exponenciales

En el Ejemplo 4.12, mostramos cómo se calcula la probabilidad del

número de barcos que llegan a un muelle de carga de cereales de
Churchill Manitoba utilizando la distribución de probabilidad de Poisson.
En este ejercicio, debemos calcular la probabilidad de un determinado
intervalo de tiempo entre las llegadas de barcos utilizando la distribución
de probabilidad exponencial.
En el problema anterior, observamos que el número medio de llegadas era
λ = 2, 5 en un periodo de seis horas. Ahora queremos calcular la
probabilidad de que llegue un barco en un margen de tres horas desde la
llegada del último barco y la probabilidad de que un barco llegue entre
dos y cuatro horas después de la llegada del último barco.

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 44 / 46
 Distribución Exponencial

Taller: Probabilidades Exponenciales

Para calcular ambas probabilidades, tenemos que utilizar la misma unidad

de tiempo que en el caso del ritmo de llegadas. El ritmo de llegadas es de
2,5 llegadas en un periodo de seis horas.
Por tanto, en unidades de tiempo de seis horas, tres horas son 3/6
unidades de tiempo, dos horas son 2/6 unidades de tiempo y cuatro
horas son 4/6 unidades de tiempo.
Por tanto, la probabilidad de que se produzca una llegada en un margen
de tres horas se calcula de la manera siguiente:
  
3 
P T 6 | λ = 2, 5 = 1 − e (−2,5)(0,5)
6
= 0, 7135

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 45 / 46
 Distribución Exponencial

Taller: Probabilidades Exponenciales

Y la probabilidad de que se produzca una llegada entre dos y cuatro

horas se calcula del modo siguiente:
  
2 4   
P 6T 6 = 1 − e (−2,5)(0,67) − 1 − e (−2,5)(0,33)
6 6
= e (−2,5)(0,33) − e (−2,5)(0,67)
= 0, 4382 − 0, 1873
= 0, 2509

Wilson Guzmán (U. de Cuenca) Distribuciones de Probabilidad Continua January 23, 2023 46 / 46