Estadística Descriptiva 2023 02 186

Distribuciones de probabilidad especiales de variable aleatoria continua

(Uniforme, exponencial y normal)

Distribución uniforme
Función de densidad

{
1
a≤x ≤b
f ( x )= b−a
0 en otro caso

Se dice que X tiene una distribución uniforme y se denota:

X U (a , b)
Media
( a+ b )
μ=
2
Varianza
( b−a )2
2
σ =
12
La función de distribución acumulada F ( x )de una variable uniforme es:

{
0 x<a
x−a
F ( x )= a ≤ x ≤b
b−a
1 x >b
Conclusión:
P(X≤ a)=F(a )
P(X≥ b)=1- F(b )
P(a ≤ X≤ b)= F(b ) - F(a )

Ejemplo adicional:
Si el tiempo de atención en minutos en una caja es una variable aleatoria que sigue una distribución
uniforme con parámetros 2 y 6.

X U (a=2 , b=6)

{
1
2≤ x ≤ 6
f ( x )= 4
0 en otro caso
Estadística Descriptiva 2023 02 187

{
0 x< 2
x−2
F ( x )= 2 ≤ x ≤6
4
1 x> 6
Conclusión:
P(X≤ a)=F(a )
P(X≥ b)=1- F(b )
P(a ≤ X≤ b)= F(b ) - F(a )

Halle:
a. La probabilidad de que un cliente sea atendido en menos de 4 minutos.
Usando la función de densidad f(x):
4
1
P(X<4)= ∫ dx =¿ 0.5 ¿
2 4
Usando la función de probabilidad acumulada F(x):
4−2
P(X<4)=F(4)= =0.5
4

b. La probabilidad de un que un cliente sea atendido en más de 3 minutos.

Usando la función de densidad f(x):
6
1
P(X>3)= ∫ dx =¿ 0.75 ¿
3 4
Usando la función de probabilidad acumulada F(x):
3−2
P(X>3)=1-F(3)= 1- =0.75
4

c. La probabilidad de un que un cliente sea atendido entre de 3 y 5 minutos.

Usando la función de densidad f(x):
5
1
P(3<X<5)= ∫ dx =¿ 0.5 ¿
3 4
Usando la función de probabilidad acumulada F(x):
5−2 3−2
P(3<X<5)=F(5)-F(3)= − =0 ,5
4 4

Halle la media y la varianza:

Media
( a+ b )
μ= =4
2
Varianza
( b−a )2 16 4
σ 2= = = =1.3333
12 12 3

Halle la mediana:
Estadística Descriptiva 2023 02 188
x−2
=0.5 → x=4 Mediana=4
4

Halle el percentil 80:

x−2
=0.80 → x=5.2 P 80=5.2
4

Ejemplo 52

En ciertos experimentos, el error cometido al determinar la densidad de una sustancia es una variable
aleatoria cuya distribución es uniforme con a = -0,025 y b = 0,025.

a. ¿Cuál es la probabilidad de que tal error esté entre 0,010 y 0,015?

b. ¿Cuál es el error esperado cometido?

Solución

a. ¿Cuál es la probabilidad de que tal error esté entre 0,010 y 0,015?

Solución

Sea X:= error al determinar la densidad de una sustancia

X U (a=−0,025 ,b=0,025)

Tiene la siguiente función de densidad

{
1
−0,025 ≤ x ≤ 0,025
f ( x )= 0,025− (−0,025 )
0 en otro caso

{
1
−0,025 ≤ x ≤ 0,025
f ( x )= 0 , 05
0 en otro caso

La probabilidad pedida es:

P ( 0,010 ≤ X ≤ 0,015 )

Existen dos formas de calcular esta probabilidad:

Integrando la función de densidad f (x) o calculándola a partir del área del rectángulo.
Estadística Descriptiva 2023 02 189
0,015
1
P ( 0,010 ≤ X ≤ 0,015 )= ∫ dx=0 ,10
0,010 0,050
Estadística Descriptiva 2023 02 190
b. ¿Cuál es el error esperado cometido?

Solución

La variable

X U (a=−0,025 ,b=0,025)

tiene el siguiente valor esperado de errores

( a+ b ) (−0,025+0,025 )
μ= = =0
2 2

Ejemplo 53

La llegada de cada uno de los empleados a su centro de labores se produce independientemente, de

acuerdo a la distribución uniforme en el intervalo comprendido entre las 8:00 y 8:25 am.

De una muestra de 10 empleados, calcule la probabilidad de que cuatro de ellos hayan llegado entre
las 8:15 y 8:20 AM.

Solución
Sea X:= tiempo, en minutos, desde las 8 AM hasta la hora de llegada de los empleados al centro de
trabajo, luego:

X U (0 ,25)

La función de densidad es :

{
1
0 ≤ x ≤25
f ( x )= 25
0 en otro caso

Se define la variable:
Y :=¿ número de empleados que llegan al centro de trabajo entre 8:15 y 8:20 AM.

Y B ( n=10 ; p=? )

Debe calcularse la probabilidad de éxito p de que un empleado llegue al centro de trabajo entre 8:15 y
8:20 AM esto es:

25
1
p=P ( 15< X <25 )=∫ dx=0 , 20
15 25
Estadística Descriptiva 2023 02 191

Entonces:

Y B (n=10 ; p=0 , 20)

Luego la función de probabilidad es:

10 y 10− y
P ( Y = y ) =f ( y )=C y 0 ,20 (1−0 , 20) y=0 , 1 , … ,10

La probabilidad pedida es:

10 4 10−4
P ( Y =4 ) =f ( 4 )=C 4 0 , 20 (1−0 ,20) =0,0881

En Excel, se usa la función = DISTR.BINOM.N(4;10;0.2;0) = 0,0881

Estadística Descriptiva 2023 02 192

Ejercicios

163. El tiempo, en minutos, que demora un servicio de delivery en entregar una pizza puede modelar-
se por una variable aleatoria uniforme con parámetros 5 y 35 minutos. 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.

Sea la variable X := tiempo, en minutos, que demora el delivery en entregar una pizza

X U ( 5 , 35 )

La probabilidad de que le salga gratis.

35
1
P ( X >30 )=∫ dx=¿ 0,1667 ¿
30 35−5

b. Una familia pidió una pizza hace 25 minutos y aún no ha llegado, ¿cuál es la probabilidad de
que le salga gratis?

La probabilidad pedida es:

35
1
∫ 35−5
P ( X ≥ 30 ) 30
dx
0,1667
P ( X ≥30 / X ≥25 )= = = =0 ,50
P ( X ≥ 25 ) 35 1 0,3333
∫ 35−5 dx
25

c. Calcule el tiempo mínimo de entrega para estar en el 20% de los pedidos que más se demoran.

El tiempo mínimo de entrega para estar en el 20% de los pedidos que más se demoran es el
percentil 80.
P ( X ≤ P 80) =0 , 80

1
( P80−5 ) × 30 =0 , 80

P80=29

1/30

0,80 0,20

0 5 P80 35
Estadística Descriptiva 2023 02 193

d. 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.

Sea la variable Y :=¿ número de pizzas que salen gratis

Y B ( n=10 ; p=P ( éxito ) )

Calculemos el valor de p.

35
1
p=P ( éxito )=P ( X >30 )=∫ dx=0,1667
30 35−5

Luego, se tiene que:

Y B ( n=10 ; p=0,1667 )

La probabilidad pedida es:

P ( Y ≥ 1 )=f ( 1 ) +…+ f (10)

10
¿ ∑ C 10 y 10− y
y 0 , 2857 ( 1−0,2857 ) =0,99579
y=1

En Excel, se usa la función =1-DISTR.BINOM.N(0;10;0.1667;1).

164. Para un servicio de taxis por aplicativo, se define la variable X :=¿ diferencia entre el tiempo
programado por el aplicativo y el tiempo real de llegada del taxi a su destino, en minutos.

Los parámetros de X son -5 a 15, donde el signo negativo indica que el vehículo llegó antes del
tiempo programado y el valor positivo indica que demoró más del tiempo programado.

f ( x )= {k0 −5 ≤ x ≤ 15
otro caso

a. Calcule la probabilidad que uno de estos servicios haya tenido un retraso mayor a cinco minu-
tos. Rpta: 0,50
b. Se elige aleatoriamente a diez de estos servicios, calcule la probabilidad de que cuatro lleguen
antes del tiempo programado.

165. La variable X se distribuye uniformemente con media igual a 24 y varianza igual a 12, calcular los
parámetros de la función de densidad. Rpta: a = 18, b = 30
Estadística Descriptiva 2023 02 194

Se sabe que para una variable uniforme se cumple que:

( a+ b )
μ= =24
2

( b−a )2
σ 2= =12
12

Resolviendo las ecuaciones:

a=48−b

( b−( 48−b ) )2
=12
12

( 2 b−48 )2=122

a=18
b=30

166. La función de Excel =ALEATORIO() genera un número con distribución uniforme con parámetros a
igual a cero y b igual a uno. Sea X una variable aleatoria definida como el número generado por
dicha función.

a. Calcule la probabilidad de que la función genere un número aleatorio entre 0,2 y 0,7.

Sea la variable X := número generado por la función =ALEATORIO()

X U ( 0 , 1)

La probabilidad de que la función genere un número aleatorio entre 0,2 y 0,7.

0 ,7
P ( 0 , 2< X <0 , 7 ) =∫ 1 dx=¿ 0 ,5 ¿
0 ,2

b. Use la función de distribución acumulada F ( x )para calcular P(0 , 15< X <0 , 55).

La probabilidad de que la función genere un número aleatorio entre 0,15 y 0,55.

0 ,55
P ( 0 , 15< X <0 , 55 ) = ∫ 1 dx=¿ 0 , 45 ¿
0 ,15
Estadística Descriptiva 2023 02 195
167. El tiempo en el que un avión llega a su destino con respecto a su hora programada se modela con
una variable aleatoria uniforme de parámetros -15 y 30. De tal manera que los valores negativos
indican que el avión llegó antes de la hora programada y los valores positivos indican que el avión
llegó después de la hora programada.
a. Si la probabilidad de que un avión llegue con un retraso mayor a 10 minutos es mayor al 20%,
se revisarán los protocolos de salida de un avión. Indique lo que se hará.

Solución
Interpretación
Determinar si se revisarán los protocolos de salida de un avión.
Representación
Variable: Tiempo en el que un avión llega a su destino con respecto a su hora programada.
Herramienta estadística: Distribución uniforme.
X U (a=−15 , b=30)
Cálculo
Función de densidad f(x):

{
1
−15≤ x ≤ 30
f ( x )= 45
0 en otro caso
Función de probabilidad acumulada F(x):

{
0 x←15
x+15
F ( x )= −15 ≤ x ≤30
45
1 x >30

Se pide: P(X>10)
Usando la función de densidad f(x):
30
1 4
P ( X >10 ) =∫ dx = =0,4444=44 , 44 %
10 45 9
Usando la función de probabilidad acumulada F(x):
P(X≥ b)=1- F(b )
10+15 5 4
P ( X >10 ) =1−F ( 10 )=1− =1− = =0,4444=44 , 44 %
45 9 9
Usando el Excel:
P ( X >10 ) =0,44444=44,444 %
Análisis y argumentación
La probabilidad de que un avión llegue con un retraso mayor a 10 minutos es 44,44%, lo cual es
mayor al 20%.
Sí se revisarán los protocolos de salida de un avión, ya que la probabilidad de que llegue con más
de 10 minutos de retraso es mayor al 20%.

b. Calcule la probabilidad de que la diferencia entre la hora de llegada programada y la hora de

llegada sea mayor a seis minutos.

Se pide: P(X>6)
Estadística Descriptiva 2023 02 196
Usando la función de densidad f(x):
30
1 8
P ( X >6 )=∫ dx= =0,5333
6 45 15
Usando la función de probabilidad acumulada F(x):
P(X≥ b)=1- F(b )
6 +15 7 8
P ( X >6 )=1−F ( 6 )=1− =1− = =0,5333
45 15 15
Usando el Excel:
P ( X >6 )=0,5333

c. Si se escoge al azar 20 vuelos, calcule la probabilidad de que, como máximo, se tenga un vuelo
con retraso mayor a ocho minutos.

Ojo: Tiene dos partes (Uniforme/Binomial)

X ~ U (a=-15, b=30) P ( X >8 )=0,4889 (Probabilidad de éxito)
Éxito: El vuelo tiene un retraso mayor a 8 minutos.

W: Número de vuelos que tienen un retraso mayor a 8 minutos en una muestra de tamaño 20.
n=20 p=0,4889 W~B(n=20; p=0,4889)

P(W≤1)=0.000030

Pregunta adicional 1:
Si X ~ U (a=-15, b=30), halle P(X<5)=¿?

Usando el Excel:
P(X<5)=0,4444

Pregunta adicional 2:
Si X ~ U (a=-15, b=30), halle P(5<X<15)

Usando el Excel:
P(5<X<15)=0,2222

Pregunta adicional 3:
Si X ~ U (a=-15, b=30). Halle el tiempo mínimo (X) para que el avión esté en el 20% de los aviones
que llegan más tarde.

|----------------------------80%-------------------------|-----20%------|
|-----------------------------------------------------------------------------|
-15 k=P80 30

Usando la función de probabilidad acumulada:

F(k)=0,80
Estadística Descriptiva 2023 02 197
k +15
=0 , 80 k +15=36 k =21
45

Usando el Excel: ¿Pk? se coloca 0.80 (Percentil 80)

k=21 minutos.
Respuesta: Debe llegar 21 minutos después de la hora programada para que corresponda al
tiempo mínimo del 20% de los aviones que llegan más tarde.

Pregunta adicional 4:
Si X ~ U (a=-15, b=30). Halle el tiempo máximo (X) para que el avión esté en el 10% de los aviones
que llegan más temprano.

|---10%---|
|-----------------------------------------------------------------------------|
-15 k=P10 30

Usando la función de probabilidad acumulada:

k +15
F ( k )=0 , 10 =0 , 10 k +15=4 , 5 k =−10 ,5
45

Usando el Excel: ¿Pk? se coloca 0.10 (Percentil 10)

k=-10,5 minutos.
Respuesta: Debe llegar 10,5 minutos antes de la hora programada para que sea el tiempo má-
ximo del 10% de los aviones que llegan más temprano.
Estadística Descriptiva 2023 02 198

Distribución exponencial
En variables que representan los tiempos de vida útil, tiempos de sobrevivencia, en tiempos de ocu -
rrencia en procesos de Poisson se suele utilizar la distribución exponencial.
La variable aleatoria X tiene una distribución exponencial con parámetro β (β >0) .
Función de densidad:

{
−x
1 β
e x≥0
f (x)= β
0 otro caso

Se denota: X exp (β)

Se lee que la variable aleatoria X sigue una distribución exponencial con parámetro β .

Función de probabilidad acumulada

F (x)= {
1−e
0
−x / β
x <0
x≥0
β >0
Conclusión:
P(X≤ a)=F(a )
P(X≥ b)=1- F(b )
P(a ≤ X≤ b)= F(b ) - F(a )
Nota: Las respuestas serían las mismas si se incluye o no la igualdad
Características
La variable puede tomar valores de 0 a +, no toma valores negativos.
La gráfica es descendente con sesgo a la derecha.
Existe una curva para cada valor de β .

Media
μ x =E ( X )= β
Varianza
2 2
σ X =β

En Excel, se usa la función =DISTR.EXP.N(x; lambda = 1/beta; acumulado = 1)

Cálculo de un percentil k
Para el percentil k , se cumple que:
P ( X ≤ P k )=0 , k
Estadística Descriptiva 2023 02 199
Con el Excel: Por ejemplo, si se quiere calcular el percentil 90, P90 =INV.GAMMA(0.9;1;beta).

Usando la función d distribución acumulada de una variable exponencial

−x
β
F ( x )=P ( X ≤ x )=1−e

Se cumple que:
−Pk
β
1−e =k

Para el cálculo del percentil Pk pueden usar el SOLVE de la calculadora:

− Pk
β
e =1−k

ln ( e )=ln ⁡(1−k )
−Pk
β

−Pk
=ln ( 1−k )
β

Pk =−β ln ( 1−k )

Por ejemplo, si se quiere calcular el percentil 90 se debe resolver la siguiente ecuación:

−P90
β
1−e =0 , 9

0,90

P90

P90=−β ln ( 1−0 ,9 )

En Excel, se usa la función:

Pk =INV.GAMMA(k/100;1;beta)

Por ejemplo, si se quiere calcular el percentil 90, P90 =INV.GAMMA(0.9;1;beta).

Estadística Descriptiva 2023 02 200
Estadística Descriptiva 2023 02 201

Ejemplo 54

El ingeniero de planta de una línea aérea sabe que la duración promedio de los neumáticos de las avio-
netas es de 1,5 años. Si la duración de los neumáticos tiene una distribución exponencial.

a. ¿Cuál es la probabilidad de que los neumáticos duren a lo más 1,6 años?

Solución

Definamos la variable aleatoria X : duración de neumáticos de las avionetas.

X exp (β=1 ,5)

La probabilidad pedida es:

−1, 6
1 ,5
P ( X ≤1 , 6 ) =F ( 1 ,6 )=1−e =0,6558

b. ¿Cuál es la probabilidad de que los neumáticos duren más de dos años?

Solución

La probabilidad pedida es:

P ( X >2 ) =1−P ( X ≤2 )

( )
−2
¿ 1−F ( 2 )=1− 1−e 1, 5 =0,2636
c. La gerencia de la línea aérea está evaluando la posibilidad de cambiar de proveedor si el tiempo
mínimo del 25% de los neumáticos que tienen una mayor duración es menor a 1,8 años.

Solución

Interpretación
Determinar si se va a cambiar de proveedor.

Representación
Se debe calcular el percentil 75 de la variable <duración de neumáticos de las avionetas>.

Cálculo
El tiempo mínimo del 25% de los neumáticos que tienen una mayor duración lo representamos por
t min.
P ( X >t min )=0 , 25
Estadística Descriptiva 2023 02 202
P ( X >t min )=1−P ( X ≤ t min )

( )
−t min

¿ 1−F ( t min )=1− 1−e 1 ,5

−t min
1, 5
¿e =0 ,25

−t min
Tomamos logaritmo neperiano a ambos lados de la ecuación 1, 5
e =0 ,25

ln ( e )=ln ⁡(0 , 25)

−t min
1 ,5

−t min
=−1,3863
1 ,5

t min =2 ,08 años

Análisis y argumentación
El tiempo mínimo del 25% de los neumáticos que tienen una mayor duración es mayor a 1,8 años
(2,08 > 1,8). Por tanto, no se va a cambiar de proveedor.

Relación de la distribución exponencial con la distribución de Poisson

Vamos a establecer la relación que existe entre una variable Poisson y una variable exponencial.

Sea el siguiente ejemplo de una distribución de Poisson:

A una agencia bancaria llegan, en promedio, 5 clientes en un intervalo de 10 minutos.

Definamos una variable aleatoria como:

X ≔ número de clientes que llegan a la agencia bancaria en un intervalo de 10 minutos

λ=número promedio de clientes que llegan a laagencia bancaria en unintervalo de 10 minutos
¿
λ =número promediode clientes que llegan a la agenciabancaria en un intervalo de 1 minuto
¿
λ =1 /2

Dicha variable X se modela con una distribución de Poisson, es decir:

X Poisson ( λ=5 )
Rx={0; 1; 2; … }

Además, definimos la variable:

T ≔ tiempo que transcurre entre la llegada de un cliente y el siguiente

Dicha variable T se modela con una distribución exponencial con media β , es decir:
Estadística Descriptiva 2023 02 203
T exp ( β=2 )
RT=[0; +∞[

β=tiempo promedio que transcurre entre la llegada de un cliente y el siguiente

Se cumple que la relación entre los parámetros de las distribuciones Poisson y exponencial es:

¿ 1 1
λ = lo que equivale a β = ¿
β λ

Cómo se confirmar la relación entre la distribución de Poisson y Exponencial:

Pensando en un intervalo de 1 minuto:

Que en un minuto no llega nadie a la agencia bancaria:

X Poisson ( λ¿ =1/2 )

P(X=0)=0.6065 =POISSON.DIST(0;0.5;0)

T exp ( β=2 )

P(T>1)=1-F(1)=0.6065 =1-DISTR.EXP.N(1;1/2;1)

Ejemplo 55

Definamos una variable aleatoria como:

X ≔ número de clientes que llegan a una farmacia por minuto con media λ=2

Dicha variable X se modela con una distribución de Poisson, es decir:

X P ( λ=2 )

Además, definimos la variable:

T ≔ tiempo, en minutos, que transcurre hasta que llegue el primer cliente

Dicha variable T se modela con una distribución exponencial con media β . Se cumple que la relación
entre los parámetros es:
1
λ=2=
β

Por lo tanto, podemos conocer el valor del parámetro β de la distribución exponencial, a partir del
valor del parámetro λ de la distribución Poisson.

( 12 )
T exp β=

0 T
Estadística Descriptiva 2023 02 204
Con ello, podemos calcular la probabilidad de que el primer cliente llegue antes de los 45 segundos, es
decir:
P ( T < 0 ,75 )

Para calcular esta probabilildad podemos usar diversos métodos, como por ejemplo, usar la función de
−x
distribución acumulada F ( x )=1−e β .

−0 , 75
1
2
P ( T < 0 ,75 )=1−e =0,7769

Tiempo que transcurre entre dos eventos consecutivos

Vamos a establecer la relación que existe entre una variable Poisson y una variable exponencial.

Definamos una variable aleatoria como:

X ≔ número de veces que ocurre un evento en un periodo dado con media λ

Dicha variable X se modela con una distribución de Poisson, es decir:

X P ( λ)

Además, definimos la variable:

T ≔ tiempo que transcurre entre dos eventos consecutivos

Dicha variable T se modela con una distribución exponencial con media β , es decir:

T exp ( β )

Entonces; se cumple que la relación entre los parámetros es:

1
λ=
β
Ejemplo 56

Definamos una variable aleatoria como:

X ≔ número de clientes que llegan a una farmacia en un minuto con media λ=2

Dicha variable X se modela con una distribución de Poisson, es decir:

X P ( λ=2 )

Además, definimos la variable:

T ≔ tiempo, en minutos, que transcurre entre la llegada de dos clientes.

Dicha variable T se modela con una distribución exponencial con media β . Se cumple que la relación
entre los parámetros es:
1
λ=2=
β
Estadística Descriptiva 2023 02 205

Por lo tanto, podemos conocer el valor del parámetro β de la distribución exponencial, a partir del
valor del parámetro λ de la distribución Poisson.

T exp β= ( 12 )

0 T1 T2

Con ello, podemos calcular la probabilidad de que el tiempo que transcurre entre la llegada de un
cliente y el siguiente sea mayor a 15 segundos, es decir:

P ( T > 0 ,25 )

Para calcular esta probabilidad podemos usar diversos métodos, como por ejemplo, usar la función de
−x
distribución acumulada F ( x )=1−e β .

( )
−0 , 25
1
P ( T > 0 ,25 )=1− 1−e 2
=0,6065
Estadística Descriptiva 2023 02 206

Ejercicios

164. En un servicio de entrega de paquetes a domicilio, se estima que el tiempo de entrega se modela
con una variable exponencial. El tiempo promedio de entrega de un paquete es de 30 minutos.

Variable X: Tiempo entrega, en minutos, de un paquete a domicilio.

𝑋~ 𝐸𝑥𝑝 (𝛽 = 30)
Nota: En la distribución exponencial μ x =E ( X )= β

Función de probabilidad acumulada:

−x /30
F ( x )=1−e

a. Calcule la probabilidad de que un paquete sea entregado en menos de 25 minutos.

−25
P(X<25)= F ( 25 )=1−e 30
=0.5654

En Excel, =DISTR.EXP.N(25;1/30;1)=0.5654

Pregunta adicional: Calcule la probabilidad de que un paquete sea entregado en más de 35 minutos.

−35
P(X>35)=1-F(35)=1-(1−e 30
¿=0.3114

En Excel, =1-DISTR.EXP.N(35;1/30;1)=0.3114

b. Calcule el tiempo mínimo para estar en el 20% de los paquetes con mayor tiempo de entrega.
20%
|------------------------------------------------------------|------------|
P80
Se busca el P80:

−x
1−e 30 =0.80 → x=48.2831 (Con el SOLVE de la calculadora)

P80=−β ln ( 1−k )=−30∗ln ( 1−0.80 )=48.2831 (Con la fórmula)

En Excel, percentil 80, P80 =INV.GAMMA(0.80;1;beta=30)=48.2831 (Siempre va uno)

.
Estadística Descriptiva 2023 02 207
169. La vida útil de un tipo de batería de celular se modela con una variable exponencial con una me-
dia de dos años. Si una batería de este tipo ha estado en uso durante dos años, calcule la probabi -
lidad de que su vida útil sea mayor a tres años.

Definamos la variable aleatoria.

X ≔ vida de un vino rojo antes de perder su calidad, en años

X exp ( β=? )

El valor del parámetro beta β es igual a la media que es 2, por lo tanto,

X exp ( β=2 )

La probabilidad pedida es:

+∞ −x

P (X >3)
∫ 12 e 2
dx
3 0,2231
P ( X >3 / X ≥ 2 )= = = =0,6064
P( X ≥ 2) +∞ 1 −x 0,3679
∫ 2 e 2 dx
2

170. El número de mensajes de WhatsApp que le llegan a una persona se modela con una variable
Poisson con una media de tres mensajes por minuto. Calcule la probabilidad de que el tiempo que
transcurre entre un mensaje y el siguiente sea mayor a 20 segundos.

Definamos una variable aleatoria como:

X ≔ número de mensajes de WhatsApp que llegan en un minuto con media λ=3

Dicha variable X se modela con una distribución de Poisson, es decir:

X P ( λ=3 )

Además, definimos la variable:

T ≔ tiempo, en minutos, que transcurre entre la llegada de dos mensajes.

Dicha variable T se modela con una distribución exponencial con media β . Se cumple que la rela-
ción entre los parámetros es:
1
λ=3=
β

Por lo tanto, podemos conocer el valor del parámetro β de la distribución exponencial, a partir
del valor del parámetro λ de la distribución Poisson.

( 13 )
T exp β=
Estadística Descriptiva 2023 02 208
La probabilidad pedida es la probabilidad de que el tiempo que transcurre entre un mensaje y el
siguiente sea mayor a 20 segundos, es decir:

P ( T > 0,3333 )

Para calcular esta probabilidad podemos usar diversos métodos, como por ejemplo, usar la fun-
−x
ción de distribución acumulada F ( x )=1−e β .

( )
−0,3333
1
P ( T > 0,3333 )=1−P ( T ≤ 0,3333 )=1− 1−e 3
=0,3679

171. La vida de un vino rojo antes de perder su calidad se modela con una variable exponencial con
una vida media de 12 años. Calcule la probabilidad de que un vino rojo dure al menos 14 años
antes de perder su calidad.

Definamos la variable aleatoria.

X ≔ vida de un vino rojo antes de perder su calidad, en años

X exp ( β=? )

El valor del parámetro beta β es igual a la media que es 12, por lo tanto,

X exp ( β=12 )

La probabilidad pedida es:

+∞ +∞ −x
1 12
P ( X >14 )=∫ f ( x ) dx =∫ e dx=0,3114
14 14 12

14
En Excel se usa =1-DISTR.EXP.N(14;1/12;1).
Estadística Descriptiva 2023 02 209
172. El tiempo, en días, que transcurre desde la adquisición de un vehículo nuevo hasta que se presen -
ta la primera falla mecánica se modela con una variable aleatoria exponencial con media de 500
días.

Variable X: Tiempo, en días, que transcurre desde la adquisición de un vehículo nuevo hasta que
se presenta la primera falla mecánica.

𝑋~ 𝐸𝑥𝑝 (𝛽 = 500)
Nota: En la distribución exponencial μ x =E ( X )= β

−x /500
F ( x )=1−e

a. Calcule la probabilidad de que el tiempo que transcurre desde la adquisición de un vehículo

nuevo hasta que se presenta la primera falla mecánica sea mayor a 600 días.

( )=e
−600 −600
P(X>600)=1-F(600)=1− 1−e 500 500
=0.3012

En Excel, =1-DISTR.EXP.N(600;1/500;1)=0.3012

b. Calcule e interprete el cuartil 3 del tiempo que transcurre desde la adquisición de un vehículo
nuevo hasta que se presenta la primera falla mecánica. Rpta: 693,14 días

Q3=P75
−x
1−e 500 =0.75 (Con el SOLVE de la calculadora)
Q3=P75=693.1472

P75=−β ln ( 1−k )=−600∗ln ( 1−0.75 )=693.1472 (Con la fórmula)

En Excel, percentil 75, P75 =INV.GAMMA(0.75;1;beta=500)=693,1472 (Siempre va uno)

Para el 75% de vehículos nuevos, el tiempo máximo que transcurre hasta que se presenta la
primera falla mecánica es de 693,1472 días.

c. Se elige al azar un vehículo, se observa que han pasado 300 días y no se ha presentado ningu-
na falla mecánica, calcule la probabilidad de que pasen como máximo 200 días más antes de
que se presente la primera falla mecánica. Rpta: 0,3297

_________|_____________________|__________________
300 500

P( X≤500 /X>300) =
P ( X ≤500 ∩ X >300) P(300 < X ≤500) F ( 500 )−F (300) 0,1809
= = = =0,329 7
P (X >300) P ( X >300) 1−F(300) 0,5488
Estadística Descriptiva 2023 02 210

P ( 300< X ≤ 500 )=F (500 )−F ( 300 )=DISTR .exp . N ( 500 ; 1/500; 1 )−DISTR .exp . N (300 ; 1/500 ; 1)=0.1809
P ( X >300 )=1−F ( 300 )=1−DISTR . exp . N (300 ; 1/500; 1)=¿ 0.5488

173. La vida útil, en meses, de un artefacto eléctrico es una variable aleatoria con distribución expo-
nencial con parámetro β . Se sabe que el 80% de estos artefactos eléctricos tiene una vida útil
mayor a 60 meses. Calcule la probabilidad de que la vida útil de uno de estos artefactos eléctricos
sea mayor a 300 meses.
Definamos la variable aleatoria X := vida útil, en meses, de un artefacto eléctrico.

X exp (β=?)

La condición es:

P ( X >60 )=0 , 80

−60
β
e =0 , 80

−60
Tomamos logaritmo neperiano a ambos lados de la ecuación e β
=0 , 80 .

ln ( e )=ln ⁡( 0 ,80)
−60
β

−60
=−0,2231
β

β=269

La probabilidad pedida es la probabilidad de que la vida útil de uno de estos artefactos eléctricos
sea mayor a 300 meses, es decir:

P ( X >300 )=0,3278

En Excel se usa =1-DISTR.EXP.N(300;1/269;1).

174. El tiempo entre llegadas de clientes a un local sigue una distribución exponencial con una me -
dia de seis minutos. ¿Cuál es la probabilidad de que el tiempo entre dos llegadas consecutivas sea
mayor a ocho minutos?

Definamos la variable aleatoria.

X ≔ tiempo entre llegadas de clientes a un local

X exp ( β=? )
Estadística Descriptiva 2023 02 211
El valor del parámetro beta β es igual a la media que es 6, por lo tanto,

X exp ( β=6 )

La probabilidad pedida es la probabilidad de que el tiempo entre dos llegadas consecutivas sea
mayor a ocho minutos, es decir:

+∞ +∞ −x
1
P ( X >8 )=∫ f ( x ) dx=∫ e 6
dx=0,2636
8 8 6